Associations Between Obesity With Low Muscle Mass and Physical Function in Patients With End-Stage Knee Osteoarthritis
Notice bibliographique
Résumé
OBJECTIVE: To investigate the prevalence of obesity with low muscle mass and its impact on physical function, quality of life (QOL) and pain in patients with end-stage knee osteoarthritis over 65 years old. METHODS: In this cross-sectional study, we assessed a total of 562 patients. After separating the group into males and females, we divided patients into 4 further groups: normal BMI with normal muscle mass, obesity with normal muscle mass, normal BMI with low muscle mass and obesity with low muscle mass. All patients completed stair climbing test (SCT), 6-minute walk test, timed up and go test (TUG), instrumental gait analysis, Western Ontario McMaster Universities Osteoarthritis Index, VAS, and EuroQOL 5 dimensions questionnaire. RESULTS: Obesity with low muscle mass was diagnosed in 6 males subjects (7.8%) and 9 female subjects (1.9%). Patients with obesity and low muscle mass performed the SCT-ascent and descent significantly slower than other body composition groups in both males and females. TUG in males and gait speed in females were also significantly slower in the obesity with low muscle mass group. Stepwise multiple linear regression analysis revealed that in males, obesity with low muscle mass was significantly predictive of SCT ascent (β = 0.409, p < 0.001), SCT-descent (β = 0.405, p < 0.001), and TUG (β = 0.283, p = 0.009), and in females, obesity with low muscle mass was significantly predictive of SCT-ascent (β = 0.231, p < 0.001), SCT-descent (β = 0.183, p < 0.001), and gait speed (β=-0.129, p = 0.004). CONCLUSIONS: This study confirms that the combination of obesity and low muscle mass is associated with impaired physical function in patients with end-stage knee osteoarthritis.
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 ».