Computational methodology to study the effect of cable-stabilized knee brace on anterior cruciate ligament strain during single-leg jump landing
Notice bibliographique
Résumé
Knee bracing is commonly used for rehabilitation after ligament surgery. However, the effectiveness of knee bracing in preventing ligament injuries is not widely studied. This study aimed to develop a computational methodology to investigate the effectiveness of a novel type of cable-stabilized knee brace on anterior cruciate ligament (ACL) strain during single-leg jump landing. The brace features a compliant design with nonextensible pretensioned cables integrated within a compression tight garment. A combined in vivo/in silico method was developed for this purpose. A computational model of the cable-stabilized knee brace was developed with linked truss elements used to simulate the cable. The cables were integrated into an existing computational model of the knee. Subsequently, single-leg jump landing simulations were conducted on the model, using muscle forces and joint kinematic/kinetic profiles from 10 participants. Anterior cruciate ligament strain behaviors were then compared between the braced and unbraced configurations. The computational methodology was successful in simulating the differences in ACL strain because of the brace. The average peak ACL strain in the braced configuration was 4.99% ± 2.36% and in the unbraced configuration was 3.23% ± 2.31% ( p = 0.091). The methodology developed lays the groundwork for future advancements in optimizing the cable-stabilized knee brace design and refining its potential in preventing ligament injuries.
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) | 0,000 | 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) | 0,000 | 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 ».