Collision with opponents—but not foul play—dominates injury mechanism in professional men’s basketball
Notice bibliographique
Résumé
BACKGROUND: To identify injury patterns and mechanisms in professional men's basketball by means of video match analysis. METHODS: In Germany, injuries are registered with the statutory accident insurance for professional athletes (VBG) by clubs or club physicians as part of occupational accident reporting. Moderate and severe injuries (absence of > 7 days) sustained during basketball competition in one of four seasons (2014-2017 and 2018-2019) in the first or second national men's league in Germany were prospectively analyzed using a newly developed standardized observation form. Season 2017-2018 was excluded because of missing video material. RESULTS: Video analysis included 175 (53%) of 329 moderate and severe match injuries. Contact patterns categorized according to the different body sites yielded eight groups of typical injury patterns: one each for the head, shoulders, and ankles, two for the thighs, and three for the knees. Injuries to the head (92%), ankles (76%), shoulders (70%), knees (47%), and thighs (32%) were mainly caused by direct contact. The injury proportion of foul play was 19%. Most injuries (61%) occurred in the central zone below the basket. More injuries occurred during the second (OR 1.8, p = 0.018) and fourth quarter (OR 1.8, p = 0.022) than during the first and third quarter of the match. CONCLUSION: The eight identified injury patterns differed substantially in their mechanisms. Moderate and severe match injuries to the head, shoulders, knees, and ankles were mainly caused by collision with opponents and teammates. Thus, stricter rule enforcement is unlikely to facilitate safer match play.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».