WHAT ARE THE RISK FACTORS FOR INJURY TO SKIERS AND SNOWBOARDERS IN TERRAIN PARKS AND WHICH STRATEGIES ARE EFFECTIVE IN REDUCING THE RISK OF INJURY? A SYSTEMATIC REVIEW
Notice bibliographique
Résumé
Background The prevalence of terrain parks (TPs) in ski areas has grown over the past two decades. TPs are specific areas of the slopes where terrain is modified to accommodate acrobatic maneuvers. There is evidence that TP injuries are more severe than injuries sustained on regular slopes. However, injury prevention strategies in TPs still need to be explored. Objective To identify the risk factors for skiing and snowboarding injuries in TPs and assess the effectiveness of injury prevention strategies. Participants/population Recreational skiing or snowboarding injuries in a TP. Methods Searches in electronic literature databases and hand-searches in Skiing Trauma volumes and bibliographies were performed. A search strategy involving a combination of Subject Headings and keywords and related synonyms using OR, with the Boolean operator AND was performed. Reviewers independently performed an initial screen of all titles and published abstracts for inclusion criteria to determine full text required. Criteria were (1) original data; (2) injury sustained in terrain parks/half-pipes; (3) recreational ski or snowboard injury; (4) study design with comparison group. Authors reviewed included papers and extracted data into structured tables. Results The search strategy identified 62 relevant studies. Only 11 studies met inclusion criteria including one intervention study. Results suggest that removing man-made jumps reduces the risk of severe injury. According to preliminary results, type of slope, age, gender, and skill level are common risk factors. Critical appraisal of articles is in process. An overview suggests that risk factors studies in this area (n=10) are heterogeneous. With primarily cross-sectional and case-control study designs, the risk of associated bias is significant. Conclusions One intervention study suggests that removing man-made jumps from TPs reduces the risk of severe injuries. Further research is needed to better understand injury prevention strategies that are effective in reducing the risk of injury in TPs.
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 | 0,007 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,002 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».