Risk prediction of anterior cruciate ligament injuries: a new model
Bibliographic record
Abstract
Il est estimé qu’un million de déchirures de ligaments croisés antérieurs (LCA) surviennent chaque année au Canada et aux États-Unis. Ces blessures résultent en une diminution de participation des athlètes à leur sport ainsi qu’une diminution des niveaux d’activité physique de manière globale, ce qui présente non-seulement des désavantages sur la santé physique, mais qui cause aussi de la souffrance personnelle. À l’encontre de plusieurs cadres de pensé actuels, la solution à ce problème se trouve dans la prévention primaire des blessures et non dans l’innovation de nouvelles techniques chirurgicales pour assurer une bonne guérison des blessures. Un des grands enjeux dans la prévention primaire est l’identification des individus à risque élevé. Une des méthodes utilisées pour l’évaluation des blessures du LCA est l’analyse du mouvement, qui est réalisée dans des laboratoires précis à ces fins. L’analyse du mouvement a déjà démontré que la biomécanique observée lors des sauts standardisés peut prédire, de manière fiable, le risque de blessure au genou. Ces systèmes sont malheureusement très dispendieux et sont seulement disponibles dans des centres de recherche de haut calibre. Notre but est de développer un outil qui peut prédire le risque de blessure du LCA, ce qui permettrait d’identifier les athlètes qui présentent un risque élevé de blessure du LCA. En intégrant les atouts de la technologie moderne avec celles de la médecine actuelle, nous avons développé une application électronique facile d’accès et d’utilisation, qui peut être téléchargée sur n’importe quel ordinateur à condition qu’il soit équipé d’une caméra avec capture 3-D. Cette application à bas coût peut enregistrer, et analyser les mouvements biomécaniques d’un individu et, à l’aide d’angles pronostiques de sauts, déterminer le risque de blessure. Nos données ont démontré de résultats comparables au système d’analyse du mouvement, fournissant une méthode d’évaluation alternative pour la détermination du risque de blessure du LCA. Notre système pourra éventuellement informer des programmes de prévention, dans le but de réduire le nombre de blessures du LCA subit chaque année
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".