Concussion diagnosis: the king-devick test in the canadian football league
Notice bibliographique
Résumé
Objective To conduct a sensitivity analysis of the King-Devick (K-D) test in professional football. Design Prospective cohort. Setting Professional football. Participants: 269 professional football players from the Canadian Football League (CFL). There were 24 concussions to analyse. Intervention The K-D test was added to the existing CFL concussion protocol (medical and SCAT3). All participants completed K-D assessments at baseline, at the time of injury/concussion (TOI), and at medical clearance prior to return to play (RTP). 20 controls were re-tested post-baseline. Outcome measures K-D scores were analysed to construct a sensitivity analysis. Main results TOI K-D results were significantly higher (mean=50.21, range: 35.4–107.4) than baseline K-D results (mean=44.3, range 28.4–66.4; p<0.01). TOI K-D results yielded 94% sensitivity and 80% specificity for diagnosing concussions. Four groups emerged from the TOI data. In Group 1, 4/4 were asymptomatic within 24 hours and scores were better (lower) than baseline; Group 2 were asymptomatic within 72 hours and 8/9 had abnormal (poorer) scores; Group 3 were asymptomatic within 11 days and 5/5 had abnormal scores. Group 4 were symptomatic by season’s end and 4/4 had abnormal scores. 18/18 players who RTP had better K-D scores than baseline prior to RTP. Conclusions The K-D test proved to be useful for concussion diagnosis. Interestingly, the players in Group 1 had normal TOI K-D scores and were asymptomatic in <24 hours. More research is needed and the CFL will continue this next season. Competing interests None.
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 | 0,011 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».