Neck Injury Risk in Out-of-Position Rear Impact Scenarios Using a Reference Geometry-Based Head Repositioning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
<div>Rear-end vehicle collisions may lead to whiplash-associated disorders (WADs), comprising a variety of neck and head pain responses. Specifically, increased axial head rotation has been associated with the risk of injuries during rear impacts, while specific tissues, including the capsular ligaments, have been implicated in pain response. Given the limited experimental data for out-of-position rear impact scenarios, computational human body models (HBMs) can inform the potential for tissue-level injury. Previous studies have considered external boundary conditions to reposition the head axially but were limited in reproducing a biofidelic movement. The objectives of this study were to implement a novel head repositioning method to achieve targeted axial rotations and evaluate the tissue-level response for a rear impact condition. The repositioning method used reference geometries to rotate the head to three target positions, showing good correspondence to reported interverbal rotations. Under a 7 g rear impact scenario, the head-turned models were compared with the neutral position and demonstrated increases in the maximum capsular ligament distractions. Increased head rotation was associated with increased ligament distractions. The locations with critical ligament distractions shifted to the lower cervical spine (below C3) and lateral portion of the capsular ligaments for the head-turned position cases. The proposed repositioning method introduced in this study enabled the model to achieve steady head rotations with realistic cervical spine movements, increasing the biofidelity of out-of-position rear impact simulations.</div>
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 découle