Measuring static and dynamic lower limb alignment in patients with advanced knee osteoarthritis using markerless motion capture
Notice bibliographique
Résumé
PURPOSE: Marked lower limb malalignment is associated with the progression of knee osteoarthritis (OA). Markerless motion capture is a computer-vision tool that can measure lower limb alignment throughout both static and dynamic tasks. RESEARCH QUESTIONS: The primary objective of the study was to quantify static and dynamic lower limb alignment for patients diagnosed with advanced medial and lateral knee OA. This analysis also explored sex differences in alignment from the static and dynamic tasks. The secondary objective was to investigate if the mean knee adduction angle during quiet standing and the peak knee adduction angle during the first half of stance of gait were associated. METHODS: Ninety-two patients (37 male, 55 female) diagnosed with advanced knee OA (83 with predominantly medial knee OA, and 9 with predominantly lateral knee OA) completed a quiet standing task and a gait task for markerless motion capture using Theia3D software. Two-way analysis of variance tests were used to investigate sex differences and unpaired t-tests were computed to compare knee OA groups. RESULTS: Statistically significant differences in the knee adduction angle were found between medial and lateral knee OA groups during quiet standing (p < 0.001) and the first half of stance of gait (p < 0.0001). A strong correlation was found (Spearman's ρ = 0.86, p < 0.0001) in lower limb alignment between the static and gait tasks. SIGNIFICANCE: These results show how markerless technology was able to quantify lower limb alignment and demonstrates potential for integration into clinic to assess musculoskeletal diseases.
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 | 0,000 | 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 ».