Lumbar Multifidus Muscle Characteristics, Body Composition, and Injury in University Rugby Players
Notice bibliographique
Résumé
CONTEXT: A smaller lumbar multifidus (LM) muscle was reported to be a strong predictor of lower limb injury in professional Australian Football League players. However, despite the high prevalence of low back pain (LBP) and lower limb injury in rugby players, their LM characteristics have yet to be explored. OBJECTIVE: To (1) examine LM characteristics in male and female university rugby players and their possible associations with LBP and lower limb injury and (2) investigate the relationship between LM characteristics and body composition in this group of athletes. DESIGN: Cross-sectional study. SETTING: University research center. PATIENTS OR OTHER PARTICIPANTS: Thirty-four university rugby players (20 women, 14 men). MAIN OUTCOME MEASURE(S): Ultrasound measurements of LM cross-sectional area (CSA), thickness, and percentage change in thickness during contraction were obtained bilaterally, at the L5-S1 level, in prone and standing positions. Body composition measures were obtained using dual-energy x-ray absorptiometry. Self-reported questionnaires were used to obtain LBP and lower limb injury history. RESULTS: Players who reported LBP in the previous 3 months showed a smaller percentage change in thickness during contraction in the standing position (F = 5.21, P = .03). The LM CSA side-to-side asymmetry (right versus left) was greater in players who reported having a lower limb injury in the previous 12 months (F = 4.98, P = .03). The LM CSA was significantly associated with body composition measurements. A greater percentage change in thickness during contraction was significantly associated with a lower percentage of body fat. The LM echo intensity was strongly associated with the total percentage of body fat and was significantly greater in women. CONCLUSIONS: The influence of body composition on LM morphology in athletes cannot be ignored and warrants further investigation. Our findings also provide preliminary evidence of an association among LM morphology, LBP, and lower limb injury in university rugby players.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 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 ».