3D Kinematics and Decision Trees to Predict the Impact of a Physical Exercise Program on Knee Osteoarthritis Patients
Notice bibliographique
Résumé
Measuring knee biomechanics provides valuable clinical information for defining patient-specific treatment options, including patient-oriented physical exercise programs. It can be done by a knee kinesiography test measuring the three-dimensional rotation angles (3D kinematics) during walking, thus providing objective knowledge about knee function in dynamic and weight-bearing conditions. The purpose of this study was to assess whether 3D kinematics can be efficiently used to predict the impact of a physical exercise program on the condition of knee osteoarthritis (OA) patients. The prediction was based on 3D knee kinematic data, namely flexion/extension, adduction/abduction and external/internal rotation angles collected during a treadmill walking session at baseline. These measurements are quantifiable information suitable to develop automatic and objective methods for personalized computer-aided treatment systems. The dataset included 221 patients who followed a personalized therapeutic physical exercise program for 6 months and were then assigned to one of two classes, Improved condition (I) and not-Improved condition (nI). A 10% improvement in pain was needed at the 6-month follow-up compared to baseline to be in the improved group. The developed model was able to predict I and nI with 84.4% accuracy for men and 75.5% for women using a decision tree classifier trained with 3D knee kinematic data taken at baseline and a 10-fold validation procedure. The models showed that men with an impaired control of their varus thrust and a higher pain level at baseline, and women with a greater amplitude of internal tibia rotation were more likely to report improvements in their pain level after 6 months of exercises. Results support the effectiveness of decision trees and the relevance of 3D kinematic data to objectively predict knee OA patients’ response to a treatment consisting of a physical exercise program.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».