Predictive Indicators of Overuse Injuries in Adolescent Endurance Athletes
Notice bibliographique
Résumé
Purpose: To analyze the influence of training exposure and the utility of self-report questionnaires on predicting overuse injuries in adolescent endurance athletes. Methods: Five adolescent male endurance athletes (15.7 ± 1.4 y) from a full-time sports academy answered 2 questionnaires (Recovery Cue; RC-q and Oslo Sports Trauma Research questionnaire; OSTRC-q) on a weekly basis for 1 season (37 wk) to detect signs of overtraining and underrecovery (RC-q) and early symptoms of lower-limb injuries (OSTRC-q). All overuse injuries were retrospectively analyzed to detect which variations in the questionnaires in the weeks preceding injury were best associated. Overuse incidence rates were calculated based on training exposure. Results: Lower-limb overuse injuries accounted for 73% of total injuries. The incidence rate for overuse training-related injuries was 10 injuries/1000 h. Strong correlations were observed between individual running exposure and overuse injury incidence ( r 2 = .66), number of overuse injuries ( r 2 = .69), and days lost ( r 2 = .66). A change of 20% or more in the RC-q score in the preceding week was associated with 67% of the lower-limb overuse injuries. Musculoskeletal symptoms were only detected in advance by the OSTRC-q in 27% of the episodes. Conclusion: Training exposure (especially running exposure) was shown to be related to overuse injuries, suggesting that monitoring training load is a key factor for injury prevention. Worsening scores in the RC-q (but not the OSTRC) may be an indicator of overuse injury in adolescent endurance runners when used longitudinally.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».