Performance in the Deep Squat Test and the risk of musculoskeletal injuries: a systematic review
Notice bibliographique
Résumé
Deep Squat Test (DS) is a functional test frequently used in risk classification protocols for musculoskeletal injuries in physical activities. Objective: To systematically evaluate the literature on the validity of DS as a predictor of musculoskeletal injuries. Method: A search without language or time filters was carried out on the Medical Literature Analysis and Retrievel System Online (MEDLINE), Scientific Electronic Library Online (SciELO), Physiotherapy Evidence Database (PEDro) and Virtual Health Library (BVS) databases with the following title words: injury prediction, injury risk and deep squat. We included prospective studies of DS as a risk classification test for musculoskeletal injuries during the practice of physical activities until December 2016. The participants' profile, sample size, classification of musculoskeletal injuries, follow-up time, study design and results were extracted from the studies. The bias risk analysis was performed with the Newgate-Ottawa Scale. Results: Five studies were included, using different analyzes, whose results varied. The odds ratio ranged from 1.21 to 2.59 (95% CI = 1.01 - 3.28). The relative risk was 1.68 (95% CI = 1.50 - 1.87), sensitivity from 3 to 24%, specificity from 90 to 99%, PPV from 42 to 63%, NPV from 72 to 75% and AUC from 51 to 58%. Conclusion: DS is a test whose presence of movement dysfunctions is a predictor of the risk of musculoskeletal injuries in individuals who practice physical activities. However, due to the methodological limitations presented, caution is suggested when interpreting such results.
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 | 0,029 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».