Development of a risk prediction model among professional hockey players with visible signs of concussion
Notice bibliographique
Résumé
Background Little research examines how to best identify concussed athletes. The purpose of the present study was to develop a preliminary risk decision model that uses visible signs (VS) and mechanisms of injury (MOI) to predict the likelihood of subsequent concussion diagnosis. Methods Coders viewed and documented VS and associated MOI for all NHL games over the course of the 2013–2014 and 2014–2015 regular seasons. After coding was completed, player concussions were identified from the NHL injury surveillance system and it was determined whether players exhibiting VS were subsequently diagnosed with concussions by club medical staff as a result of the coded event. Results Among athletes exhibiting VS, suspected loss of consciousness, motor incoordination or balance problems, being in a fight, having an initial hit from another player’s shoulder and having a secondary hit on the ice were all associated withincreasedrisk of subsequent concussion diagnosis. In contrast, having an initial hit with a stick was associated withdecreasedrisk of subsequent concussion diagnosis. A risk prediction model using a combination of the above VS and MOI was superior to approaches that relied on individual VS and associated MOI (sensitivity=81%, specificity=72%, positive predictive value=26%). Conclusions Combined use of VS and MOI significantly improves a clinician’s ability to identify players who need to be evaluated for possible concussion. A preliminary concussion prediction log has been developed from these data. Pending prospective validation, the use of these methods may improve early concussion detection and evaluation.
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 | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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.
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 ».