Repeatability of Knee Kinematic Gait Outcomes Using a Novel Hospital Hallway Setup of a Markerless Motion Capture System
Notice bibliographique
Résumé
Instrumented gait analysis has traditionally been isolated to laboratory, marker-based optoelectronic motion capture systems, which limits clinical uptake. Markerless motion capture (MMC) systems driven by trained machine learning algorithms offer high-throughput solutions for translational clinical opportunities. The aim of this study was to examine the day-to-day repeatability of discrete knee kinematic gait metrics in a healthy population using an MMC system uniquely installed in a hospital hallway. Twenty healthy adults (13 females, 7 males) participated in 3 overground hallway gait sessions, on average 11 days apart, using a novel MMC system setup. Intraclass correlation coefficients, standard errors of measurement, and minimal detectable changes were examined for each gait outcome. Results indicated good-to-excellent repeatability, with most (7/8) outcomes having intraclass correlation coefficient values over .86. Standard error of measurement values for all kinematic outcomes were less than 2.0°, and minimal detectable change values were less than 4.7°. Our novel setup of a hospital hallway MMC system produced highly repeatable gait kinematic metrics in a population of healthy adults. Repeatability errors from this study can be used as a healthy reference for future applications of this system.
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 | 0,002 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».