Operator Bias Errors Are Reduced Using Standing Marker Alignment Device for Repeated Visit Studies
Notice bibliographique
Résumé
When optical motion capture is used for motion analysis, reflective markers or a digitizer are typically used to record the location of anatomical landmarks identified through palpation. The landmarks are then used to construct anatomical coordinate systems. Failure to consistently identify landmarks through palpation over repeat tests creates artifacts in the kinematic waveforms. The purpose of this work was to improve intra- and inter-rater reliability in determining lower limb anatomical landmarks and the associated anatomical coordinate systems using a marker alignment device (MAD). The device aids the subject in recreating the same standing posture over multiple tests, and recreates the anatomical landmarks from previous static calibration trials. We tested three different raters who identified landmarks on eleven subjects. The subjects performed walking trials and their gait kinematics were analyzed with and without the device. Ankle kinematics were not improved by the device suggesting manual palpation over repeat visits is just as effective as the MAD. Intra-class correlation coefficients between gait kinematics registered to the reference static trial and registered to follow-up static trials with and without the device were improved between 1% and 33% when the device was used. Importantly, out-of-plane hip and knee kinematics showed the greatest improvements in repeatability. These results suggest that the device is well suited to reducing palpation artifact during repeat visits to the gait lab.
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 | 0,000 |
| 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 ».