Spinal injury analysis for typical snowboarding backward falls
Notice bibliographique
Résumé
Spinal injury (SPI) often causes death and disability in snow-sport accidents. SPIs often result from spinal compression and flexion, but the injury risks due to over flexion have not been studied. Back protectors are used to prevent SPIs but the testing standards do not evaluate the flexion-extension resistance. To investigate SPI risks and to better define back-protector specifications, this study quantified the flexion-extension range of motions (ROMs) of the thoracic-lumbar spine during typical snowboarding backward falls. A human facet-multibody model, which was calibrated against spinal flexion-extension responses and validated against vehicle-pedestrian impact and snowboarding backward fall, was used to reproduce typical snowboarding backward falls considering various initial conditions (initial velocity, slope steepness, body posture, angle of approach, anthropometry, and snow stiffness). The SPI risks were quantified by normalizing the numerical spinal flexion-extension ROMs against the corresponding ROM thresholds from literature. A high risk of SPI was found in most of the 324 accident scenarios. The thoracic segment T6-T7 had the highest injury risk and incidence. The thoracic spine was found more vulnerable than the lumbar spine. Larger anthropometries and higher initial velocities tended to increase SPI risks while bigger angles of approach helped to reduce the risks. SPIs can result from excessive spinal flexion-extension during snowboarding backward falls. Additional evaluation of back protector's flexion-extension resistance should be included in current testing standards. An ideal back protector should consider the vulnerable spinal segments, the snowboarder's skill level and anthropometry.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».