3D analysis of child facial dimensions for design of medical devices in low-middle income countries (LMIC)
Notice bibliographique
Résumé
BACKGROUND: Facial anthropometric data are scarce in African children. However, such data may be useful for the design of medical devices for high disease burden settings. The aim of this study was to obtain 3D facial anthropometric data of Congolese children aged 0-5 years. METHODS & FINDINGS: The faces of 287 Congolese children were successfully scanned using a portable structured-light based 3D video camera, suitable for field work in low- income settings. The images were analyzed using facial analysis algorithms. Normal growth curves were generated for the following facial dimensions: distance between nares and distance from subnasion to upper lip. At birth, 1 year, and 5 years of age the median dimensions were: 13·92, 14·66, and 17.60 mm, respectively for distance between nares, and 10·16, 10.88, and 13·79 mm, respectively for distance from subnasion to upper lip. Modeled facial contours conveniently clustered into three average sizes which could be used as templates for the design of medical instruments. CONCLUSION: Capturing of 3D images of infants and young children in LMICs is feasible using portable cameras and computerized analysis. This method and these specific data on Congolese pediatric facial dimensions may assist in the design of appropriately sized medical devices (thermometers, face masks, pulse oximeters, etc.) for this population.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».