Monitoring van kniebelasting bij patiënten met artrose in de knie op basis van gegevens uit de praktijk - Inzichten uit biomechanische modellering met behulp van draagbare sensoren
Notice bibliographique
Résumé
Osteoarthritis (OA) is the most common joint disease, that progressively undermines cartilage function. Knee OA Patients suffer from pain and impaired locomotor function. Patients minimize pain and optimize gait function through self-learned compensations. One of the first conservative treatment strategies in knee OA is intermittent pain medication, aiming to improve gait function by alleviating pain. To date no known cure or proven strategy exists for reducing progression from early to end-stage OA, thereby preventing the effective need for joint replacement prostheses. Altered joint loading - associated to obesity, malalignment, trauma or joint instability - is a critical risk factor for the onset and progression of OA. The impact of altered joint loadings in the movement patterns of the OA patients, knee joint loading should be accurately measured in clinical practise and real-life conditions. In the current project, we will first develop an innovative method based on wearable sensors, biomechanical modelling, to provide real-world data on knee joint loading during gait in patients with knee OA. Then, we will use the method to investigate how specific therapeutic interventions affect knee joint loading during gait in patients with knee OA. This project will allow to inform and help clinical practitioners with more complete joint loading measures and analysis that may on the long-term impact on the structural progression of the disease.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».