TRAIN-KNEE: Developing a Haptic Manikin for Knee Injury Assessment Training
Notice bibliographique
Résumé
We present the design and implementation of a high-fidelity haptic manikin for knee injury assessment training. Currently, such training is conducted through direct instruction on live patients or peer-to-peer practice, which may limit exposure to multiple injury severities and raise ethical concerns. Our manikindevice aims to assist inexperienced practitioners in mastering an injury assessment technique specifically for the medial collateral ligament (MCL). We designed the manikin collaboratively with a certified clinician. Our design incorporates a commercial human knee joint model for accurate anatomical representation, materials that closely mimic human skin properties, an injury simulation mechanism for replicating MCL injuries, and pressure sensors to capture user-applied pressure during manipulation. We conducted threetwo evaluations: an internal test with our collaborating clinician to configure our manikin for four MCL injury conditions (i.e., healthy, grade 1, grade 2, and grade 3) using a psychophysics method; a subsequent study where 6 certified clinicians rated each condition for consistency and a technical evaluation measuring abduction range in the healthy and grade 3 configurations. Results show that our manikin can reliably displaydistinguish between healthy and unhealthy MCLs, with a sensitivity of 0.83 and specificity of 1.00 for healthy condition, and 1.00 and 0.83, respectively, for the unhealthy condition. However, further improvements are needed to accurately distinguish between injury gradesgrade 1, grade 2, and grade 3 injuries. Our manikin’s realistic weight and shape were highly praised, but there is room for improvement in simulating the skin texture. This work shows the potential of realistic simulators to enhance clinical training with standardized and repeatable practice.
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 ».