Noninvasive determination of body segment parameters of the hind limb in Labrador Retrievers with and without cranial cruciate ligament disease
Notice bibliographique
Résumé
OBJECTIVE: To determine mass, center of mass (COM), and moment of inertia (ie, body segment parameters [BSPs]) of hind limb segments by use of a noninvasive method based on computerized tomography (CT) in Labrador Retrievers with and without cranial cruciate ligament (CCL) disease and to provide regression equations to estimate BSPs of normal, CCL-deficient, and contralateral hind limbs. ANIMALS: 14 clinically normal and 10 CCL-deficient Labrador Retrievers. PROCEDURES: Bone, muscle, and fat areas were identified via CT. Mass, COM, and moment of inertia were determined on the basis of tissue densities in the thigh, crus, and foot segments. Regression models were developed to determine predictive equations to estimate BSP on the basis of simple morphometric measurements. RESULTS: The thigh and crus of CCL-deficient limbs weighed less than in contralateral segments. Thighs weighed less in CCL-deficient than in normal limbs. The thigh moment of inertia was less in CCL-deficient than in contralateral limbs. The crural COM was located more distally in normal limbs, compared with other limbs. Predictive equations to estimate BSP varied by parameter, body segment, and limb status. CONCLUSIONS AND CLINICAL RELEVANCE: BSPs of the thigh and crus varied with segment and status of the hind limb in Labrador Retrievers with or without CCL disease. Equations to estimate BSP on the basis of simple morphometric measurements were proposed, providing a basis for nonterminal studies of inverse dynamics of the hind limbs in Labrador Retrievers. This approach may offer new strategies to investigate the pathogenesis of nontraumatic joint diseases.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».