MétaCan
Menu
Retour à la cohorte
Enregistrement W3207152610 · doi:10.1177/19417381211043849

Regional Electromyography of the Infraspinatus and Supraspinatus Muscles During Standing Isometric External Rotation Exercises

2021· article· en· W3207152610 sur OpenAlexafffund
Rachel L. Whittaker, Talia Alenabi, Soo Y. Kim, Clark R. Dickerson

Notice bibliographique

RevueSports Health A Multidisciplinary Approach · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueShoulder Injury and Treatment
Établissements canadiensUniversity of SaskatchewanUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésIsometric exerciseRotator cuffElectromyographyMedicinePhysical medicine and rehabilitationSupraspinatus muscleRehabilitationExternal rotationPhysical therapyAnatomySurgery

Résumé

récupéré en direct d'OpenAlex

Background: Whole-muscle electromyography (EMG) data of the rotator cuff support external rotation (ER) strengthening exercises during shoulder rehabilitation. However, distinct neuroanatomic regions in the supraspinatus and infraspinatus exist. Differences in regional muscle activity occur during rehabilitation exercises, but little information is available for ER exertions. Hypothesis: Regional infraspinatus and supraspinatus muscle activity during standing ER exertions will differ with posture and intensity. Study Design: Descriptive laboratory study. Level of Evidence: Level 5. Methods: Twenty healthy individuals (12 men, 8 women) participated. Fine wire electrodes were inserted into 2 supraspinatus and 3 infraspinatus muscle regions. EMG data were recorded during standing isometric ER exertions at 2 intensities (maximal, submaximal) and in 7 postures defined by the angle (0°, 30°, 90°) and plane (abduction, scaption, flexion) of arm elevation. EMG data were normalized to maximum voluntary isometric contraction (% MVIC) to examine the influences of posture, intensity and their interaction on muscle activity. Results: Superior infraspinatus activity was higher in 0° of elevation (50.9% ± 5.7% MVIC) versus 30° of flexion (37.4% ± 3.9% MVIC) at maximal intensity. Inferior infraspinatus activity was higher in 90° of scaption (max = 59.8% ± 2.8% MVIC, submax = 29.4% ± 1.9% MVIC) versus 0° of elevation (max = 42.3% ± 4.5% MVIC, submax = 22.4% ± 2.8% MVIC) ( P = 0.02, P = 0.05, respectively). Anterior supraspinatus activity was highest in 90° of adbuction (max = 61.6% ± 3.1% MVIC; submax = 39.1% ± 3.8% MVIC) and lowest in 30° of flexion (max = 29.0% ± 3.4% MVIC, submax = 15.6% ± 1.7% MVIC) and 90° of flexion (max = 34.6% ± 2.4% MVIC, submax = 14.8% ± 1.9% MVIC). Posterior suprasptinatus activity was lowest in 0° of elevation (34.2% ± 3.0% MVIC), 30° of flexion (33.0% ± 3.6% MVIC) and highest in 90° of abduction (56.2% ± 4.1% MVIC) and 90° of scaption (46.7% ± 2.8% MVIC) (all Ps < 0.04). Conclusion: Regional infraspinatus and supraspinatus muscle activity differed with posture and intensity. Superior and middle infraspinatus muscle activities were similar across postures, but inferior infraspinatus activity was highest in 90° of arm elevation. Anterior and posterior supraspinatus activities were higher in the abduction and scaption planes, especially at 90° of elevation, as compared with the flexion plane. Clinical Relevance: In shoulder rehabilitation of supraspinatus tendon injuries, ER exercises in the flexion plane challenge the whole infraspinatus muscle and require lower supraspinatus muscle activity.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,025
Tête enseignante GPT0,311
Écart entre enseignants0,286 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations13
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueSports Health A Multidisciplinary ApproachMême sujetShoulder Injury and TreatmentTravaux en français237 207