Injury Rates and Profiles in Female Ice Hockey Players
Notice bibliographique
Résumé
BACKGROUND: Little data exist on injury rates and profiles in female ice hockey players. OBJECTIVE: To examine the incidence of injury in female ice hockey players and compare injury rates with those of male players. STUDY DESIGN: Prospective cohort study. METHODS: Six male and six female teams from the Canada West Universities Athletic Association were followed prospectively for one varsity season. Preseason medical history forms were completed by each player. Injury report forms and attendance records for each team session were submitted by team therapists. RESULTS: Male players reported 161 injuries, whereas female players reported 66 injuries. However, the overall injury rates for male (9.19 injuries per 1000 athlete-exposures) and female (7.77 injuries per 1000 athlete-exposures) players did not differ significantly. Ninety-six percent of injuries in female players and 79% in male players were related to contact mechanisms, even though intentional body checking is not allowed in female ice hockey. Women were more likely than men to be injured by contacting the boards or their opponent. Men sustained more severe injuries than women and missed about twice as many sessions (exposures) because of injury. Concussions were the most common injury in female players, followed by ankle sprains, adductor muscle strains, and sacroiliac dysfunction. CONCLUSION: Although the injury rate in female ice hockey players was expected to be lower than that in male players because of the lack of intentional body checking, the injury rates were found to be similar.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».