Assessing remedies for missing weekly individual exposure in sport injury studies
Notice bibliographique
Résumé
BACKGROUND: In sport injury epidemiology research, the injury incidence rate (IR) is defined as the number of injuries over a given length of participation time (exposure, eg, game hours). However, it is common that individual weekly exposure is missing due to requirements of personnel at every game to record exposure information. Ignoring this issue will lead to an inflated injury rate because the total exposure serves as the denominator of IR, where the number of injury cases were captured accurately. PURPOSE: This paper used data collected from a large community cohort study in youth ice hockey as an example, and compared six methods to handle missing weekly exposure of individual players. METHODS: The six methods to handle missing weekly exposures include available case analysis, last observation carried forward, mean imputation, multiple imputation, bootstrapping and best/worst case analysis. To estimate injury rate ratios (IRRs) between Alberta and Quebec, as in the original study, three statistical models were applied to the imputed datasets: Poisson, zero-inflated Poisson and negative binomial regression models. RESULTS: The final sample for imputation included 2098 players for whom 12.5% of weekly game hours were missing. Estimated IRs and IRRs with CIs from different imputation methods were similar when the proportion of missing was small. Simulations showed that mean and multiple imputations provide the least biased estimates of IRR when the proportion of missing was large. CONCLUSIONS: Complicated methods, like multiple imputation or bootstrap, are not superior over the mean imputation, a much simpler method, in handling missing weekly exposure of injury data where exposures were missing at random.
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 | 0,002 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».