Association of Machine Learning–Based Predictions of Medial Knee Contact Force With Cartilage Loss Over 2.5 Years in Knee Osteoarthritis
Notice bibliographique
Résumé
Objective The relationship between in vivo knee load predictions and longitudinal cartilage changes has not been investigated. We undertook this study to develop an equation to predict the medial tibiofemoral contact force (MCF) peak during walking in persons with instrumented knee implants, and to apply this equation to determine the relationship between the predicted MCF peak and cartilage loss in patients with knee osteoarthritis (OA). Methods In adults with knee OA (39 women, 8 men; mean ± SD age 61.1 ± 6.8 years), baseline biomechanical gait analyses were performed, and annualized change in medial tibial cartilage volume (mm 3 /year) over 2.5 years was determined using magnetic resonance imaging. In a separate sample of patients with force‐measuring tibial prostheses (3 women, 6 men; mean ± SD age 70.3 ± 5.2 years), gait data plus in vivo knee loads were used to develop an equation to predict the MCF peak using machine learning. This equation was then applied to the knee OA group, and the relationship between the predicted MCF peak and annualized cartilage volume change was determined. Results The MCF peak was best predicted using gait speed, the knee adduction moment peak, and the vertical knee reaction force peak (root mean square error 132.88N; R 2 = 0.81, P < 0.001). In participants with knee OA, the predicted MCF peak was related to cartilage volume change (R 2 = 0.35, β = −0.119, P < 0.001). Conclusion Machine learning was used to develop a novel equation for predicting the MCF peak from external biomechanical parameters. The predicted MCF peak was positively related to medial tibial cartilage volume loss in patients with knee OA.
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 | 0,001 |
| 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) | 0,001 | 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 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 ».