Restricted Inverse Kinematic Alignment Better Restores the Native Joint Line Orientation While Achieving Similar Balance, Laxity, and Arithmetic Hip-Knee-Ankle Angle to Gap Balancing Total Knee Arthroplasty
Notice bibliographique
Résumé
Background: Both restricted inverse kinematic alignment (iKA) and gap balancing aim for a balanced total knee arthroplasty by adjusting femoral component position based on ligamentous gaps. However, iKA targets a native tibial joint line vs resecting perpendicular to the mechanical axis. This study compares how these 2 techniques impact the balance and laxity throughout flexion and joint line obliquity (JLO), arithmetic hip-knee-ankle angle (aHKA), and the coronal plane alignment of the knee (CPAK). Methods: Two surgeons performed 75 robot-assisted iKA total knee arthroplasties. A digital joint tensioner collected laxity data throughout flexion before femoral resection. The femoral component position was determined using predictive gap-planning to optimize the balance throughout flexion. Planned gap balancing (pGB) simulations were performed for each case using neutral tibial resections. Mediolateral balance, laxity, and CPAK were compared among pGB, planned iKA (piKA), and final iKA. Results: > .05) between pGB and piKA. piKA recreated a more native CPAK distribution, with types I-V being the most common ones, while most pGB knees were of type V, VII, and III. Final iKA and piKA had similar mediolateral balance and laxity, with a root-mean-square error <1.4 mm. Conclusions: Although balance, laxity, and aHKA were similar between piKA and pGB, piKA better restored native JLO and CPAK phenotypes. The neutral tibial resection moved most pGB knees into types V, VII, and III. Surgeons should appreciate how the alignment strategy affects knee phenotypes.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
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 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 ».