MétaCan
Menu
Retour à la cohorte
Enregistrement W3148874386 · doi:10.1177/03635465211002530

Effect of Anterior Cruciate Ligament Rupture on Physical Activity, Sports Participation, Patient-Reported Health Outcomes, and Physical Function in Young Female Athletes

2021· article· en· W3148874386 sur OpenAlexafffund
Allison M. Ezzat, Mariana Brussoni, Louise C. Mâsse, Carolyn A. Emery

Notice bibliographique

RevueThe American Journal of Sports Medicine · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueKnee injuries and reconstruction techniques
Établissements canadiensAlberta Children's HospitalUniversity of CalgaryBC Children's HospitalSpinal Cord Injury BCUniversity of British Columbia
Organismes subventionnairesBC Children's HospitalAmerican Orthopaedic Society for Sports Medicine
Mots-clésMedicineAthletesAnterior cruciate ligament reconstructionPhysical therapyBody mass indexAnterior cruciate ligamentCohortOsteoarthritisPhysical medicine and rehabilitationCohort studySurgeryInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Return to sports (RTS) is frequently considered an indicator of successful recovery after anterior cruciate ligament reconstruction (ACLR). However, despite the well-recognized health benefits of physical activity (PA), little is known about objectively measured PA in the 1 to 2 years after ACLR. Given that young female athletes have a high prevalence of ACLR and lower RTS rates as compared with their male counterparts, an in-depth examination of PA in this subgroup is warranted. HYPOTHESIS: We hypothesized that female youth and young adults who have had ACLR in the previous 1 to 2 years would have less moderate or vigorous PA (MVPA) compared with healthy matched controls. We also hypothesized that the ACLR group would report lower levels of sports participation, patient-reported health outcomes, and physical function. STUDY DESIGN: Cohort study; Level of evidence, 3. METHODS: Participants included 51 female athletes with primary unilateral ACLR for a sports-related injury in the previous 1 to 2 years and 51 age- and sports-matched controls. Outcomes included objectively measured PA (GT3X accelerometers), previous and current sports participation and RTS, body mass index, Knee injury and Osteoarthritis Outcome Score (KOOS), triple single-leg hop, and one-leg rise. Mean within-pair differences with 95% CIs were used to assess differences between groups across all outcomes. Multivariable linear regression (clustered by pair) was used to examine whether the ACLR group had less MVPA than did the age- and sports-matched control group, adjusting for total wear time, age, time since injury, and body mass index. RESULTS: Median age was 17.8 years (range, 14.6-22.6 years). There was no significant difference between groups in MVPA. However, the injury group had fewer mean minutes per day of vigorous PA (-1.22; 95% CI, -2.40 to -0.04), poorer KOOS values on all subscales, and shorter triple single-leg hop distance. In the injury group, 28 (55%) returned to sports, including 14 (27.5%) who returned at preinjury performance level. Across both groups, over one-third changed their most important sport, shifting toward an individual-based sport. CONCLUSION: At 1 to 2 years after ACLR, female athletes demonstrated no differences in combined MVPA and only a very small reduction in vigorous PA, yet they had higher levels of self-reported knee pain and symptoms, reduced knee function in sports, lower quality of life, and poorer objective knee function compared with matched controls.

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)0,002
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,009
Tête enseignante GPT0,319
Écart entre enseignants0,310 · 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'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations33
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe American Journal of Sports MedicineMême sujetKnee injuries and reconstruction techniquesTravaux en français237 207