MétaCan
Menu
Retour à la cohorte
Enregistrement W4226087830 · doi:10.14283/jfa.2022.21

Recommendations for Reducing Heterogeneity in Handgrip Strength Protocols

2022· article· en· W4226087830 sur OpenAlexaff
Ryan McGrath, P M Cawthon, Brian C. Clark, Roger A. Fielding, Justin J. Lang, Grant R. Tomkinson

Notice bibliographique

RevueThe Journal of Frailty & Aging · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueNutrition and Health in Aging
Établissements canadiensCarleton UniversityPublic Health Agency of Canada
Organismes subventionnairesnon disponible
Mots-clésProtocol (science)Consistency (knowledge bases)Measure (data warehouse)DynamometerMedicineRisk analysis (engineering)Function (biology)Instrumentation (computer programming)Reliability engineeringComputer scienceData miningArtificial intelligenceEngineeringPathologyMechanical engineeringAlternative medicine

Résumé

récupéré en direct d'OpenAlex

Handgrip dynamometers are widely used to measure handgrip strength (HGS). HGS is a safe and easy to obtain measure of strength capacity, and a reliable assessment of muscle function. Although HGS provides robust prognostic value and utility, several protocol variants exist for HGS in clinical settings and translational research. This lack of methodological consistency could threaten the precision of HGS measurements and limit comparisons between the growing number of studies measuring HGS. Providing awareness of the protocol variants for HGS and making suggestions to reduce the implications of these variants will help to improve methodological consistency. Moreover, leveraging recent advancements in HGS equipment may enable us to use more sophisticated HGS dynamometer technologies to better assess muscle function. This Special Article will 1) highlight differences in HGS protocols and instrumentation, 2) provide recommendations to better specify HGS procedures and equipment, and 3) present future research directions for studies that measure HGS. We also provided a minimum reporting criteria framework to help future research studies avoid underreporting of HGS procedures.

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)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,599
Score d'incertitude au seuil0,274

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
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 recherche0,0000,001
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 Opus0,178
Tête enseignante GPT0,440
Écart entre enseignants0,262 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations30
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of Frailty & AgingMême sujetNutrition and Health in AgingTravaux en français237 207