Alterations in Knee Joint Laxity During the Menstrual Cycle in Healthy Women Leads to Increases in Joint Loads During Selected Athletic Movements
Notice bibliographique
Résumé
BACKGROUND: It has been speculated that the hormonal cycle may be correlated with higher incidence of ACL injury in female athletes, but results have been very contradictory. HYPOTHESIS: Knee joint loads are influenced by knee joint laxity (KJL) during the menstrual cycle. STUDY DESIGN: Controlled laboratory study. METHODS: Serum samples and KJL were assessed at the follicular, ovulation, and luteal phases in 26 women. Knee joint mechanics (angle, moment, and impulse) were measured and compared at the same intervals. Each of the 26 subjects had a value for knee laxity at each of the 3 phases of their cycle, and these were ordered and designated low, medium, and high for that subject. Knee joint mechanics were then compared between low, medium, and high laxity. RESULTS: No significant differences in knee joint mechanics were found across the menstrual cycle (no phase effect). However, an increase in KJL was associated with higher knee joint loads during movement (laxity effect). A 1.3-mm increase in KJL resulted in an increase of approximately 30% in adduction impulse in a cutting maneuver, an increase of approximately 20% in knee adduction moment, and a 20% to 45% increase in external rotation loads during a jumping and stopping task (P < .05). CONCLUSION: Changes in KJL during the menstrual cycle do change knee joint loading during movements. Clinical Relevance Our findings will be beneficial for researchers in the development of more effective ACL injury prevention programs.
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 | 0,000 |
| 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 ».