Artificial intelligence-based volumetric analysis of muscle atrophy and fatty degeneration in patients with hip osteoarthritis and its correlation with health-related quality of life
Notice bibliographique
Résumé
PURPOSE: Artificial intelligence (AI) technologies have enabled precise three-dimensional analysis of individual muscles on computed tomography (CT) or magnetic resonance images via automatic segmentation. This study aimed to perform three-dimensional assessments of pelvic and thigh muscle atrophy and fatty degeneration in patients with unilateral hip osteoarthritis using CT and to evaluate the correlation with health-related quality of life (HRQoL). METHODS: The study included one man and 43 women. Six muscle groups were segmented, and the muscle atrophy ratio was calculated volumetrically. The degree of fatty degeneration was defined as the difference between the mean CT values (Hounsfield units [HU]) of the healthy and affected sides. HRQoL was evaluated using the Western Ontario and McMaster Universities Osteoarthritis (WOMAC) index and the Japanese Orthopaedic Association Hip Disease Evaluation Questionnaire (JHEQ). RESULTS: The mean muscle atrophy rate was 16.3%, and the mean degree of muscle fatty degeneration was 7.9 HU. Multivariate correlation analysis revealed that the WOMAC stiffness subscale was significantly related to fatty degeneration of the hamstrings, the WOMAC physical function subscale was significantly related to fatty degeneration of the iliopsoas muscle, and the JHEQ movement subscale was significantly related to fatty degeneration of the hip adductors. CONCLUSION: We found that fatty degeneration of the hamstrings, iliopsoas, and hip adductor muscles was significantly related to HRQoL in patients with hip osteoarthritis. These findings suggest that these muscles should be targeted during conservative rehabilitation for HOA and perioperative rehabilitation for THA.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 ».