Preventing lower extremity sport injury through a high intensity neuromuscular training program in a junior high school setting
Notice bibliographique
Résumé
Background Neuromuscular training programs have shown to decrease injury rates in sport specific domains; however, there is limited research in non-sport populations. Objective Examine the effectiveness of reducing sport injury through a high intensity, neuromuscular training program aimed at school youth. Design Pilot, randomised controlled trial. Participants were randomised by school, to either intervention or control programs in year one. Year two, the intervention program was implemented in the control school. Setting Physical education (PE) classes. Participants 725 (year one) and 314 (year two) consenting participants aged 11–15. Intervention Intervention group completed a 15 min, high intensity, neuromuscular training warm-up, three times per week for 12 weeks. The control group warm-up was the same duration, with standard of care components. Main outcome measurements Sport injury, defined as any sport injury that required medical attention, and/or cessation of the activity, and/or time loss from sport. Secondary outcomes; aerobic fitness (VO2maximum (ml/kg/min), vertical jump (cm) and balance (s). Results Incidence rate ratios (IRR), adjusted for clustering by class, previous injury and exposure hours, estimated the intervention program was protective of all sport injury (IRR=0.29 (95% CI 0.18 to 0.46)), lower extremity injury (IRR=0.30 (95% CI 0.17 to 0.53)), and time loss injury (IRR=0.43 (95% CI 0.20 to 0.94)). The intervention group showed greater improvement in aerobic fitness (2.14 ml/kg/min (95% CI 1.17 to 2.59)) (t=-3.86, p=0.0001) and vertical jump (4.16 cm (95% CI 3.65 to 4.66)) (t=-3.67, p=0.0003) compared to the control group. No statistical differences were detected in balance measures. Conclusions A neuromuscular training program implemented in PE classes was protective of all sport injury, lower extremity injury and time loss injury. Results pertaining to year two will be determined and presented.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».