Training load--injury paradox: is greater preseason participation associated with lower in-season injury risk in elite rugby league players?
Notice bibliographique
Résumé
AIM: To determine whether players who completed a greater number of planned preseason training sessions were more or less likely to be injured during the competitive season. METHODS: A cohort of 30 elite rugby league players was prospectively studied during their 17-week preseason and 26-round competitive season. Injuries were recorded using a match time loss definition. Preseason participation was quantified as the number of 'full' training sessions that players completed, excluding modified, rehabilitation or missed sessions. In-season training load variables, collected using global positioning system (GPS) data, included distance covered (m), high-speed distance covered (m) and the percentage of distance covered at high speeds (%). Multilevel logistic regression models were used to determine injury likelihood in the current and subsequent week, with random intercepts for each player. Odds ratios (OR) were used as effect size measures to determine the changes in injury likelihood with (1) a 10-session increase in preseason training participation or (2) standardised changes in training load variables. RESULTS: Controlling for training load in a given week, completing 10 additional preseason sessions was associated with a 17% reduction in the odds of injury in the subsequent week (OR=0.83, 95% CI=0.70 to 0.99). Increased preseason participation was associated with a lower percentage of games missed due to injury (r=-0.40, p<0.05), with 10 preseason sessions predicting a 5% reduction in the percentage of games missed. CONCLUSIONS: Maximising participation in preseason training may protect elite rugby league players against in-season 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 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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».