MétaCan
Menu
Retour à la cohorte
Enregistrement W3037020549 · doi:10.1080/24733938.2020.1789203

Epidemiology of injuries in elite male and female futsal: a systematic review and meta-analysis

2020· review· en· W3037020549 sur OpenAlexaff
Iñaki Ruiz‐Pérez, Alejandro López‐Valenciano, José Luis López Elvira, José Alberto García, Mark De Ste Croix, Francisco Ayala

Notice bibliographique

RevueScience and Medicine in Football · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueSports injuries and prevention
Établissements canadiensSeneca Polytechnic
Organismes subventionnairesnon disponible
Mots-clésPoisson regressionMeta-analysisMedicineIncidence (geometry)DemographyScopusEpidemiologyPoison controlRate ratioInjury preventionCohort studyMEDLINEPhysical therapyConfidence intervalEnvironmental healthPopulationInternal medicineBiology

Résumé

récupéré en direct d'OpenAlex

The main purpose of this study was to conduct a systematic review and meta-analysis quantifying the incidence of injuries in futsal players. A systematic search was conducted using MEDLINE, PubMed, Web of Science and Scopus databases and subsequently, six studies (14 cohorts) were selected. Separate meta-analyses for male and female players were conducted using a Poisson random-effect regression model approach. The overall and match incidence rates in elite male futsal players were 6.8 (95% CI = 0.0-15.2) and 44.9 (95% CI = 17.2-72.6) injuries/1000 hours of exposure. Pooled training injury rate in male players was not calculated due to the lack of studies reporting training injuries in this cohort. For females, an overall, training and match incidence rates of 5.3 (95% CI = 3.5-7), 5.1 (95% CI = 2.7-7.6) and 10.3 (95% CI = 0.6-20.1) injuries/1000 hours of exposure were reported. In males, match incidence rate in International tournaments was 8.5 times higher than in national leagues (77.2 [95% CI = 60.0-94.5] vs 9.1 [95% CI = 0.0-19.3] for international tournaments and national leagues, respectively). Elite male and female futsal players are exposed to a substantial risk of sustaining injuries, especially during matches.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,028
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,016
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,028
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0160,033
Bibliométrie0,0100,009
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,147
Tête enseignante GPT0,445
Écart entre enseignants0,299 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScience and Medicine in FootballMême sujetSports injuries and preventionTravaux en français237 207