Optimal Load for Managing Low-Risk Tibial and Metatarsal Bone Stress Injuries in Runners: The Science Behind the Clinical Reasoning
Notice bibliographique
Résumé
Background Low-risk bone stress injuries (BSIs) of the tibia and metatarsal diaphyses account for more than half of BSIs in runners. They interrupt training and are managed using noninvasive approaches that are designed to achieve a speedy but safe return to running. Clinical Question What is the optimal load to manage low-risk tibial and metatarsal BSIs and safely return to running? Key Results Optimal load can be guided by knowledge of the BSI healing process and is symptom driven. At all stages, the optimal load does not produce symptoms during, after, or the day following loading. Clinical Application A period of initial load reduction, via partial or non–weight bearing, is typically needed to alleviate presenting symptoms. Analgesics or nonsteroidal anti-inflammatory drugs may be used in the short term (sooner than 7 days), but only for resting pain and night pain. Healing supplements (eg, low-intensity pulsed ultrasound and/or recombinant parathyroid hormone therapy) may be attempted to influence tissue healing. Athletes can maintain cardiopulmonary fitness via cross-training, while simultaneously addressing musculoskeletal fitness. A return-to-run program can be initiated once an athlete is pain free during daily activities for 5 consecutive days. Progress is directed by symptom provocation and initially focuses on increasing running volume before speed. Optimal loading should be continued following return to running and may include jump training and/or gait retraining to reduce subsequent BSI risk. The optimal loading approach to managing low-risk tibial and metatarsal BSIs is clinically successful, but requires further scientific validation. J Orthop Sports Phys Ther 2021;51(7):322–330. Epub 7 May 2021. doi:10.2519/jospt.2021.9982
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».