How many observations in the reference dataset are required to compute a consistent Gait Deviation Index & Gait Profile Score?
Notice bibliographique
Résumé
BACKGROUND: The Gait Deviation Index (GDI) and the Gait Profile Score (GPS) are the most used scores to sum up gait deviations and are used as primary outcomes in many clinical studies. They are considered as equivalent scores. The computation of these scores is based on a reference dataset but often no description is provided. Among other characteristics, the number of observations needed and its possible influence on the computation of the scores remains unknown. RESEARCH QUESTION: Define the number of observations needed in the reference dataset to compute consistent and reliable GDI and GPS. METHODS: Fifty individuals with cerebral palsy (CP) were randomly selected from our laboratory database. Both scores were computed based on the reference dataset of Schwartz et al. (2008). A bootstrap analysis was performed, for every individual, to assess the effect of the number of observations on both scores. N number of observations were randomly selected, with replacement, from the reference dataset. This procedure was repeated 2000 times for every individual and every N and performed from N = 5 to N = 165 with an increment of 5. The 95 % of the absolute error distribution was considered for every individual and every N. The smallest detectable change (SDC) for both scores was considered as a threshold (GDI: 10.8; GPS:1.3°) to determine the minimum N required. RESULTS AND SIGNIFICANCE: A minimum of 90 and 20 observations are required to compute consistent GDI and GPS, respectively. The number of observations has a higher impact on the GDI than the GPS, mainly because the GPS calculation does not rely on the standard deviation (SD). Furthermore, the GDI absolute error seems to be higher in individuals with greater gait deviations, i.e. lower GDI value. This effect was not observed on the GPS. In the case of a small reference dataset, the GPS should therefore be preferred.
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 | 0,024 | 0,109 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 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 ».