Feature-specific terrain park-injury rates and risk factors in snowboarders: a case–control study
Notice bibliographique
Résumé
BACKGROUND: Snowboarding is a popular albeit risky sport and terrain park (TP) injuries are more severe than regular slope injuries. TPs contain man-made features that facilitate aerial manoeuvres. The objectives of this study were to determine overall and feature-specific injury rates and the potential risk factors for TP injuries. METHODS: Case-control study with exposure estimation, conducted in an Alberta TP during two ski seasons. Cases were snowboarders injured in the TP who presented to ski patrol and/or local emergency departments. Controls were uninjured snowboarders in the same TP. κ Statistics were used to measure the reliability of reported risk factor information. Injury rates were calculated and adjusted logistic regression was used to calculate the feature-specific odds of injury. RESULTS: Overall, 333 cases and 1261 controls were enrolled. Reliability of risk factor information was κ>0.60 for 21/24 variables. The overall injury rate was 0.75/1000 runs. Rates were highest for jumps and half-pipe (both 2.56/1000 runs) and lowest for rails (0.43/1000 runs) and quarter-pipes (0.24/1000 runs). Compared with rails, there were increased odds of injury for half-pipe (OR 9.63; 95% CI 4.80 to 19.32), jumps (OR 4.29; 95% CI 2.72 to 6.76), mushroom (OR 2.30; 95% CI 1.20 to 4.41) and kickers (OR 1.99; 95% CI 1.27 to 3.12). CONCLUSIONS: Higher feature-specific injury rates and increased odds of injury were associated with features that promote aerial manoeuvres or a large drop to the ground. Further research is required to determine ways to increase snowboarder safety in the TP.
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 | 0,001 | 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 | 0,001 |
| 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 ».