Development of Multibundle Virtual Ligaments to Simulate Knee Mechanics After Total Knee Arthroplasty
Notice bibliographique
Résumé
Preclinical evaluation of total knee arthroplasty (TKA) components is essential to understanding their mechanical behavior and developing strategies for improving joint stability. While preclinical testing of TKA components has been useful in quantifying their effectiveness, such testing can be criticized for lacking clinical relevance, as the important contributions of surrounding soft tissues are either neglected or greatly simplified. The purpose of our study was to develop and determine if subject-specific virtual ligaments reproduce a similar behavior as native ligaments surrounding TKA joints. Six TKA knees were mounted to a motion simulator. Each was subjected to tests of anterior-posterior (AP), internal-external (IE), and varus-valgus (VV) laxity. The forces transmitted through major ligaments were measured using a sequential resection technique. By tuning the measured ligament forces and elongations to a generic nonlinear elastic ligament model, virtual ligaments were designed and used to simulate the soft tissue envelope around isolated TKA components. The average root-mean-square error (RMSE) between the laxity results of TKA joints with native versus virtual ligaments was 3.5 ± 1.8 mm during AP translation, 7.5 ± 4.2 deg during IE rotations, and 2.0 ± 1.2 deg during VV rotations. Interclass correlation coefficients (ICCs) indicated a good level of reliability for AP and IE laxity (0.85 and 0.84). To conclude, the advancement of virtual ligament envelopes as a more realistic representation of soft tissue constraint around TKA joints is a valuable approach for obtaining clinically relevant kinematics when testing TKA components on joint motion simulators.
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 | 0,001 |
| 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 ».