Reliability Of Joint Moments During Treadmill Running At Varying Speeds And Timepoints
Notice bibliographique
Résumé
Joint moments at the ankle, knee, and hip explain the forces acting on these joints during the stance phase of running and have been associated with the development of certain running-related injuries (Ceyssens et al., 2019). While the reliability of kinematic data has been well-studied, the reliability of joint moment data during treadmill running at varying speeds remains unexplored (McGinley et al., 2009). PURPOSE: This study aimed to investigate the short and long-term reliability of joint moment data (ankle, knee, and hip) during treadmill running at different speeds. METHODS: Fourteen healthy recreational runners (8 males, 6 females; age 27.6 ± 4.8 years; BMI: 22.4 ± 2.53 kg/m2) completed 30-second running trials at three speeds (2.5, 3.0, and 3.5 m/s) on an instrumented treadmill across three sessions (baseline, 1 week, and 3 months). Joint moments normalized to body mass were calculated for peak moments at each joint: Peak Ankle Dorsiflexion, Peak Ankle Eversion, Peak Knee Flexion, and Peak Hip Adduction. Reliability metrics, including the Intraclass Correlation Coefficient (ICC), Minimum Detectable Change (MDC), and Typical Error (TE), were calculated to analyze their short and long-term reliability. RESULTS: Moderate to strong reliability with low TE and MDC values were observed across all variables. Short-term reliability was superior to long-term reliability, with speed having no significant effect. The knee and hip joints demonstrated lower reliability compared to the ankle joint. CONCLUSION: The lower reliability at the knee and hip joints may be due to greater soft tissue artefact more proximally (Reinschmidt et al., 1997). Reduced reliability over the long term may be attributed to natural variability in a runner's gait pattern. Clinically, establishing a minimum detectable change is crucial for accurately assessing true joint moment changes and evaluating interventions, such as gait modifications, aimed at reducing injury risk.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».