Descriptive Epidemiology of Musculoskeletal Injuries and Concussions in the National Football League, 2012-2014
Notice bibliographique
Résumé
BACKGROUND: The risk of all-cause injury and concussion associated with football is significant. The National Football League (NFL) has implemented changes to increase player safety warranting investigation into the incidence and patterns of injury. PURPOSE: To document the incidence and patterns of all-cause injury and concussions in the NFL. STUDY DESIGN: Descriptive epidemiology study. METHODS: Injury data were collected prospectively from official NFL injury reports over 2 regular seasons from 2012 to 2014, with identification of injury incidence rates and patterns. Concussion rate ratios were calculated using previously reported NFL rates. RESULTS: A total of 4284 injuries were identified, including 301 concussions. The all-cause injury rate was 395.8 per 1000 athletes at risk (AAR) and concussion incidence was 27.8 per 1000 AAR. Only 2.3% of team games were injury free. Wide receivers, tight ends, and defensive backs had the highest incidence of injury and concussion. Concussion incidence was 1.61-fold higher in 2012 to 2014 compared with 2002 to 2007. The knee was injured most frequently, followed by the ankle, hamstring, shoulder, and head. CONCLUSION: The incidence of all-cause injury and concussion in the NFL is significant. Concussion injury rates are higher than previous reports, potentially reflecting an improvement in recognition and awareness. Injury prevention efforts should continue to reduce the prevalence of injury associated with football.
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 | 0,013 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».