Wearable Inertial Sensors for Gait Analysis in Adults with Osteoarthritis—A Scoping Review
Notice bibliographique
Résumé
Our objective was to conduct a scoping review which summarizes the growing body of literature using wearable inertial sensors for gait analysis in lower limb osteoarthritis. We searched six databases using predetermined search terms which highlighted the broad areas of inertial sensors, gait, and osteoarthritis. Two authors independently conducted title and abstract reviews, followed by two authors independently completing full-text screenings. Study quality was also assessed by two independent raters and data were extracted by one reviewer in areas such as study design, osteoarthritis sample, protocols, and inertial sensor outcomes. A total of 72 articles were included, which studied the gait of 2159 adults with osteoarthritis (OA) using inertial sensors. The most common location of OA studied was the knee (n = 46), followed by the hip (n = 22), and the ankle (n = 7). The back (n = 41) and the shank (n = 40) were the most common placements for inertial sensors. The three most prevalent biomechanical outcomes studied were: mean spatiotemporal parameters (n = 45), segment or joint angles (n = 33), and linear acceleration magnitudes (n = 22). Our findings demonstrate exceptional growth in this field in the last 5 years. Nevertheless, there remains a need for more longitudinal study designs, patient-specific models, free-living assessments, and a push for “Code Reuse” to maximize the unique capabilities of these devices and ultimately improve how we diagnose and treat this debilitating disease.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».