Modeling and Staging of Osteoarthritis Progression Using Serial CT Imaging and Arthroscopy
Notice bibliographique
Résumé
Objective The objective of this study was to describe in life methods by which osteoarthritis can be staged in order to time therapeutic interventions that are relevant to osteoarthritis (OA) clinical trials Methods Twenty-two sheep underwent arthroscopic meniscal destabilization to induce OA. Serial computed tomography (CT) imaging and arthroscopy were used to monitor osteoarthritis progression at 3-month intervals over 9 months. Eleven sheep received 1 intra-articular injection of hyaluronate 3 months after OA induction and another group of 11 received saline. A linear mixed model was used to define the trajectory of shape change in the medial joint compartment. Ordinal logistic regression was used to investigate the association between morphological changes and sclerosis. Results Three months after meniscal destabilization there were early bipolar chondral lesions in the medial compartment of the knee, as well as osteophytes and bone remodeling. Superficial fissures and cartilage cracks progressed to discrete areas of cartilage thinning and fibrillation on the medial tibial plateau by 6 months that became cartilage erosions by nine months. A linear mixed effect model demonstrated significant change in medial compartment length and width with over time ( P < 0.05) for both groups. A significant association between severity of sclerosis and medial compartment morphology was also observed. Conclusions The induction of osteoarthritic lesions with meniscal release model can be followed using noninvasive and minimally invasive procedures allowing for real-time decisions about redosing therapies, or other changes such as extending trial timelines without sacrificing animals to conduct assessments.
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 ».