High incidence of injuries at the Pyeongchang 2018 Paralympic Winter Games: a prospective cohort study of 6804 athlete days
Notice bibliographique
Résumé
OBJECTIVE: To describe the epidemiology of sports injury at the Pyeongchang 2018 Paralympic Winter Games. METHODS: 567 athletes from 49 countries were monitored daily for 12 days over the Pyeongchang 2018 Paralympic Winter Games (6804 athlete days). Injury data were obtained daily from teams with their own medical support (41 teams and 557 athletes) and teams without their own medical support (8 teams and 10 athletes) through two electronic data capturing systems. RESULTS: 112 of 567 athletes (19.8%) reported a total of 142 injuries, with an injury incidence rate (IR) of 20.9 per 1000 athlete days (95% CI 17.4 to 25.0). The highest IR was reported for para snowboard (IR of 40.5 per 1000 athlete days [95% CI 28.5 to 57.5]; p<0.02), particularly in the lower limb and head/face/neck anatomical areas. Across all sports at the Games, acute traumatic injuries (IR of 16.2 per 1000 athlete days [95% CI 13.2 to 19.8]) and injuries to the shoulder/arm/elbow complex (IR of 5.7 per 1000 athlete days [95% CI 4.2 to 7.8]) were most common. However, most injuries (78.9%) did not require time loss. CONCLUSION: The new Paralympic Winter Games sport of Para snowboard requires attention to implement actions that will reduce injury risk. The shoulder was the most injured single joint-a consistent finding in elite para sport.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 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 ».