Injury epidemiology and preparedness in powerlifting at the Rio 2016 Paralympic Games: An analysis of 1410 athlete‐days
Notice bibliographique
Résumé
Purpose To describe injury epidemiology in Para powerlifters during the Rio 2016 Paralympic Games. Methods This cohort study was a sub-analysis of the web-based injury and illness surveillance system survey (WEB-IISS) carried out by the International Paralympic Committee (IPC) Medical Committee. The WEB-IISS survey was completed daily by the Chief Medical Officers of each National Paralympic Committee (NPC). Main outcome measures were injury incidence rate (IR; number of injuries per 1000 athlete-days), injury incidence proportion (IP; number of injuries per 100 athletes), and injury incidence rate ratio (IRR; the ratio between the calculated IRs). After the competition, a survey assessed the available clinical resources of each NPC. Results A total of 180 athletes participated in the time period; injuries for 141 athletes with their own medical support were recorded during the 10-day period, accounting for 1410 athlete-competition days of exposure. Overall IR was 15.6/1000 athlete-days (95% CI; 9.61-21.59). Most injuries were from chronic overuse (63.6%). The most commonly injured anatomical region was the shoulder (45.5%; IR = 7.09). There were no significant differences in injury patterns between male and female powerlifters (IRR = 0.78 [95% CI; 0.36-1.69], P-value = .699). The oldest age group (35-75) had the highest injury incidence rate (IR = 21.8 [95% CI; 12.63-30.96]). There was no significant difference in IP among lighter compared with heavier athletes. Of 34 NPCs, the majority of federations (91.6%-95.8%) felt their powerlifters have access to sports medicine doctors or sports medicine-trained clinicians who could implement and/or direct injury prevention protocols. Conclusions The information obtained in this study supports the need for injury prevention protocol development in this high-risk 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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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) | 0,003 | 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 ».