Characterizing In-Situ Metatarsal Fracture Risk During Simulated Workplace Impact Loading
Notice bibliographique
Résumé
Metatarsal fractures represent the most common traumatic foot injury; however, metatarsal fracture thresholds remain poorly characterized, which affects performance targets for protective footwear. This experimental study investigated impact energies, forces, and deformations to characterize metatarsal fracture risk for simulated in situ workplace impact loading. A drop tower setup conforming to ASTM specifications for testing impact resistance of metatarsal protective footwear applied a target impact load (22-55 J) to 10 cadaveric feet. Prior to impact, each foot was axially loaded through the tibia with a specimen-specific bodyweight load to replicate a natural weight-bearing stance. Successive iterations of impact tests were performed until a fracture was observed with X-ray imaging. Descriptive statistics were computed for force, deformation, and impact energy. Correlational analysis was conducted on donor age, BMI, deformation, force, and impact energy. A survival analysis was used to generate injury risk curves (IRC) using impact energy and force. All 10 specimens fractured with the second metatarsal being the most common fracture location. The mean peak energy, force, and deformation during fracture were 46.6 J, 4640 N, 28.9 mm, respectively. Survival analyses revealed a 50% fracture probability was associated with 35.8 J and 3562 N of impact. Foot deformation was not significantly correlated (p = 0.47) with impact force, thus deformation is not recommended to predict metatarsal fracture risk. The results from this study can be used to improve test standards for metatarsal protection, provide performance targets for protective footwear developers, and demonstrate a methodological framework for future metatarsal fracture research.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».