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 machine sur la base complète
Imitation des enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».