AI-Powered Gait Analysis for Objective Evaluation of Epsom Salt Hot Water Application in Knee Osteoarthritis
Notice bibliographique
Résumé
Knee osteoarthritis (OA) refers to degenerative joint arthritis, which is chronically progressive in nature (involving the loss of cartilage, pain, stiffness, and impaired mobility), and frequently results in disability in older adults. Treatment methods like the use of Epsol salt hot water which is inexpensive and appreciated due to its ability to relax the muscles and also having magnesium can be used as non-pharmacological means of treatment. The effectiveness of such intervention is however assessed using traditional measurement scales that include Visual Analogue Scale (VAS) and Western Ontario and McMaster Universities Osteoarthritis Index (WOMAC) that are popular in the measurement of pain and functionality. They are subject to the limitations, such as recall bias, ceiling and floor effect, and restricted capacity of detecting small scale changes in functionality. The up-to-date AI technology of advances in artificial intelligence (AI) provides objective analysis based on gait and is used via smartphone-driven vision and marker less estimation of the pose, which enables improved precise measurement of walking speed, kneerelated flexion, and hip-knee-ankle (HKA) angle. These measures the biomechanical parameters which are directly related to mobility. The alternative measuring tool would be more beneficial to this AI based gait analysis due to its higher accuracy in estimating results. In addition to the benefit, these technologies also possess certain challenges in terms of sensitivity to environmental factors, positioning errors of the camera, lower validation in the diverse patient groups, and decreased accuracy of these technologies in the case of specific deformities, AI-based gait and alignment analysis can be used to enhance$O A$monitoring, personalization, and community rehab.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».