A practical comparison of three objective gait analysis systems in a diverse population of horses
Notice bibliographique
Résumé
Objective gait analysis systems can supplement veterinary lameness exams, but the agreement of many available systems is poorly understood. This study aims to compare the data from three commercially available systems across a diverse horse population with lameness originating from multiple limbs, to help guide clinical interpretation. A body-worn inertial measurement unit system (IMUS), an artificial intelligence app (AIA), and pressure sensing boots (PSB) were compared. Results from the three systems were analyzed to determine which limb each system reported as responsible for the most asymmetric movement. Comparing the AIA and IMUS in 31 horses, the two systems agreed on the limb resulting in the most asymmetrical movement for 87.1% of the population. For a subset (n=23) also equipped with the PSB, the IMUS and PSB agreed for 26.1% and the AIA and PSB agreed for 34.8% of the population. Objective gait analysis systems have the potential to be useful in aiding clinicians for both diagnosing and monitoring the treatment of musculoskeletal injuries. In cases of complex movement, mixed and inconsistent lameness presentations may create difficulties for both clinicians and objective gait systems to differentiate the movement results. When assessing cases of multi-limb lameness and/or complex movement patterns, collecting additional strides may be the best practice for the objective gait analysis systems to provide more consistent results. The authors concluded that the AIA and IMUS had comparable results when evaluating upper body kinematics in a diverse population of horses and the PSB needs further validation before more comparisons can be conducted.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| 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 ».