Real-Time Biofeedback of Performance to Reduce Braking Forces Associated With Running-Related Injury: An Exploratory Study
Notice bibliographique
Résumé
BACKGROUND: The high rate of running-related injury may be associated with increased peak braking forces (PBFs) and vertical loading rates. Gait retraining has been suggested by some experts to be an effective method to reduce loading parameters. OBJECTIVES: To investigate whether PBF could be decreased following an 8-session gait retraining program among a group of female recreational runners and which self-selected kinematic strategies could achieve this decrease. METHODS: In this exploratory study, 12 female recreational runners with high PBFs (greater than 0.27 body weight) completed an 8-session gait retraining program with real-time biofeedback of braking forces over the course of a half-marathon training program. Baseline and follow-up kinetics and kinematics were analyzed with a repeated-measures analysis of variance. RESULTS: There was an average reduction of 15% in PBF (-0.04 body weight; 95% confidence interval [CI]: -0.07, -0.02 body weight; P = .001; effect size, 0.62), accompanied by a 7% increase in step frequency (11.3 steps per minute; 95% CI: 1.8, 20.9 steps per minute; P = .024; effect size, 0.38) and a 6% decrease in step length (-5.5 cm; 95% CI: -9.9, -1.0 cm; P = .020; effect size, 0.40), from baseline to follow-up. CONCLUSION: The gait retraining program significantly reduced the PBF among a group of female recreational runners. This was achieved through a combination of increased step frequency and decreased step length. Furthermore, the modified gait pattern was incorporated into the runners' natural gait pattern by the completion of the program. Based on these results, the outlined gait retraining program should be further investigated to assess whether it may be an effective injury prevention strategy for recreational runners. This study was registered with ClinicalTrials.gov (NCT03302975). LEVEL OF EVIDENCE: Prevention, level 4. J Orthop Sports Phys Ther 2019;49(3):136-144. Epub 7 Dec 2018. doi:10.2519/jospt.2019.8587.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».