Do not throw the baby out with the bathwater; screening can identify meaningful risk factors for sports injuries
Notice bibliographique
Résumé
Norway’s Professor Roald Bahr recently highlighted that screening does not predict which athlete will sustain an injury.1 Some interpreted this to mean screening is useless for injury prevention. However, screening remains essential in our efforts to protect athletes’ health. To extend what has been a robust discussion, we argue how screening can be important for an individual athlete , and offer potential reasons why and how individual screening tests still lack clinical utility. Previous injury is a well-established injury risk factor. Figure 1 shows data on ACL (re)injuries from Krosshaug et al .2 Applying a traditional (predictive) diagnostic test on these data yields unimpressive results; a positive predictive value of only 29%, with most injuries occurring in previously uninjured athletes. If effective interventions target only previously injured athletes, it would be withheld from the majority of athletes who could benefit. Consequently, we agree with Bahr,1 that all athletes receive effective interventions. Figure 1 The relationship between unilateral ACL injuries and ACL reinjuries in a multiseason prospective cohort study in female football and handball players. (Based on original data from Krosshaug et al .2 But consider another perspective on the same risk factor ‘previous injury’. Regardless of the low predictive value, previous injury is …
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 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 ».