Measurement Error in Osteometric, Photographic, and Virtual Methodologies to Quantify the Torsional Profile of the Lower Limb
Notice bibliographique
Résumé
OBJECTIVES: The torsional profile of the lower limb consists of femoral torsion, tibial torsion, and talar neck angle. Due to high levels of inter-individual variation and a lack of defining landmarks, these variables are difficult to precisely measure. It is important to ensure torsional profile measurement methodologies are repeatable, so that studies evaluating these variables can be compared. MATERIALS AND METHODS: Two observers collected torsional profile and linear measurements from the femur, tibia, and talus of 20 individuals using osteometric, photographic, and virtual methodologies. Intra- and interobserver error were assessed using the technical error of measurement (TEM), %TEM, and coefficient of reliability. Comparability between methods was evaluated using correlations, reduced major axis regression, and reduced mean squared error. Two methods for measuring the torsional profile were compared: a landmark method and a shape-fitting method. RESULTS: Observer error was low for linear measurements. Torsional profile measurements have higher intra- and interobserver error and lower comparability between methods than linear measurements. Shape-fitting methods for femoral torsion lowered observer error but did not improve methodological comparability. Shape-fitting methods for tibial torsion did not substantially alter observer error but improved method comparability. Shape-fitting methods for talar neck angle greatly improved method comparability, but not observer error. DISCUSSION: Linear measurements have low observer error and are highly comparable between osteometric and virtual methods. There is greater observer error and lower comparability between measurement modalities for angular measurements. Shape-fitting is a promising way to reduce observer error when measuring the torsional profile.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».