Injury and illness in aquatic sport: how high is the risk? A comparison of results from three FINA World Championships
Notice bibliographique
Résumé
BACKGROUND: Epidemiological information on injury/illness is required to develop effective injury prevention strategies. AIM: To assess the frequency and characteristics of injuries/illnesses (1) in the 4 weeks prior to and (2) during the Fédération Internationale de Natation (FINA) World Championships 2015 compared with 2013 and 2009. METHOD: (1) Athletes answered a retrospective questionnaire, and (2) the medical staff reported injuries/illnesses prospectively during the championships. RESULTS: (1) A quarter of responding athletes reported symptoms in the 4 weeks prior to the championships. More than half of all affected athletes presented with substantial severity, 80% took medication, 70% had overuse injuries and 30% did not modify their training regime despite symptoms. At the start of the championships, 70% of affected participants were still symptomatic. (2) During the championships, injury and illness incidence was 12.9 per 100 athletes. The most common injuries were shoulder sprains (5.7%) and muscle cramps of the lower back (5.7%). The most common illnesses were infections of the respiratory (33.9%) and gastrointestinal tract (23.5%). Risk factors included discipline and age, but not gender. Incidence was highest in athletes competing in high diving (HD), water polo (WP) and diving (DIV) for injuries, and WP and swimming (SW) for illnesses. The significantly higher incidence of injuries and illnesses at the FINA World Championships 2015 compared with 2013 and 2009 was most probably due to a similarly improved response rate of the medical staff. CONCLUSIONS: In aquatic sports, surveillance and health promotion should focus on prevention of out-of-competition overuse injuries and athlete education.
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 | 0,002 | 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 | 0,000 |
| 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 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 ».