The epidemiology of MRI detected shoulder injuries in athletes participating in the Rio de Janeiro 2016 Summer Olympics
Notice bibliographique
Résumé
BACKGROUND: To use Magnetic Resonance Imaging (MRI) to characterize the severity, location, prevalence, and demographics of shoulder injuries in athletes at the Rio de Janeiro 2016 Summer Olympic Games. METHODS: This was a retrospective analysis of all routine shoulder MRIs obtained from the Olympic Village Polyclinic during the Rio 2016 Summer Olympics. Imaging was performed on 1.5 T and 3 T MRI, and interpretation was centrally performed by a board-certified musculoskeletal radiologist. Images were assessed for tendon, muscle, bone, bursal, joint capsule, labral, and chondral abnormality. RESULTS: A total of 11,274 athletes participated in the Games, of which 55 (5%) were referred for a routine shoulder MRI. Fifty-three (96%) had at least two abnormal findings. Seven (13%) had evidence of an acute or chronic anterior shoulder dislocation. Forty-nine (89%) had a rotator cuff partial tear and / or tendinosis. Subacromial / subdeltoid bursitis was present in 29 (40%). Thirty (55%) had a tear of the superior labrum anterior posterior (SLAP). CONCLUSION: Our study demonstrated a high prevalence of both acute and chronic shoulder injuries in the Olympic athletes receiving shoulder MRI. The high rates of bursal, rotator cuff, and labral pathology found in these patients implies that some degree of glenohumeral instability and impingement is occurring, likely due to fatigue and overuse of the dynamic stabilizers. Future studies are needed to better evaluate sport-specific trends of injury.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».