Parents can reliably and accurately detect trunk asymmetry using an inclinometer smartphone app
Notice bibliographique
Résumé
PURPOSE: An inclinometer smartphone application has been developed to enable the measurement of the angle of trunk inclination (ATI) to detect trunk surface asymmetry. The objective was to determine the reliability and validity of the smartphone app in the hands of non-professionals. METHODS: Three non-professional observers and one expert surgeon measured maximum ATI twice in a study involving 69 patients seen in the spine clinics to rule out scoliosis or for regular follow-up (10-18 y.o., Cobb [0°-58°]). Observers were parents not familiar with scoliosis screening nor use of an inclinometer. They received training from a 4-minute video. Intra and inter-observer reliability was determined using the generalizability theory and validity was assessed from intraclass correlation coefficients (ICC), agreement with the expert on ATI measurements using Bland-Altman analysis, and correct identification of the threshold for consultation (set to ≥6° ATI). RESULTS: Intra-observer and inter-observer reliability coefficients were excellent ϕ = 0.92. The standard error of measurement was 1.5° (intra-observer, 2 measurements) meaning that a parent may detect a change of 4° between examinations 95% of the time. Comparison of measurements between non-professionals and the expert resulted in ICC varying from 0.82 [0.71-0.88] to 0.84 [0.74-0.90] and agreement on the decision to consult occurred in 83 to 90% of cases. CONCLUSION: The use of a smartphone app resulted in excellent reliability, sufficiently low standard error of measurement (SEM) and good validity in the hands of non-professionals. The device and the instructional video are adequate means to allow detection and regular examination of trunk asymmetries by non-professionals.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».