Re-defining normal: bone mineral density in elite female athletes
Notice bibliographique
Résumé
Background College age female athletes are susceptible to decreased bone mineral density (BMD) which puts them at an elevated risk for poor bone health in the future. Objective The primary purpose of this study was to compare site-specific and total body BMD of college-age female athletes across sports of varying impact level. Secondary objectives included (1) evaluating the relationship between BMD and menstrual, family bone health, and personal bone health histories; (2) to determine the best clinical predictors of BMD in this population. Design Cross-sectional. Setting NCAA Division I female athletes screened at university sports medicine centre. Participants 265 (20.1±1.19 years, 66.5±10.9 kg, 1.7±0.09 m) college-age female athletes from 14 different sporting teams. Interventions Personal and family health questionnaire, Total Body (TB), anteroposterior Spine (APS), Dual Femur (DF) BMD and Body Composition scans using GE Lunar iDXA. Main outcome measurements Athletes were separated into three sport impact categories. BMD measurements were compared across the impact levels. Both stepwise regression and classification and regression tree analysis were conducted to determine significant predictors of BMD. Results Athletes participating in low and moderate impact sports had significantly lower TB and site-specific BMD values when compared to high impact athletes (TB: High=1.24, Mod=1.18, Low=1.15; APS High=1.33, Mod=1.25, Low=1.21; DF High=1.25, Mod=1.12, Low=1.11). The BMD values for each secondary exposure were lower in those with history of abnormal menses (TB-1.19, APS- 1.24, DF- 1.17), previous stress fracture/reaction (TB-1.19, APS- 1.27, DF- 1.17), and poor family bone health (TB-1.18, APS- 1.26, DF- 1.16). Classification and regression trees (CART) analysis shows highest TB mean BMD was found in high impact athletes with LBM>50.9 kg. Conclusion There is an ordinal relationship between sport impact level and BMD. Using CART analysis, gynaecological age, impact level and LBM are the best predictors of mean BMD.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».