Prevention of sports injury I: a systematic review of applied biomechanics and physiology outcomes research
Notice bibliographique
Résumé
OBJECTIVE: To analyse published articles that used interventions aimed at investigating biomechanical/physiological outcomes (ie, intermediate risk factors) for sport injury prevention in order to characterise the state of the field and identify important areas not covered in the literature. DATA SOURCES: PubMed, Cinahl, Web of Science and Embase were searched using a broad search strategy. MAIN RESULTS: Only 144 of 2525 articles retrieved by the search strategy met the inclusion criteria. Crossover study designs increased by 175% in the late 1980s until 2005 but have declined 32% since then. Randomised controlled trial (RCT) study designs increased by 650% since the early 1980s. Protective equipment studies (61.8% of all studies) declined by 35% since 2000, and training studies (35.4% of all studies) increased by 213%. Equipment research studied stability devices (83.1%) and attenuating devices (13.5%) whereas training research studied balance and coordination (54.9%), strength and power (43.1%) and stretching (15.7%). Almost all (92.1%) studies investigated the lower extremity and 78.1% were of the joint (non-bone)-ligament type. Finally, 57.5% of the reports studied contact sports, 24.2% collision and 25.8% non-contact sports. CONCLUSION: The decrease in crossover study design and increase in RCTs over time suggest a shift in study design for injury prevention articles. Another notable finding was the change in research focus from equipment interventions, which have been decreasing since 2000 (35% decline), to training interventions, which have been increasing (213% increase). Finally, there is very little research on overuse or upper extremity injuries.
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 | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,001 | 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 ».