Dynamic Movement Assessment and Functional Movement Screening for injury prediction: a systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Dynamic Movement AssessmentTM (DMATM) and Functional Movement ScreeningTM (FMSTM) are tools to predict the risk of musculoskeletal injuries in individuals who practice physical activities. This systematic review aimed to evaluate the association of DMATM and FMSTM with the risk of musculoskeletal injuries, in different physical activities, categorizing by analysis. A research without language or time filters was carried out in November 2016 in MEDLINE, Google Scholar, SciELO, SCOPUS, SPORTDiscus, CINAHL and BVS databases using the keywords: “injury prediction”, “injury risk”, “sensitivity”, “specificity”, “functional movement screening”, and “dynamic movement assessment”. Prospective studies that analyzed the association between DMATM and FMSTM with the risk of musculoskeletal injuries in physical activities were included. The data extracted from the studies were: participant’s profile, sample size, injury’s classification criteria, follow-up time, and the results presented, subdivided by the type of statistical analysis. The risk of bias was performed with Newcastle-Ottawa Scale for cohort studies. No study with DMATM was found. A total of 20 FMSTM studies analyzing one or more of the following indicators were included: diagnostic accuracy (PPV, NPV and AUC), odds ratios (OR) or relative risk (RR). FMSTM showed a sensitivity=12 to 99%; specificity=38 to 97%; PPV=25 to 91%; NPV=28 to 85%; AUC=0.42 to 0.68; OR=0.53 to 54.5; and RR=0.16-5.44. The FMSTM has proven to be a predictor of musculoskeletal injuries. However, due to methodological limitations, its indiscriminate usage should be avoided.
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.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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) | 0,001 | 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 découle