A School-Based Injury Prevention Program to Reduce Sport Injury Risk and Improve Healthy Outcomes in Youth
Notice bibliographique
Résumé
OBJECTIVE: To examine a school-based high-intensity neuromuscular training (NMT) program in reducing sport injury risk and improving fitness in youth. PARTICIPANTS: Students (ages 11-15) (n = 725) in physical education (PE) classes were randomized by school to intervention or control groups. INTERVENTION: A 12-week high-intensity NMT program (including aerobic, strength, balance, and agility components) was designed to reduce sport injury risk and improve measures of fitness. The control program was a standard of practice warm-up (including running and stretching). RESULTS: A Poisson regression model using an intent-to-treat analysis demonstrated a reduced risk of sport injury: incidence rate ratio (IRR)all injury = 0.30 (95% CI, 0.19-0.49), IRRlower extremity injury = 0.31 (95% CI, 0.19-0.51), IRRankle sprain injury = 0.27 (95% CI, 0.15-0.50), and IRRknee sprain injury = 0.36 (95% CI, 0.13-0.98). A change in waist circumference: -0.99 centimeters (95% CI, -1.84 to -0.14) and an increase in indirect measures of aerobic fitness: 1.28 mL·kg·min (95% CI, 0.66-1.90) in the intervention school compared with the control school also occurred. CONCLUSIONS: A NMT program in junior high school PE class was efficacious in reducing sport-related injury and improving measures of adiposity and fitness in the intervention group.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,003 | 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 ».