Subject-Specific Finite Element Models of the Tibia With Realistic Boundary Conditions Predict Bending Deformations Consistent With In Vivo Measurement
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Understanding the structural response of bone during locomotion may help understand the etiology of stress fracture. This can be done in a subject-specific manner using finite element (FE) modeling, but care is needed to ensure that modeling assumptions reflect the in vivo environment. Here, we explored the influence of loading and boundary conditions (BC), and compared predictions to previous in vivo measurements. Data were collected from a female participant who walked/ran on an instrumented treadmill while motion data were captured. Inverse dynamics of the leg (foot, shank, and thigh segments) was combined with a musculoskeletal (MSK) model to estimate muscle and joint contact forces. These forces were applied to an FE model of the tibia, generated from computed tomography (CT). Eight conditions varying loading/BCs were investigated. We found that modeling the fibula was necessary to predict realistic tibia bending. Applying joint moments from the MSK model to the FE model was also needed to predict torsional deformation. During walking, the most complex model predicted deformation of 0.5 deg posterior, 0.8 deg medial, and 1.4 deg internal rotation, comparable to in vivo measurements of 0.5-1 deg, 0.15-0.7 deg, and 0.75-2.2 deg, respectively. During running, predicted deformations of 0.3 deg posterior, 0.3 deg medial, and 0.5 deg internal rotation somewhat underestimated in vivo measures of 0.85-1.9 deg, 0.3-0.9 deg, 0.65-1.72 deg, respectively. Overall, these models may be sufficiently realistic to be used in future investigations of tibial stress fracture.
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.
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 | 0,000 |
| 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 découle