Comparing Severe Injuries by Sex and Sport in Collegiate-Level Athletes: A Descriptive Epidemiologic Study
Notice bibliographique
Résumé
Context: There is a lack of research on sex differences for severe injuries across a variety of sports at the collegiate level. Objective: To compare differences in injury severity and concussion between sexes and collegiate sports. Design: Descriptive epidemiological study. Participants: 1,657 injuries were analyzed from collegiate teams at York University. Data Collection and Analysis: Injuries were assessed by a certified or student athletic therapist and were categorized based on degree of tissue and/or joint damage as either severe or nonsevere. Severe injuries included those with third degree damage, while all others were classified as nonsevere. Injury severity was compared between the sexes and across different sports using Pearson chisquare analysis. Logistic regression was used to assess the relative contribution of each covariate. Results: Males sustained 1,155 injuries, with 13.3% of them being severe, while females sustained only 502 injuries, 17.7% of which were severe. The odds of sustaining severe injuries among female athletes are 1.4 times the odds of male athletes (OR: 1.40, CI 1.05−1.86). Eleven percent of all female injuries were concussions—significantly more than males (χ 2 = 11.03, p = .001). The odds of female athletes having a concussion are 1.9 times the odds of a male athlete (OR: 1.85, CI 1.28−2.67). Conclusion: Based on our analysis, females are at an increased risk of sustaining a severe injury, particularly concussions. These findings highlight the need for future research into sex and sport-specific risk factors. This may provide information for health care professionals, coaches, and athletes for the proper prevention, on-field care, and treatment of sport 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 | 0,002 | 0,000 |
| 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 | 0,000 |
| 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 ».