Baseball Pitching Arm Three-Dimensional Inertial Parameter Calculations From Body Composition Imaging and a Novel Overweight Measure for Youth Pitching Arm Kinetics
Notice bibliographique
Résumé
Many baseball pitching studies have used inverse dynamics to assess throwing arm kinetics as high and repetitive kinetics are thought to be linked to pitching injuries. However, prior studies have not used participant-specific body segment inertial parameters (BSIPs), which are thought to improve analysis of high-acceleration motions and overweight participants. This study's objectives were to (1) calculate participant-specific BSIPs using dual energy X-ray absorptiometry (DXA) measures, (2) compare inverse dynamic calculations of kinetics determined by DXA-calculated BSIPs (full DXA-driven inverse dynamics) against kinetics using the standard inverse dynamics approach with scaled BSIPs (scaled inverse dynamics), and (3) examine associations between full DXA-driven kinetics and overweight indices: body mass index (BMI) and segment mass index (SMI). Eighteen participants (10-11 years old) threw 10 fastballs that were recorded for motion analysis. DXA scans were used to calculate participant-specific BSIPs (mass, center of mass, radii of gyration) for each pitching arm segment (upper arm, forearm, hand), BMI, and SMI. The hypotheses were addressed with t-tests and linear regression analyses. The major results were that (1) DXA-calculated BSIPs differed from scaled BSIPs for each pitching arm segment; (2) calculations for shoulder, but not elbow, kinetics differed between the full DXA-driven and scaled inverse dynamics analyses; and (3) full DXA-driven inverse dynamics calculations for shoulder kinetics were more often associated with SMI than BMI. Results suggest that using participant-specific BSIPs and pitching arm, SMIs may improve evidence-based injury prevention guidelines for youth pitchers.
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 | 0,000 | 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 ».