Preseason Functional Movement Screen Predicts Risk of Time-Loss Injury in Experienced Male Rugby Union Athletes
Notice bibliographique
Résumé
The purpose of this study was to determine the relationship between Functional Movement Screen (FMS) score and the risk of time-loss injury in experienced male rugby union athletes. A secondary purpose was to determine the relationship between FMS-determined asymmetries and the risk of time-loss injury in these athletes. Functional Movement Screen scores were collected from male rugby union athletes (n = 73) during preseason and half-way through one 8-month season. Time-loss injury data were collected throughout the full season. A receiver-operator characteristic curve was created for each half of the season to identify FMS composite and asymmetry cut-off scores associated with increased likelihood of injury and determined odds ratios, sensitivity, and specificity in evaluating FMS as a predictor of injury risk. Odds ratio analyses revealed that when compared with those scoring >14, athletes with an FMS ≤14 were 10.42 times more likely (95% confidence interval [CI]: 1.28-84.75, p = 0.007) to have sustained injury in the first half of the season and 4.97 times (95% CI: 1.02-24.19, p = 0.029) more likely in the second half of the season. The presence of asymmetries was not associated with increased likelihood of injury. Experienced male rugby union athletes with FMS composite scores ≤14 are significantly more likely to sustain time-loss injury in a competitive season than those scoring >14. The quality of fundamental movement, as assessed by the FMS, is predictive of time-loss injury risk in experienced rugby union athletes and should be considered an important preseason assessment tool used by strength and conditioning and medical professionals in this sport with inherently high injury rates.
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) | 0,000 | 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) | 0,001 | 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 ».