A Cross-sectional Analysis of Radiographic Ankle Osteoarthritis Frequency and Associated Factors: The Johnston County Osteoarthritis Project
Notice bibliographique
Résumé
OBJECTIVE: Because there are no epidemiologic data regarding the frequency of ankle osteoarthritis (OA) in a general population, we sought to analyze this disabling condition in a large, well-characterized, community-based cohort of older individuals. METHODS: Cross-sectional data, including ankle radiographs, were from the most recent data collection (2013-2015) of the Johnston County OA Project. Radiographic ankle OA (rAOA) was defined as a Kellgren-Lawrence arthritis grading scale of ≥ 2 on weight-bearing lateral and mortise radiographs. The presence of pain, aching, or stiffness in the ankles as well as history of ankle injury (limiting ability to walk for at least 2 days) were assessed. Chi-square statistics (categorical variables) and Student t tests (continuous variables) were used to compare all participant characteristics by rAOA status. Joint-based logistic regression models with generalized estimating equations were used to examine associations of rAOA and covariates of interest [age, body mass index (BMI), sex, race, ankle symptoms, and injury history]. RESULTS: . Nearly 7% of this sample had rAOA. Increasing age, high BMI, history of ankle injury, and presence of ankle symptoms were all independently associated with greater odds of having rAOA; no significant differences were seen by sex or race. CONCLUSION: The frequency of rAOA was higher than estimates generally quoted in the literature. While injury was an important contributor, other factors such as age, BMI, and symptoms were also significantly associated with rAOA.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».