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 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 | 0,008 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,006 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».