Risk Factors for Non-Contact Lower-Limb Injury: A Retrospective Survey in Pediatric-Age Athletes
Notice bibliographique
Résumé
Background: Risk factors for non-contact lower-limb injury in pediatric-age athletes and the effects of lateral dominance in sport (laterally vs. non-laterally dominant sports) on injury have not been investigated. Purpose: To identify risk factors for non-contact lower-limb injury in pediatric-age athletes. Methods: Parents and/or legal guardians of 2269 athletes aged between 6–17 years were recruited. Each participant completed an online questionnaire that contained 10 questions about the athlete’s training and non-contact lower-limb injury in the preceding 12 months. Results: The multivariate logistic regression model determined that lateral dominance in sport (adjusted OR (laterally vs. non-laterally dominant sports), 1.38; 95% CI, 1.10–1.75; p = 0.006), leg preference (adjusted OR (right vs. left-leg preference), 0.71; 95% CI, 0.53–0.95; p = 0.023), increased age (adjusted OR, 1.21; 95% CI, 1.16–1.26; p = 0.000), training intensity (adjusted OR, 1.77; 95% CI, 1.43–2.19; p = 0.000), and training frequency (adjusted OR, 1.36; 95% CI, 1.25–1.48; p = 0.000) were significantly associated with non-contact lower-limb injury in pediatric-age athletes. Length of training (p = 0.396) and sex (p = 0.310) were not associated with a non-contact lower-limb injury. Conclusions: Specializing in laterally dominant sports, left-leg preference, increase in age, training intensity, and training frequency indicated an increased risk of non-contact lower-limb injury in pediatric-age athletes. Future research should take into account exposure time and previous injury.
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 | 0,000 | 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) | 0,001 | 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 ».