Artificial Intelligence for Clinical Gait Diagnostics of Knee Osteoarthritis: An Evidence - based Review and Analysis
Notice bibliographique
Résumé
Background Knee osteoarthritis (OA) remains a leading aetiology of disability worldwide. With recent advances in gait analysis, clinical assessment of such a knee-related condition has been improved. Although motion capture (mocap) technology is deemed the gold standard for gait analysis, it heavily relies on adequate data processing to yield clinically significant results. Moreover, gait data is non-linear and high-dimensional. Due to missing data involved in a mocap session and typical statistical assumptions, conventional data processing methods are unable to reveal the intrinsic patterns to predict gait abnormalities. Research question Albeit studies have demonstrated the potential of Artificial Intelligence (AI) algorithms to address these limitations, these algorithms have not gained wide acceptance amongst biomechanists. The most common AI algorithms used in gait analysis are based on machine learning (ML) and artificial neural networks (ANN). By comparing the predictive capability of such algorithms from published studies, we assessed their potential to augment current clinical gait diagnostics when dealing with knee OA. Methods Thus, an evidence-based review and analysis were conducted. With over 188 studies identified, 8 studies met the inclusion criteria for a subsequent analysis, accounting for 78 participants overall. Results The classification performance of ML and ANN algorithms was quantitatively assessed. The test classification accuracy (ACC), sensitivity (SN), specificity (SP) and area under the curve (AUC) of the ML-based algorithms were clinically valuable, i.e., all higher than 85%, differently from those obtained via ANN. Significance This study demonstrates the potential of ML for clinical assessment of knee disorders in an accurate and reliable manner.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».