Evaluation of supraspinatus strengthening exercises based on fiber bundle architectural changes
Notice bibliographique
Résumé
Supraspinatus strengthening is an integral part of rehabilitation programs. However, there is disparity regarding the best exercise. Thus, we investigated the effects of supraspinatus strengthening exercises on muscle fiber bundle architecture using real-time ultrasound. Participants were randomized into full-can (FC; n = 12), empty-can (EC; n = 11,) and prone horizontal abduction (PHA; n = 11) groups and performed three sessions/week for 8 weeks. Each session involved four sets of exercise for weeks 1-4 and six sets for weeks 5-8 with eight repetitions/set. Images of supraspinatus were captured in 0° (relaxed) and 60° (contracted) glenohumeral abduction. Fiber bundle length (FBL), pennation angle, and muscle thickness were measured at beginning, mid, and end of training. Maximum isometric abduction strength was measured in full-can, empty-can, and prone horizontal abduction positions using a hand-held dynamometer. FBL decreased after 4 weeks in FC [relaxed: Δ = -0.54 cm, P = 0.001, d = 0.92; contracted: Δ = -0.27 cm, P = 0.008, d = 0.27] and EC [relaxed: Δ = -0.59 cm, P = 0.008, d = 0.86; contracted: Δ = -0.36 cm, P = 0.013, d = 0.59], but not in PHA [relaxed: Δ = -0.11, P = 0.121, d = 0.31; contracted: Δ = -0.06 cm, P = 0.486, d = 0.13]. Strength increased significantly from week 4-8 only in PHA (Δ = +0.96 kg, P = 0.004, d = 0.47) when tested in prone horizontal abduction position. Maintenance of FBL with increased strength indicates prone horizontal abduction may be a better exercise to strengthen supraspinatus.
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 | 0,001 | 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) | 0,002 | 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 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 ».