Multiobjective Design Optimization of a Biconcave Mobile-Bearing Lumbar Total Artificial Disk Considering Spinal Kinematics, Facet Joint Loading, and Metal-on-Polyethylene Contact Mechanics
Notice bibliographique
Résumé
Total disk arthroplasty (TDA) using an artificial disk (AD) is an attractive surgical technique for the treatment of spinal disorders, since it can maintain or restore spinal motion (unlike interbody fusion). However, adverse surgical outcomes of contemporary lumbar TDAs have been reported. We previously proposed a new mobile-bearing AD design concept featuring a biconcave ultrahigh-molecular-weight polyethylene (UHMWPE) mobile core. The objective of this study was to develop an artificial neural network (NN) based multiobjective optimization framework to refine the biconcave-core AD design considering multiple TDA performance metrics, simultaneously. We hypothesized that there is a tradeoff relationship between the performance metrics in terms of range of motion (ROM), facet joint force (FJF), and polyethylene contact pressure (PCP). By searching the resulting three-dimensional (3D) Pareto frontier after multiobjective optimization, it was found that there was a "best-tradeoff" AD design, which could balance all the three metrics, without excessively sacrificing each metric. However, for each single-objective optimum AD design, only one metric was optimal, and distinct sacrifices were observed in the other two metrics. For a commercially available biconvex-core AD design, the metrics were even worse than the poorest outcomes of the single-objective optimum AD designs. Therefore, multiobjective design optimization could be useful for achieving native lumbar segment biomechanics and minimal PCPs, as well as for improving the existing lumbar motion-preserving surgical treatments.
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) | 0,001 | 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 ».