A comparison of density–modulus relationships used in finite element modeling of the shoulder
Notice bibliographique
Résumé
Subject- and site-specific modeling techniques greatly improve the accuracy of computational models derived from clinical-resolution quantitative computed tomography (QCT) data. The majority of shoulder finite element (FE) studies use density–modulus relationships developed for alternative anatomical locations. As such, the objectives of this study were to compare the six most commonly used density–modulus relationships in shoulder finite element (FE) studies. To achieve this, ninety-eight (98) virtual trabecular bone cores were extracted from uCT scans of scapulae from 14 cadaveric specimens (7 male; 7 female). Homogeneous tissue moduli of 20 GPa, and heterogeneous tissue moduli scaled by CT-intensity were considered. Micro finite element models (µ-FEMs) of each virtual core were compressively loaded to 0.5% apparent strain and apparent strain energy density (SEDapp) was collected. Each uCT virtual core was then co-registered to clinical QCT images, QCT-FEMs created, and each of the 6 density–modulus relationships applied (6 × 98 = 588 QCT-FEMs). The loading and boundary conditions were replicated and SEDapp was collected and compared to µ-FEM SEDapp. When a homogeneous tissue modulus was considered in the µ-FEMs, SEDapp was best predicted in QCT-FEMs with the density–modulus relationship developed from pooled anatomical locations (QCT-FEM SEDapp = 0.979µ-FEM SEDapp + 0.0066, r2 = 0.933). A different density–modulus relationship best predicted SEDapp (QCT-FEM SEDapp = 1.014µ-FEM SEDapp + 0.0034, r2 = 0.935) when a heterogeneous tissue modulus was considered. This study compared density–modulus relationships used in shoulder FE studies using an independent computational methodology for comparing these relationships.
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 ».