Accuracy of the Automated Range of Motion Observer and Reporter Software for Fully Automated Joint Measurement From Patient Videos
Notice bibliographique
Résumé
INTRODUCTION: Accurate assessment of joint range of motion (ROM) is essential for diagnosing and managing upper extremity injuries. Universal goniometers are the most used tools for measuring ROM, but they require skilled observers and are limited by interobserver variability. An automated system for measuring joint range of motion from patient videos could facilitate standardized reporting of outcomes after reconstructive surgery. METHODS: An Automated Range of Motion Observer and Reporter (ARMOR) software was developed as an autonomous, video-based ROM measurement tool leveraging OpenCV pose estimation. ARMOR was used to assess upper extremity range of motion and was validated against photography-based (photogoniometry) and manual goniometry in a cohort of brachial plexus surgery patients. RESULTS: The correlation coefficients comparing ARMOR to manual goniometry were above 0.90 for all motion tasks, except for elbow flexion. For shoulder flexion, the mean difference between ARMOR and manual goniometry was more than 14° smaller than the difference for photogoniometry. Mean differences for shoulder abduction were similar between ARMOR and photogoniometry. CONCLUSION: ARMOR's accuracy in assessing shoulder ROM, independence from human observer bias, and telemedicine compatibility makes it a promising solution for consistent and accessible ROM assessment. The autonomous nature of the software enhances the data collection workflow for clinical researchers while eliminating interrater variability.
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 | 0,002 | 0,008 |
| 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 ».