Return-to-Play in Sport: A Decision-based Model
Notice bibliographique
Résumé
OBJECTIVE: Return-to-play (RTP) decisions are fundamental to the practice of sports medicine but vary greatly for the same medical condition and circumstance. Although there are published articles that identify individual components that go into these decisions, there exists neither quantitative criteria nor a model for the sequence or weighting of these components within the medical decision-making process. Our objective was to develop a decision-based model for clinical use by sports medicine practitioners. DATA SOURCES: English literature related to RTP decision making. MAIN RESULTS: We developed a 3-step decision-based RTP model for an injury or illness that is specific to the individual practitioner making the RTP decision: health status, participation risk, and decision modification. In Step 1, the Health Status of the athlete is assessed through the evaluation of Medical Factors related to how much healing has occurred. In Step 2, the clinician evaluates the Participation Risk associated with participation, which is informed by not only the current health status but also by the Sport Risk Modifiers (eg, ability to protect the injury with padding, athlete position). Different individuals are expected to have different thresholds for "acceptable level of risk," and these thresholds will change based on context. In Step 3, Decision Modifiers are considered and the decision to RTP or not is made. CONCLUSIONS: Our model helps clarify the processes that clinicians use consciously and subconsciously when making RTP decisions. Providing such a structure should decrease controversy, assist physicians, and identify important gaps in practice areas where research evidence is lacking.
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 | 0,007 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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 ».