MétaCan
Menu
Retour à la cohorte
Enregistrement W3178286639 · doi:10.21203/rs.3.rs-690831/v1

Bioimpedance Measurement of Knee Injuries using Bipolar Electrode Configuration

2021· preprint· en· W3178286639 sur OpenAlexaff
Xuanjie Ye, Lexi Wu, Kaining Mao, Yiwei Feng, Xianfeng Lin, Jie Chen

Notice bibliographique

RevueResearch Square · 2021
Typepreprint
Langueen
DomaineMedicine
ThématiqueBody Composition Measurement Techniques
Établissements canadiensUniversity of Alberta
Organismes subventionnairesChina Scholarship Council
Mots-clésMedicineElectrodeKnee JointBiomedical engineeringPhysical medicine and rehabilitationPhysical therapySurgeryPhysics

Résumé

récupéré en direct d'OpenAlex

Abstract Currently, there is no suitable solution for the point-of-care of knee injuries. A potential portable and low-cost technique for accessing and monitoring knee injuries is bioimpedance measurement. This study validated the feasibility of the bipolar electrode configuration for knee bioimpedance measurements with two electrodes placed on a fixed pair of knee acupuncture locations called Xiyan. Then, the study collected 82 valid samples to investigate the relationship between bioimpedance and knee injuries, among whom 45 patients, each with one healthy knee and one injured knee, and 37 individuals all with healthy knees. The self-contrast results indicated that knee injuries caused a reduction of bioimpedance of the knee by about 5% on average, which was detectable at around 100 kHz (p ≈ 0.001). Furthermore, the results analyzed by principal component analysis and support vector machines show that the detection sensitivity can reach 91.11% using the leave-one-out cross-validation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,156
Tête enseignante GPT0,429
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueResearch SquareMême sujetBody Composition Measurement TechniquesTravaux en français237 207