The epidemiology of professional ice hockey injuries: a prospective report of six NHL seasons
Notice bibliographique
Résumé
BACKGROUND: There is a paucity of literature examining injury and illness rates in men's professional ice hockey. This study aimed to determine injury and illness rates in the NHL over six seasons, and identify predictors of injury-related time loss in this population. METHODS: This study involved an inclusive cohort of hockey players from all NHL teams competing in the 2006-2007 through 2011-2012 seasons. A standardised electronic injury surveillance system was used to report injury and illness events. The primary outcome was regular season and postseason time-loss injury/illness. The secondary outcome was man-games lost from the competition. RESULTS: On the basis of the estimated athlete exposures (AEs), the overall regular season incidence density was 15.6 injuries/1000 AEs and 0.7 illnesses/1000 AEs. Based on recorded time on ice, the injury rates were roughly threefold higher at 49.4 injuries/1000 player game-hours and 2.4 illnesses/1000 player game-hours. There was a reduction in injury rates over the 6-year period, with the greatest reduction between the 2007-2008 and 2008-2009 seasons. Multivariate predictors of time loss greater than 10 days were being a goalie (OR=1.68, 95% CI 1.18 to 2.38), being injured in a road game (OR=1.43, 95% CI 1.25 to 1.63) and the mechanism of injury being a body check (OR=2.21, 95% CI 1.86 to 2.62). CONCLUSIONS: There was an overall reduction in the time-loss injury and illness rates over six seasons. Being a goaltender, being injured on the road and being injured by a body check were the risk factors for time loss greater than five 'man games'.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,001 | 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 ».