Analysis of healthy glenohumeral arthrokinematics using four-dimensional computed tomography throughout internal rotation and forward elevation
Notice bibliographique
Résumé
Background: The glenohumeral (GH) joint is the most mobile joint in the human body and can translate, as well as rotate in its socket. Currently, it is not well established in literature how much the healthy humeral head translates, and how that changes overtime as people age. The objective of this study is to quantify GH joint proximity and translation in healthy participants and determine if there are any age-related, position-related, or direction-related differences. Methods: Thirty-one participants were recruited for this study and split into 2 cohorts: young (aged ≤ 37 years) and old (aged ≥ 45 years). Four-dimensional computed tomography scans were taken as these participants completed internal rotation (IR) to the back and forward elevation. Three-dimensional bone models of the humerus and scapula were created using 3D Slicer. An interbone distance algorithm and an iterative closest point algorithm were used to determine GH joint proximity and translation, respectively. Results: This study found that older participants displayed significantly closer joint proximity (63% of glenoid surface was within 4 mm of humeral head) during the middle of IR, compared to younger participants (52% of glenoid surface within 4 mm of humeral head). Additionally, younger participants had significantly more translation in the superior/inferior direction (16% of glenoid height) compared to the anterior/posterior direction (10% of glenoid width) throughout IR. Conclusion: This study demonstrates the significance of translational movements within the GH joint throughout IR and forward elevation, which will aid implant manufacturers in designing implants that will allow for more normalized GH translations.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».