Reliability and Feasibility of Extended Field of View Ultrasound Imaging Techniques for Measuring the Limb Muscle Cross-Sectional Area
Notice bibliographique
Résumé
Purpose: Panoramic ultrasound imaging (pUSI) is an extended field of view (FOV) imaging technique that enables visualization of larger muscles; however, it is not available in all ultrasound systems. Using an acoustic standoff pad that is compatible with any ultrasound system may be an alternative method to increase FOV, but it has not been used to evaluate limb muscles. The purpose of this study was to evaluate the reliability and feasibility of using pUSI and an acoustic standoff pad to measure the limb muscle cross-sectional area (mCSA). Method: A cross-sectional study was conducted. Using pUSI and an acoustic standoff pad, we obtained B-mode ultrasound images of the rectus femoris, biceps brachii, and lateral gastrocnemius muscles of 26 healthy participants on two occasions 7–10 days apart. The agreement between the two methods was determined using intra-class correlation coefficients (ICCs) and Bland–Altman plots. Test–retest reliability was assessed using ICCs and standard error of measurement (SEM). The feasibility of acquiring and analyzing the images was evaluated using a Likert scale. Results: The acoustic standoff pad and pUSI demonstrated strong agreement (ICC [3,3] > 0.85); however, the mCSAs were different ( p < 0.05). Test–retest reliability for each technique was high for all muscles (ICC [3,3] > 0.85; SEM = 0.6–1.5 cm 2 ). Image acquisition was highly feasible, but there were some limitations in analyzing the images. Conclusions: pUSI and an acoustic standoff pad are two reliable techniques for measuring mCSA, but the measurements are not directly comparable. Future studies should evaluate the accuracy of the acoustic standoff pad compared with gold-standard methods.
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 ».