MétaCan
Menu
Retour à la cohorte
Enregistrement W2490459832 · doi:10.1136/bjsports-2015-095850

Complex systems approach for sports injuries: moving from risk factor identification to injury pattern recognition—narrative review and new concept

2016· article· en· W2490459832 sur OpenAlexaff
Natália Franco Netto Bittencourt, Willem Meeuwisse, Luciana De Michelis Mendonça, Alberto Nettel‐Aguirre, Juliana M. Ocarino, Sérgio T. Fonseca

Notice bibliographique

RevueBritish Journal of Sports Medicine · 2016
Typearticle
Langueen
DomaineMedicine
ThématiqueSports injuries and prevention
Établissements canadiensUniversity of Calgary
Organismes subventionnairesFundação de Amparo à Pesquisa do Estado de Minas GeraisConselho Nacional de Desenvolvimento Científico e TecnológicoCoordenação de Aperfeiçoamento de Pessoal de Nível Superior
Mots-clésReductionismIdentification (biology)Causality (physics)PhenomenonComputer scienceIntervention (counseling)Complex systemNarrativePoison controlData scienceCognitive psychologyArtificial intelligenceRisk analysis (engineering)PsychologyMachine learningMedicineEpistemologyBiologyMedical emergency

Résumé

récupéré en direct d'OpenAlex

Injury prediction is one of the most challenging issues in sports and a key component for injury prevention. Sports injuries aetiology investigations have assumed a reductionist view in which a phenomenon has been simplified into units and analysed as the sum of its basic parts and causality has been seen in a linear and unidirectional way. This reductionist approach relies on correlation and regression analyses and, despite the vast effort to predict sports injuries, it has been limited in its ability to successfully identify predictive factors. The majority of human health conditions are complex. In this sense, the multifactorial complex nature of sports injuries arises not from the linear interaction between isolated and predictive factors, but from the complex interaction among a web of determinants. Thus, the aim of this conceptual paper was to propose a complex system model for sports injuries and to demonstrate how the implementation of complex system thinking may allow us to better address the complex nature of the sports injuries aetiology. According to this model, we should identify features that are hallmarks of complex systems, such as the pattern of relationships (interactions) among determinants, the regularities (profiles) that simultaneously characterise and constrain the phenomenon and the emerging pattern that arises from the complex web of determinants. In sports practice, this emerging pattern may be related to injury occurrence or adaptation. This novel view of preventive intervention relies on the identification of regularities or risk profile, moving from risk factors to risk pattern recognition.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,003
Communication savante0,0030,004
Science ouverte0,0020,001
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,037
Tête enseignante GPT0,307
Écart entre enseignants0,270 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations796
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBritish Journal of Sports MedicineMême sujetSports injuries and preventionTravaux en français237 207