MétaCan
Menu
Retour à la cohorte
Enregistrement W4413113443 · doi:10.1371/journal.pone.0328054

Investigating the impact of dehydration and hydration on In-Vivo hip soft tissue biomechanics

2025· article· en· W4413113443 sur OpenAlexafffund
Fatemeh Khorami, Yalda Foroutan, Carolyn J. Sparrey

Notice bibliographique

RevuePLoS ONE · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueBody Composition Measurement Techniques
Établissements canadiensInternational Collaboration On Repair DiscoveriesSimon Fraser University
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésBiomechanicsSoft tissueMedicineBiomedical engineeringAnatomySurgery

Résumé

récupéré en direct d'OpenAlex

Hip soft tissue biomechanics has a significant effect on hip loading and fracture risk during falls. Despite the high dehydration rate in older adults, athletes, and outdoor workers and its association with a higher risk of falls, the effect of dehydration on hip soft tissue biomechanics is unknown. Twenty participants (13 females and 7 males, aged 18-35) underwent indentation tests and ultrasound imaging over the greater trochanter in both hydrated and dehydrated states. We assessed the hydration levels using a urine color chart and measured the tissue thicknesses via ultrasound. Results showed a significant increase in peak force (from 12.67 ± 9.09 N to 15.46 ± 9.23 N, p < 0.05) under dehydration. We observed notable sex differences, with males exhibiting higher stiffness and energy absorption than females, despite variations in peak force. Fat thickness emerged as a critical predictor of biomechanical response, particularly in the dehydrated state. These findings underscore the importance of hydration in maintaining soft tissue integrity and reducing injury risks. Future work should explore chronic dehydration effects and include broader demographic variations to enhance fall prevention strategies and clinical practice. This research also highlights the need for targeted hydration management in at-risk populations.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,214

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,057
Tête enseignante GPT0,307
Écart entre enseignants0,250 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetBody Composition Measurement TechniquesTravaux en français237 207