Development of an equation for calculating vertebral shear failure tolerance without destructive mechanical testing using iterative linear regression
Notice bibliographique
Résumé
Equations used to determine vertebral failure tolerances without the need for destructive testing are useful for scaling applied sub-maximal forces during in vitro repetitive loading studies. However, existing equations that use vertebral bone density and morphology for calculating compressive failure tolerance are unsuitable for calculating vertebral shear failure tolerance since the primary site of failure is the pars interarticularis and not the vertebral body. Therefore, this investigation developed new equations for non-destructively determining vertebral shear failure tolerance from morphological and/or bone density measures. Shear failure was induced in 40 porcine cervical vertebral joints (20 C3-C4 and 20 C5-C6) by applying a constant posterior displacement to the caudal vertebra at 0.15 mm/s. Prior to destructive testing, morphology and bone density of the posterior elements were made with digital calipers, X-rays, and peripheral quantitative computed tomography. Iterative linear regression identified mathematical relationships between shear failure tolerance, and morphological and bone density measurements. Along with vertebral level, pars interarticularis length and lamina height from the cranial vertebra, and inferior facet height from the caudal vertebra collectively explained 61.8% of shear failure tolerance variance. Accuracy for this relationship, estimated using the same group of specimens, was 211.9 N or 9.8% of the measured shear failure tolerance.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 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 ».