In Vitro Assessment of Knee Joint Biomechanics Using a Virtual Anterior Cruciate Ligament Reconstruction
Notice bibliographique
Résumé
Understanding the biomechanical impact of injuries and reconstruction of the anterior cruciate ligament (ACL) is vital for improving surgical treatments that restore normal knee function. The purpose of this study was to develop a technique that enables parametric analysis of the effect of the ACL reconstruction (ACLR) in cadaver knees, by replacing its contributions with that of a specimen-specific virtual ACLR that can be enabled, disabled, or modified. Twelve ACLR reconstructed knees were mounted onto a motion simulator. In situ ACLR graft forces were measured using superposition, and these data were used to design specimen-specific virtual ACLRs that would yield the same ligament force-elongation behaviors. Tests were then repeated using the virtual ACLR in place of the real ACLR and following that in ACL deficient knee by disabling the virtual ACLR. In comparison to the ACL deficient state, the virtual ACLRs were able to restore knee stability to the same extent as real ACLRs. The average differences between the anterior tibial translation (ATT) of the virtual ACLR versus the real ACLR were +1.6 ± 0.9 mm (p = 0.4), +2.1 ± 0.4 mm (p = 0.4), and +1.0 ± 0.9 mm (p = 0.4) during Anterior drawer, Lachman and Pivot-shift tests, respectively, which is small in comparison to the full ATT range of motion (ROM) of these knees. Therefore, we conclude that a virtual ACLR can be used in place of real ACLR during biomechanical testing of cadaveric knees. This capability opens the door for future studies that can leverage parameterization of the ACLR for surgical design optimization.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 ».