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, e.g. 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. Objective To compare 6 methods to handle missing weekly exposure of individual players. Design Data collected from a large community cohort study in youth ice hockey. Setting Youth ice hockey. Participants Pee Wee (age 11–12) ice hockey players. Interventions The 6 methods to handle missing weekly exposures include available case analysis, last-observation-carried-forward, mean imputation, multiple imputation, bootstrapping, and best/worst case analysis. Main outcome measures Injury rate ratios (IRR) 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 confidence intervals 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. Conclusion 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 weekly 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 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 | 0,519 | 0,814 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,004 | 0,006 |
| Science ouverte | 0,008 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».