MétaCan
Menu
Retour à la cohorte
Enregistrement W4212875595 · doi:10.1002/jor.25302

Forecasting neuromuscular recovery after anterior cruciate ligament injury: Athlete recovery profiles with generalized additive modeling

2022· article· en· W4212875595 sur OpenAlexafffund
Matthew J. Jordan, Nathaniel Morris, Jeremiah Barnert, Drew Lawson, Isabel Aldrich Witt, Walter Herzog

Notice bibliographique

RevueJournal of Orthopaedic Research® · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueKnee injuries and reconstruction techniques
Établissements canadiensCanadian Bio-Systems (Canada)University of Calgary
Organismes subventionnairesMitacsKillam Trusts
Mots-clésAnterior cruciate ligament reconstructionAnterior cruciate ligamentPhysical medicine and rehabilitationMedicinePlyometricsConcentricFunctional movementACL injuryJumpSurgeryMathematics

Résumé

récupéré en direct d'OpenAlex

Abstract A retrospective analysis of longitudinally collected athlete monitoring data was conducted to generate a model of neuromuscular recovery after anterior cruciate ligament (ACL) injury and reconstruction (ACLR). Neuromuscular testing data including countermovement jump (CMJ) force‐time asymmetries and knee extensor strength (maximum voluntary contractionext) asymmetries (between‐limb asymmetry index—AI) were obtained from athletes with ACLR using semitendinosus (ST) autograft (n = 29; AI measurements: n = 494), bone patellar tendon bone autograft (n = 5; AI measurements: n = 88) and noninjured controls (n = 178; AI measurements: n = 3188). Explosive strength measured as the rate of torque development was also calculated. CMJ force‐time asymmetries were measured over discrete movement phases (eccentric deceleration phase, concentric phase). Separate additive mixed effects models (additive mixed effects model [AMM]) were fit for each AI with a main effect for the surgical technique and a smooth term for the time since surgery (days). The models explained between 43% and 91% of the deviance in neuromuscular recovery after ACLR. The mean time course was generated from the AMM. Comparative neuromuscular recovery profiles of an athlete with an accelerated progression and an athlete with a delayed progression after a serious multiligament injury were generated. Clinical Significance: This paper provides a new perspective on the utility of longitudinal athlete monitoring including routine testing to develop models of neuromuscular recovery after ACLR that can be used to characterize individual progression throughout rehabilitation.

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)0,005
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,029

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,042
Tête enseignante GPT0,316
Écart entre enseignants0,275 · 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'étudeObservationnel
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

Citations17
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Orthopaedic Research®Même sujetKnee injuries and reconstruction techniquesTravaux en français237 207