Determining optimal diet/exercise treatment assignment for patients with symptomatic knee osteoarthritis using baseline gait forces.
Notice bibliographique
Résumé
We examined whether precision medicine models to determine the optimal treatment regimen for participants in an 18-month diet (D), exercise (E), and D + E trial for knee osteoarthritis (KOA) could be further improved with the addition of baseline gait forces (ground reaction, muscle, compressive, and shear forces).We used data from 286 participants in the Intensive Diet and Exercise for Arthritis trial (IDEA). Four machine learning models were used to develop individualized treatment rules for change in outcomes: weight, WOMAC (Western Ontario and McMaster Universities Osteoarthritis Index) pain/function/stiffness, tibiofemoral compressive forces, plasma Interleukin-6 levels, and SF-36 physical component score. We selected the optimal model for each outcome and compared it to the optimal fixed treatment model as well as the optimal model excluding gait forces.We found no statistically significant differences between estimated values of any zero order models (ZOMs) and optimal precision medicine models (PMMs) with gait, nor between optimal PMMs with and without gait. For several outcomes, the optimal PMM without gait performed slightly better than the optimal PMM with gait. The only outcome for which the PMM resulted in a higher estimated value than both the ZOM and the PMM without gait was WOMAC function change.PMMs exhibited no statistically significant differences in estimated values for 18-month change in outcomes when including gait forces. Although potentially underpowered, these results suggest that gait forces, although involved in the KOA phenotype, may not meaningfully influence diet/exercise treatment outcomes for individuals with obesity and symptomatic KOA.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».