VALIDATING THE 3-STEP RETURN TO PLAY DECISION MAKING MODEL
Notice bibliographique
Résumé
Background A recent return to play decision-making (RTP-DM) model for sport medicine has organized the underlying concepts into 3 steps but has not yet been validated. Objective To examine the validity of the 3-step RTP-DM model recently proposed. Design Repeated measures cross-over survey design. Setting World-wide. Participants American College of Sports Medicine clinicians involved in RTP-DM. Risk factor assessment We provided clinical vignettes of injuries and illnesses in athletes to participants through an online survey. Each vignette included examples of 3 factor types: increasing injury severity, changing risk associated with sport (e.g. different positions), and changing non-injury risk factors (e.g. financial considerations). Main Outcome Measurements For each vignette, participants indicated the level of activity restriction they would recommend (6 options from No Restrictions to No Activity) in accordance with the risk they placed on continued participation. We analyzed the data using multiple regression, adjusting for the correlated participant outcomes, to measure how changes in factors affected individual participants. Results The estimated participation rate for those involved in RTP decisions was 24.7%. As expected, we found that clinicians increase restrictions as injury severity increases. We also found that changing factors related to sport risk, and changing factors that are unrelated to sport risk will affect RTP decisions, although the effect is context-dependent and does not occur equally across all injury severities and clinical cases. The effect was also observed in each subgroup examined that included sex, age, specialty, region of training, academic status, and years of experience making RTP decisions. Conclusions Our findings that clinicians from a wide variety of backgrounds will change RTP recommendations based on clinical vignettes with changing injury severity, sport risk modifiers and decision modifiers provides evidentiary support for the 3-step model for RTP decision making recently proposed.
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 | 0,028 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».