PREDICTING LOWER EXTREMITY INJURY RISK IN SPORT THROUGH MOVEMENT QUALITY SCREENING: A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background The identification of risk factors for lower extremity musculoskeletal (MSK) injury in sport is required to inform primary and secondary injury prevention strategies. Objective To determine whether measures of poor movement quality are associated with lower extremity MSK injury in sport. Design Systematic Review. Methods Five electronic databases (Medline, EMBASE, CINAHL, Sport Discus, SCOPUS) were systematically searched using keywords and Medical Sub-heading terms. Studies selected included: English language; original data; prospective analytic design; a rating of movement compensation, asymmetry, impairment or efficiency through composite batteries and/or individual tests; and participants with lower extremity MSK injury sustained with sport participation. PRISMA guidelines were followed and two independent raters assessed study quality [Downs and Black (DB) criteria] and level of evidence (Oxford Centre of Evidence-Based Medicine model). Results Of 4361 potential relevant studies, 13 were included. The majority (11/13) of the studies were low quality cohort studies (level 4 evidence). Median DB score was 11/33 (range 3–14). Heterogeneity in methodology and injury definition precluded meta-analyses. The Functional Movement Screen (FMS) was the most common movement quality outcome investigated (11/13 studies). Two studies considered interrelationships between risk factors, five reported diagnostic accuracy and none evaluated an intervention program targeting individuals identified as high-risk. There is inconsistent evidence that poor movement quality is associated with increased risk of lower extremity injury in sport. Conclusions There is insufficient evidence for widespread adoption of movement quality screening programs for predicting lower-extremity injury in sport. Future research should aim to identify the most relevant movement quality outcomes for predicting injury risk through high quality cohort studies. This should be followed by development and evaluation of pre-participation screening and lower extremity injury prevention programs through high quality randomized controlled trials targeting individuals at the greatest risk based on screening tests with validated test properties.
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 | 0,012 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,009 |
| Bibliométrie | 0,013 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».