Player position in American football influences the magnitude of mechanical strains produced in the location of chronic traumatic encephalopathy pathology: A computational modelling study
Notice bibliographique
Résumé
American football players are frequently exposed to head impacts, which can cause concussions and may lead to neurodegenerative diseases such as chronic traumatic encephalopathy (CTE). Player position appears to influence the risk of concussion but there is limited work on its effect on the risk of CTE. Computational modelling has shown that large brain deformations during head impacts co-localise with CTE pathology in sulci. Here we test whether player position has an effect on brain deformation within the sulci, a possible biomechanical trigger for CTE. We physically reconstructed 148 head impact events from video footage of American Football games. Players were separated into 3 different position profiles based on the magnitude and frequency of impacts. A detailed finite element model of TBI was then used to predict Green-Lagrange strain and strain rate across the brain and in sulci. Using a one-way ANOVA, we found that in positions where players were exposed to large magnitude and low frequency impacts (e.g. defensive back and wide receiver), strain and strain rate across the brain and in sulci were highest. We also found that rotational head motion is a key determinant in producing large strains and strain rates in the sulci. Our results suggest that player position has a significant effect on impact kinematics, influencing the magnitude of deformations within sulci, which spatially corresponds to where CTE pathology is observed. This work can inform future studies investigating different player-position risks for concussion and CTE and guide design of prevention systems.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,000 | 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 ».