Is there evidence that proprioception or balance training can prevent anterior cruciate ligament (ACL) injuries in athletes without previous ACL injury?
Notice bibliographique
Résumé
A collegiate-level soccer player was instructed by her coach to incorporate a proprioceptive component into her training program. He suggested that she purchase a balance board and immediately begin a program that he designed. She approached her physical therapist (SJF) for more information. I immediately recognized that, because of her sex and sport of choice, she would be at high risk for an anterior cruciate ligament (ACL) injury. Hewett et al1 estimated that as many as 2,200 ACL ruptures per year occur in female collegiate athletes in both the recreational and competitive ranks. Treatment and rehabilitation costs are estimated at $17,000 per ACL injury, which do not take into account the potential loss of long-term participation, loss of scholarship funding, and future disability from arthritic changes in a reconstructed knee.1 For these reasons, a shift toward injury prevention is warranted. Injury prevention for the ACL can take many forms, including a variety of training protocols, athlete education, and bracing. Current studies focus on neuromuscular training as a preventive measure, with programs that include strength, flexibility, plyometrics, sport-specific agility drills, speed enhancement, balance, and athlete education.1–7 A clinician who understands the individual components of these programs could optimize injury prevention and aid athletes in appropriate program design and equipment purchases. In the case of this athlete, my colleagues and I focused on the use of proprioception or balance training and its effect on incidence of ACL injury.
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 | 0,028 | 0,152 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,005 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,009 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».