Sensor-Based Gait Retraining Lowers Knee Adduction Moment and Improves Symptoms in Patients with Knee Osteoarthritis: A Randomized Controlled Trial
Notice bibliographique
Résumé
The present study compared the effect between walking exercise and a newly developed sensor-based gait retraining on the peaks of knee adduction moment (KAM), knee adduction angular impulse (KAAI), knee flexion moment (KFM) and symptoms and functions in patients with early medial knee osteoarthritis (OA). Eligible participants (n = 71) with early medial knee OA (Kellgren-Lawrence grade I or II) were randomized to either walking exercise or gait retraining group. Knee loading-related parameters including KAM, KAAI and KFM were measured before and after 6-week gait retraining. We also examined clinical outcomes including visual analog pain scale (VASP) and Knee Injury and Osteoarthritis Outcome Score (KOOS) at each time point. After gait retraining, KAM1 and VASP were significantly reduced (both Ps < 0.001) and KOOS significantly improved (p = 0.004) in the gait retraining group, while these parameters remained similar in the walking exercise group (Ps ≥ 0.448). However, KAM2, KAAI and KFM did not change in both groups across time (Ps ≥ 0.120). A six-week sensor-based gait retraining, compared with walking exercise, was an effective intervention to lower medial knee loading, relieve knee pain and improve symptoms for patients with early medial 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 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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».