Longitudinal Effects of Acute Anterior Cruciate Ligament Tears on Peri‐Articular Bone in Human Knees Within the First Year of Injury
Notice bibliographique
Résumé
Anterior cruciate ligament (ACL) tears are common sports-related knee injuries that increase the risk of developing post-traumatic osteoarthritis. ACL tears are rarely an isolated injury but are often associated with traumatic bone marrow lesions (BMLs). While early loss of bone mass following the ACL injury has been previously described, to date, microarchitectural information has not been reported due to the limited resolution of clinical imaging systems. In this study, we provide the first evidence of detailed bone mass and microarchitectural changes in the first 10 months following an acute ACL tear, and localized to traumatic BMLs. Fifteen participants with an acute unilateral ACL tear were assessed at four-time points using dual-energy X-ray absorptiometry and high-resolution peripheral quantitative computed tomography, and traumatic BMLs were identified with magnetic resonance imaging. Loss of bone mass was localized to the injured knee (-4.6% to -15.8%, depending on bone and depth) and was accelerated immediately following the injury before suggesting a recovery phase. This loss of bone was accelerated even greater in traumatic BMLs (-18.2% to -20.6%, depending on bone). Bone loss was accompanied by microstructural degeneration of trabecular bone. For example, in the lateral femur of the injured knee, the subchondral bone plate decreased in thickness (-9.0%). This study confirmed loss of bone mass in the months following ACL tears and described the underlying bone microstructural changes. The presented bone changes were accelerated in regions of traumatic BMLs. © 2019 Orthopaedic Research Society. Published by Wiley Periodicals, Inc. J Orthop Res 37:2325-2336, 2019.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».