Individual Differences in Women During Walking Affect Tibial Response to Load Carriage: The Importance of Individualized Musculoskeletal Finite-Element Models
Notice bibliographique
Résumé
Subject-specific features can contribute to the susceptibility of an individual to stress fracture. Here, we incorporated tibial morphology and material properties into a standard musculoskeletal finite-element (M/FE) model and investigated how load carriage influences joint kinetics and tibial mechanics in women. We obtained the morphology and material properties of the tibia from computed tomography images for women of three distinctly different heights, 1.51 m (short), 1.63 m (medium), and 1.75 m (tall), and developed individualized M/FE models for each. Then, we calculated joint and muscle forces, and subsequently, tibial stress/strain for each woman walking at 1.3 m/s under various load conditions (0, 11.3, or 22.7 kg). Among the subjects investigated, using individualized and standard M/FE models, the joint reaction forces (JRFs) differed by up to 4 (hip), 22 (knee), and 26% (ankle), and the 90th percentile von Mises stress by up to 30% (tall woman). Load carriage evoked distinct biomechanical responses, with a 22.7-kg load decreasing the peak hip JRF during late stance by ∼18% in the short woman, while increasing it by ∼39% in the other two women. It also increased peak knee and ankle JRFs by up to ∼48 (tall woman) and ∼36% (short woman). The same load increased the 90th percentile von Mises stress (and corresponding cumulative stress) by 31 (28), 22 (30), and 27% (32%) in the short, medium, and tall woman, respectively. Our findings highlight the critical role of individualized M/FE models to assess mechanical loading in different individuals performing the same physical activity.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».