Treating low back pain in athletes: a systematic review with meta-analysis
Notice bibliographique
Résumé
OBJECTIVE: To summarise the evidence for non-pharmacological management of low back pain (LBP) in athletes, a common problem in sport that can negatively impact performance and contribute to early retirement. DATA SOURCES: Five databases (EMBASE, Medline, CINAHL, Web of Science, Scopus) were searched from inception to September 2020. The main outcomes of interest were pain, disability and return to sport (RTS). RESULTS: Among 1629 references, 14 randomised controlled trials (RCTs) involving 541 athletes were included. The trials had biases across multiple domains including performance, attrition and reporting. Treatments included exercise, biomechanical modifications and manual therapy. There were no trials evaluating the efficacy of surgery or injections. Exercise was the most frequently investigated treatment; no RTS data were reported for any exercise intervention. There was a reduction in pain and disability reported after all treatments. CONCLUSIONS: While several treatments for LBP in athletes improved pain and function, it was unclear what the most effective treatments were, and for whom. Exercise approaches generally reduced pain and improved function in athletes with LBP, but the effect on RTS is unknown. No conclusions regarding the value of manual therapy (massage, spinal manipulation) or biomechanical modifications alone could be drawn because of insufficient evidence. High-quality RCTs are urgently needed to determine the effect of commonly used interventions in treating LBP in athletes.
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 | 0,010 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,021 | 0,025 |
| Bibliométrie | 0,008 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».