Injuries and terrain park feature use among snowboarders in alberta
Notice bibliographique
Résumé
Background Snowboarding is a popular and risky winter sport. Snowboarders perform tricks on man-made features in terrain parks, which may introduce additional risk. Objective To determine snowboard terrain park feature-specific injury rates and risk factors. Design Case-control study with exposure estimation. Setting A terrain park at a resort in Alberta, Canada, used for recreational and competitive snowboarding. Participants Cases were snowboarders injured in the terrain park who presented to the ski patrol or local emergency department (ED) (n=334). Controls were non-injured snowboarders using the terrain park (n=1262). The number of snowboarder-runs in the terrain park was recorded. Participants were recruited for two winter seasons. Assessment of risk factors Cases were identified from resort patient care records (PCRs) and ED logs. The PCRs captured demographic and environmental risk factors and injury assessment. Injured snowboarders were telephoned to determine exposure (feature used), listening to music and drugs/alcohol. Randomly selected controls were interviewed. Main outcome measurements Overall and feature-specific injury rates (per 1000 runs) were calculated. Cases and controls were compared for risk factor prevalence using multiple logistic regressions to estimate adjusted OR (aOR) and 95% CI. Results The overall injury rate was 0.75 injuries/1000 runs. Injury rates were highest on jumps (2.56/1000 runs), the half-pipe (2.56/1000 runs) and kickers (0.61/1000 runs). Compared with rails, the adjusted odds of injury were significantly higher on the half-pipe (aOR=9.6; 95% CI 4.8 to 19.3), jumps (aOR=4.3; 95% CI 2.7 to 6.8), mushroom (aOR=2.3; 95% CI 1.1 to 4.4) and kickers (aOR=2.0; 95% CI 1.3 to 3.1). The odds of severe injury (present to ED) versus minor injury did not differ by feature. Conclusions The injury rates and odds of injury were highest on features that facilitate aerial maneouvers. Resorts may consider marking all features to indicate difficulty and associated injury risk.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».