Can pre-season fitness measures predict time to injury in varsity athletes?: a retrospective case control study
Notice bibliographique
Résumé
BACKGROUND: The ability to determine athletic performance in varsity athletes using preseason measures has been established. The ability of pre-season performance measures and athlete's exposure to predict the incidence of injuries is unclear. Thus our purpose was to determine the ability of pre-season measures of athletic performance to predict time to injury in varsity athletes. METHODS: Male and female varsity athletes competing in basketball, volleyball and ice hockey participated in this study. The main outcome measures were injury prevalence, time to injury (based on calculated exposure) and pre-season fitness measures as predictors of time to injury. Fitness measures were Apley's range of motion, push-up, curl-ups, vertical jump, modified Illinois agility, and sit-and-reach. Cox regression models were used to identify which baseline fitness measures were predictors of time to injury. RESULTS: Seventy-six percent of the athletes reported 1 or more injuries. Mean times to initial injury were significantly different for females and males (40.6% and 66.1% of the total season (p < 0.05), respectively). A significant univariate correlation was observed between push-up performance and time to injury (Pearson's r = 0.332, p < 0.01). No preseason fitness measure impacted the hazard of injury. Regardless of sport, female athletes had significantly shorter time to injury than males (Hazard Ratio = 2.2, p < 0.01). Athletes playing volleyball had significantly shorter time to injury (Hazard Ratio = 4.2, p < 0.01) compared to those playing hockey or basketball. CONCLUSIONS: When accounting for exposure, gender, sport and fitness measures, prediction of time to injury was influenced most heavily by gender and sport.
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 | 0,001 | 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) | 0,002 | 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 ».