Five-Year Trends in Reported National Football League Injuries
Notice bibliographique
Résumé
OBJECTIVE: To determine the incidence of all-cause injury and concussion in the National Football League (NFL) over a 5-season time span (2012-2016). DESIGN: Prospective descriptive epidemiological study. SETTING: National Football League Injury Report data from 2012 to 2016. PARTICIPANTS: National Football League players. INTERVENTIONS: None (descriptive study). MAIN OUTCOME MEASURES: Injury report data were collected prospectively for all NFL injuries from 5 seasons (2012-2016). The incidences of reported concussions, knee injuries, and all-cause injury were compared across the 5 seasons using the Kruskal-Wallis rank-sum test. RESULTS: A total of 10 927 injuries were identified across the 5 seasons, including 752 (6.9%) concussions. The top 3 most injured areas included the knee (17.2%), ankle (13.6%), and shoulder (8.8%). Defensive backs consistently had the highest number of all-cause injuries per season. When comparing across years, there was a significant decrease in all-cause injury in 2016 compared with 2015, a significant decrease in knee injuries in 2016 compared with 2015, and a significant increase in concussion in 2015 compared with 2014 (P < 0.05). CONCLUSIONS: Reported all-cause injury incidence and knee injury incidence is currently on the decline. However, reported concussion incidence has recently increased, perhaps due to increased awareness and rule changes implemented to aid in the detection and treatment of concussion. Strategies to reduce injury and improve injury awareness should continue to be explored.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».