Joint kinematics alone can distinguish hip or knee osteoarthritis patients from asymptomatic controls with high accuracy
Notice bibliographique
Résumé
Osteoarthritis (OA) is one of the leading musculoskeletal disabilities worldwide, and several interventions intend to change the gait pattern in OA patients to more healthy patterns. However, an accessible way to follow up the biomechanical changes in a clinical setting is still missing. Therefore, this study aims to evaluate whether we can use biomechanical data collected from a specific activity of daily living to help distinguish hip OA patients from controls and knee OA patients from controls using features that potentially could be measured in a clinical setting. To achieve this goal, we considered three different classes of statistical models with different levels of data complexity. Class 1 is kinematics based only (clinically applicable), class 2 includes joint kinetics (semi-applicable under the condition of access to a force plate or prediction models), and class 3 uses data from advanced musculoskeletal modeling (not clinically applicable). We used a machine learning pipeline to determine which classification model was best. We found 100% classification accuracy for KneeOA-vs-Asymptomatic and 93.9% for HipOA-vs-Asymptomatic using seven features derived from the lumbar spine and hip kinematics collected during ascending stairs. These results indicate that kinematical data alone can distinguish hip or knee OA patients from asymptomatic controls. However, to enable clinical use, we need to validate if the classifier also works with sensor-based kinematical data and whether the probabilistic outcome of the logistic regression model can be used in the follow-up of patients with 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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».