High precompetition injury rate dominates the injury profile at the Rio 2016 Summer Paralympic Games: a prospective cohort study of 51 198 athlete days
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: To describe the incidence of injury in the precompetition and competition periods of the Rio 2016 Summer Paralympic Games. METHODS: A total of 3657 athletes from 78 countries, representing 83.4% of all athletes at the Games, were monitored on the web-based injury and illness surveillance system over 51 198 athlete days during the Rio 2016 Summer Paralympic Games. Injury data were obtained daily from teams with their own medical support. RESULTS: A total of 510 injuries were reported during the 14-day Games period, with an injury incidence rate (IR) of 10.0 injuries per 1000 athlete days (12.1% of all athletes surveyed). The highest IRs were reported for football 5-a-side (22.5), judo (15.5) and football 7-a-side (15.3) compared with other sports (p<0.05). Precompetition injuries were significantly higher than in the competition period (risk ratio: 1.40, p<0.05), and acute traumatic injuries were the most common injuries at the Games (IR of 5.5). The shoulder was the most common anatomical area affected by injury (IR of 1.8). CONCLUSION: The data from this study indicate that (1) IRs were lower than those reported for the London 2012 Summer Paralympic Games, (2) the sports of football 5-a-side, judo and football 7-a-side were independent risk factors for injury, (3) precompetition injuries had a higher IR than competition period injuries, (4) injuries to the shoulder were the most common. These results would allow for comparative data to be collected at future editions of the Games and can be used to inform injury prevention programmes.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 découle