Precision Errors and Monitoring Time Interval in Pediatric Muscle Imaging and Neuromuscular Performance Assessment.
Notice bibliographique
Résumé
OBJECTIVES: To determine precision errors and monitoring time intervals in imaged muscle properties and neuromuscular performance, and to explore growth-related factors associated with precision errors in children. METHODS: We included 35 children (mean age 10.5yrs) in the precision study cohort and 40 children (10.7yrs) in the follow-up study cohort. We assessed forearm and lower leg muscle properties (area, density) with peripheral quantitative computed tomography. We measured neuromuscular performance via maximal pushup, grip force, countermovement and standing long jump force, power, and impulse along with long jump length. We calculated precision errors (root-mean-squared coefficient of variation) from the precision cohort and monitoring time intervals using annual changes from the follow-up cohort. We explored associations between precision errors (coefficient of variation) and maturity, time interval (between repeated measures), and anthropometric changes using Spearman's rank correlation (p<0.05). RESULTS: Muscle measures exhibited precision errors of 1.3-14%. Monitoring time intervals were 1-2.6yrs, except muscle density (>43yrs). We identified only one association between precision errors and maturity (maximal pushup force: rho=-0.349; p=0.046). CONCLUSIONS: Imaging muscle properties and neuromuscular performance measures had precision errors of 1-14% and appeared suitable for follow-up on ~2yr scales (except muscle density). Maximal pushup force appeared more repeatable in mature children.
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 | 0,007 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».