Prevalence of therapeutic use exemptions at the Olympic Games and association with medals: an analysis of data from 2010 to 2018
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objectives The percentage of athletes with Therapeutic Use Exemptions (TUEs) competing in elite sport and the association with winning medals has been a matter of speculation in the absence of validated competitor numbers. We used International Olympic Committee (IOC) and World Anti-Doping Agency (WADA) data to identify athletes competing with TUEs at five Olympic Games (Games) and a possible association between having a TUE and winning an Olympic medal. Methods We used the IOC’s competition results and WADA’s TUE database to identify the number of TUEs for athlete competitions (ACs, defined as one athlete competing in one event) and any associations with medals among athletes competing in individual competitions. We calculated risk ratios (RR) for the probability of winning a medal among athletes with a TUE compared with that of athletes without a TUE. We also reported adjusted RR (RR adj ) controlling for country resources, which is a potential confounder. Results During the Games from 2010 to 2018, there were 20 139 ACs and 2062 medals awarded. Athletes competed with a TUE in 0.9% (181/20 139) of ACs. There were 21/2062 medals won by athletes with a TUE. The RR for winning a medal with a TUE was 1.13 (95% CI: 0.73 to 1.65; p=0.54), and the RR adj was 1.07 (95% CI: 0.69 to 1.56; p=0.73). Conclusion The number of athletes competing with valid TUEs at Games is <1%. Our results suggested that there is no meaningful association between being granted a TUE and the likelihood of winning a medal.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle