Performance in the Deep Squat Test and musculoskeletal injuries: a systematic review
Notice bibliographique
Résumé
Abstract Introduction: The Deep Squat Test has been applied in pre-season evaluations of sports teams and in military courses to predict the risk of musculoskeletal injuries. Objective: To evaluate the association of DS performance and the risk of musculoskeletal injuries. Methods: In this systematic review, a search without language or time filters was carried out in MEDLINE, SciELO, SCOPUS, SPORTDiscuss, CINAHL and BVS databases with the following title words: injury prediction, injury risk and deep squat in December 2016. Participants' profile, sample size, classification of musculoskeletal injuries, follow-up time, study design and results were extracted from the studies. Bias risk analysis was performed with the Newcastle-Ottawa Scale. Results: Five studies were included, using different analyzes, whose results varied. Odds ratio ranged from 1.21 to 2.59 (95% CI = 1.01 - 3.28); relative risk was 1.68 (95% CI = 1.50 - 1.87), sensitivity from 3 to 24%, specificity from 90 to 99%, PPV from 42 to 63%, NPV from 72 to 75% and AUC from 51 to 58%. Conclusion: The DS can be a test whose presence of movement dysfunctions is a predictor of the risk of musculoskeletal injuries in individuals who practice physical exercises. However, due to the methodological limitations presented, caution is suggested when interpreting such results. PROSPERO registration: CRD4201706922.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».