A METHOD TO GENERATE DIGITAL POPULATIONS FOR FINITE ELEMENT ANALYSIS OF SPINAL CORD INJURY FROM MRIS
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Spinal cord injuries (SCIs) are a devastating outcome following a mechanical impact to the spine, which translates into the constituent tissues of the spinal cord. Since the biomechanics of human SCIs are often unknown, representative animal models are used to study the injury, and computational models are used to study the injury biomechanics. Morphological variability is a key influencing factor in SCI outcomes and is inherently captured in both human SCI incidents and animal experiments, but computational models of SCI often investigate findings in a single geometry and thus, morphological variability is neglected. In this study, we present an approach to incorporate morphological differences into a computational model of a unilateral contusion injury in nonhuman primates (NHP). Pre-injury MRIs of subjects [Formula: see text] were parameterized using four parameters, including the diameters of the cord and canal in both the mediolateral and anterior-posterior axes and inputted into a Python code to generate new geometries within the measured range. The code was used to generate a digital population [Formula: see text] and their average morphology and variability matched that seen in the real NHP subjects. A subset of the geometries [Formula: see text] was used to simulate a unilateral contusion, and the predicted peak forces [Formula: see text] were close to values seen in NHP experiments. Morphological variability alone accounted for a 10% variability in the peak forces experienced by the cord. This study highlights the importance of using multiple geometries in computational models to ensure findings are more robust and clinically translatable.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 découle