A systematic review of injuries in gymnastics
Notice bibliographique
Résumé
OBJECTIVES: To identify all studies of gymnastics injuries and assess injury rates, types, locations, and causes. METHODS: Seven electronic and two grey literature databases were searched. Two reviewers independently assessed titles/abstracts, abstracted data, and calculated average rates weighted by study size. RESULTS: One study (n = 963) of three Olympic games (2008,2012,2016) provided injury rates for females of 86.4/1000gymnasts and males 79.9. For 29 databases one study of males (n = 64) provided a rate of 8.8 injuries/1000hours/AE (AE = athletic-exposure) and three of females varied rates (8.5, 9.4, and 91). Three studies for males (n = 153) provided a weighted average rate of 1.4 injuries/1000hours/training, and for females six studies (n = 476) 1.5 injuries. Four studies of males (n = 286) provided a weighted average of 678 injuries/1000gymnasts per year and eight studies of females (n = 1,764) a rate of 306. Of 19 surveys, eight provided rates for females (n = 1,463) of 596 injuries/gymnast per year and two for males (n = 40) a rate of 1,036. In the Olympics injuries were preponderately lower limb (63%) then trunk (23%) and upper limb (14%); injury type was sprains (35%) followed by tendinopathy/arthritis/impingements (17%), contusions (10%), and fractures (7%). Five database studies provided injury location data for 274 males: averages weighted by study size were upper extremity 42.8%, lower extremity 33.6%, torso/spine 11.8%, and head/neck 4.9% and 12 studies with 843 females provided average rates for lower extremity 51%, upper extremity 30.8%, torso/spine 13% and head/neck 0.8%. Official gymnastics organizations' websites provide no readily available data about injury rates or methods of prevention. CONCLUSIONS: Studies need to collect comprehensive data for injury rates by training/competitions, gender, age, injury location/type/cause. Studies could assess whether trainers and physiotherapists monitoring gymnasts closely for injury risk would reduce injuries. Studies including randomized controlled trials (RCTs) of interventions in training, videotaping and performance feedback to reduce injury rates would be helpful.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».