Wearable sensors to predict improvement following an exercise intervention in patients with knee osteoarthritis
Notice bibliographique
Résumé
BACKGROUND: Muscle strengthening exercises consistently demonstrate improvements in the pain and function of adults with knee osteoarthritis, but individual response rates can vary greatly. Identifying individuals who are more likely to respond is important in developing more efficient rehabilitation programs for knee osteoarthritis. Therefore, the purpose of this study was to determine if pre-intervention multi-sensor accelerometer data (e.g., back, thigh, shank, foot accelerometers) and patient reported outcome measures (e.g., pain, symptoms, function, quality of life) can retrospectively predict post-intervention response to a 6-week hip strengthening exercise intervention in a knee OA cohort. METHODS: Thirty-nine adults with knee osteoarthritis completed a 6-week hip strengthening exercise intervention and were sub-grouped as Non-Responders, Low-Responders, or High-Responders following the intervention based on their change in patient reported outcome measures. Pre-intervention multi-sensor accelerometer data recorded at the back, thigh, shank, and foot and Knee Injury and Osteoarthritis Outcome Score subscale data were used as potential predictors of response in a discriminant analysis of principal components. RESULTS: The thigh was the single best placement for classifying responder sub-groups (74.4%). Overall, the best combination of sensors was the back, thigh, and shank (81.7%), but a simplified two sensor solution using the back and thigh was not significantly different (80.0%; p = 0.27). CONCLUSIONS: While three sensors were best able to identify responders, a simplified two sensor array at the back and thigh may be the most ideal configuration to provide clinicians with an efficient and relatively unobtrusive way to use to optimize treatment.
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 | 0,000 |
| 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 ».