Performing a Three-Dimensional Finite Element Analysis to Simulate and Quantify the Contact Pressure in the Canine Elbow Joint: A Pilot Study
Notice bibliographique
Résumé
Abstract Objective The aim of this study was to measure surface pressures and force distribution on radius and ulna in healthy and dysplastic elbow joints in different positions using the finite element analysis (FEA). Study Design FEA was performed on computed tomographic data of healthy and fragmented coronoid process diseased elbow joints of Labrador Retrievers. It considered the articular cartilage, collateral ligaments, triceps and biceps muscle. The analysis of each joint was performed in four positions (standing position: 145 degrees and three positions of the stance phase of gait: beginning: 115 degrees, middle: 110 degrees, end: 145 degrees joint angle) in consideration of different ground reaction forces (standing: 88.3 N; stance phase of gait: 182.5 N). Results Mean values of total force of 317.5 N (standing), 590.7 N (beginning), 330.9 N (middle) and 730.9 N (end) were measured. The percentual force distribution resulted in a total of 49.56 ± 26.58% on the ulna with a very inhomogeneous distribution. A significant difference was detected between the positions ‘standing’ and ‘end’ (p = 0.0497) regardless of the joint condition. In some FEA results, visual assessment of the surface pressures indicated an increase in pressure in the region of the medial compartment without a uniform pattern. An increase in pressure resulted in an area increase in the pressure marks on the joint surface and measurable pressure was increased at a larger joint angle. Clinical Significance FEA can provide information about the transmission of force in the joint. Prior to the use of FEA in scientific clinical research for the simulation of force, further model improvements are necessary.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».