Gait modifications to change lower extremity gait biomechanics in runners: a systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Abnormal biomechanics have been cited as a potential risk factor for running-related injury. Many modifiable biomechanical risk factors have also been proposed in the literature as interventions via gait retraining. AIM: To determine which interventions have successfully modified biomechanical variables linked to running-related injury. STUDY DESIGN: Systematic literature review. METHODS: MEDLINE, EMBASE, CINAHL, SportDiscus and PSYCINFO were searched using key terms related to running biomechanics and gait retraining. Quality of included studies was assessed using the modified Downs and Black Quality Index and a best evidence synthesis was performed. RESULTS: 27 studies investigating the effect of biomechanical interventions on kinetic, kinematic and spatiotemporal variables were included in this review. Foot strike manipulation had the greatest effect on kinematic measures (conflicting evidence for proximal joint angles; strong evidence for distal joint angles), real-time feedback had the greatest effect on kinetic measures (ranging from conflicting to strong evidence), and combined training protocols had the greatest effect on spatiotemporal measures (limited to moderate evidence). CONCLUSIONS: Overall, this systematic review shows that many biomechanical parameters can be altered by running modification training programmes. These interventions result in short term small to large effects on kinetic, kinematic and spatiotemporal outcomes during running. In general, runners tend to employ a distal strategy of gait modification unless given specific cues. The most effective strategy for reducing high-risk factors for running-related injury-such as impact loading-was through real-time feedback of kinetics and/or kinematics.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle