A stochastic model of elbow flexion strength for subjects with and without long head biceps tear
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The classical approach of musculoskeletal modeling is to predict muscle forces and joint torques with a deterministic model constructed from parameters of an average subject. However, this type of model does not perform well for outliers, and does not model the effects of parameter variability. In this study, a Monte-Carlo model was used to stochastically simulate the effects of variability in musculoskeletal parameters on elbow flexion strength in healthy normals, and in subjects with long head biceps (LHB) rupture. The goal was to determine if variability in elbow flexion strength could be quantifiably explained with variability in musculoskeletal parameters. Parameter distributions were constructed from data in the literature. Parameters were sampled from these distributions and used to predict muscle forces and joint torques. The median and distribution of measured joint torque was predicted with small errors (< 5%). Muscle forces for both cases were predicted and compared. In order to predict measured torques for the case of LHB rupture, the median force and mean cross-sectional area in the remaining elbow flexor muscles is greater than in healthy normals. The probabilities that muscle forces for the Tear case exceed median muscle forces for the No-Tear case are 0.98, 0.99 and 0.79 for SH Biceps, brachialis and brachioradialis, respectively. Differences in variability of measured torques for the two cases are explained by differences in parameter variability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle