Gender differences in gait kinematics for patients with knee osteoarthritis
Notice bibliographique
Résumé
BACKGROUND: Females have a two-fold risk of developing knee osteoarthritis (OA) as compared to their male counterparts and atypical walking gait biomechanics are also considered a factor in the aetiology of knee OA. However, few studies have investigated sex-related differences in walking mechanics for patients with knee OA and of those, conflicting results have been reported. Therefore, this study was designed to examine the differences in gait kinematics (1) between male and female subjects with and without knee OA and (2) between healthy gender-matched subjects as compared with their OA counterparts. METHODS: One hundred subjects with knee OA (45 males and 55 females) and 43 healthy subjects (18 males and 25 females) participated in this study. Three-dimensional kinematic data were collected during treadmill-walking and analysed using (1) a traditional approach based on discrete variables and (2) a machine learning approach based on principal component analysis (PCA) and support vector machine (SVM) using waveform data. RESULTS: OA and healthy females exhibited significantly greater knee abduction and hip adduction angles compared to their male counterparts. No significant differences were found in any discrete gait kinematic variable between OA and healthy subjects in either the male or female group. Using PCA and SVM approaches, classification accuracies of 98-100% were found between gender groups as well as between OA groups. CONCLUSIONS: These results suggest that care should be taken to account for gender when investigating the biomechanical aetiology of knee OA and that gender-specific analysis and rehabilitation protocols should be developed.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».