Importance of Various Training-Load Measures in Injury Incidence of Professional Rugby League Athletes
Notice bibliographique
Résumé
PURPOSE: To investigate the ability of various internal and external training-load (TL) monitoring measures to predict injury incidence among positional groups in professional rugby league athletes. METHODS: TL and injury data were collected across 3 seasons (2013-2015) from 25 players competing in National Rugby League competition. Daily TL data were included in the analysis, including session rating of perceived exertion (sRPE-TL), total distance (TD), high-speed-running distance (>5 m/s), and high-metabolic-power distance (HPD; >20 W/kg). Rolling sums were calculated, nontraining days were removed, and athletes' corresponding injury status was marked as "available" or "unavailable." Linear (generalized estimating equations) and nonlinear (random forest; RF) statistical methods were adopted. RESULTS: Injury risk factors varied according to positional group. For adjustables, the TL variables associated most highly with injury were 7-d TD and 7-d HPD, whereas for hit-up forwards they were sRPE-TL ratio and 14-d TD. For outside backs, 21- and 28-d sRPE-TL were identified, and for wide-running forwards, sRPE-TL ratio. The individual RF models showed that the importance of the TL variables in injury incidence varied between athletes. CONCLUSIONS: Differences in risk factors were recognized between positional groups and individual athletes, likely due to varied physiological capacities and physical demands. Furthermore, these results suggest that robust machine-learning techniques can appropriately monitor injury risk in professional team-sport athletes.
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 | 0,001 | 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 ».