Sport, sex and age increase risk of illness at the Rio 2016 Summer Paralympic Games: a prospective cohort study of 51 198 athlete days
Notice bibliographique
Résumé
OBJECTIVE: To describe the epidemiology of illness at the Rio 2016 Summer Paralympic Games. METHODS: A total of 3657 athletes from 78 countries, representing 83.5% of all athletes at the Games, were monitored on the web-based injury and illness surveillance system (WEB-IISS) over 51 198 athlete days during the Rio 2016 Summer Paralympic Games. Illness data were obtained daily from teams with their own medical support through the WEB-IISS electronic data capturing systems. RESULTS: The total number of illnesses was 511, with an illness incidence rate (IR) of 10.0 per 1000 athlete days (12.4%). The highest IRs were reported for wheelchair fencing (14.9), para swimming (12.6) and wheelchair basketball (12.5) (p<0.05). Female athletes and older athletes (35-75 years) were also at higher risk of illness (both p<0.01). Illnesses in the respiratory, skin and subcutaneous and digestive systems were the most common (IRs of 3.3, 1.8 and 1.3, respectively). CONCLUSION: (1) The rate of illness was lower than that reported for the London 2012 Summer Paralympic Games; (2) the sports with the highest risk were wheelchair fencing, para swimming and wheelchair basketball; (3) female and older athletes (35-75 years) were at increased risk of illness; and (4) the respiratory system, skin and subcutaneous system and digestive system were most affected by illness. These results allow for comparison at future Games.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».