Injuries in Elite Men’s Rugby Union: An Updated (2012–2020) Meta-Analysis of 11,620 Match and Training Injuries
Notice bibliographique
Résumé
BACKGROUND: The most recent meta-analytic review of injuries in elite senior men's Rugby Union was published in 2013. The demands of the game at the elite level are continually changing alongside law amendments and developments in player preparation. As such, an updated meta-analysis of injury data in this setting is necessary. OBJECTIVE: To meta-analyse time-loss injury data in elite senior men's Rugby Union between 2012 and 2020. METHODS: Electronic databases were searched using the keywords 'rugby' and 'inj*'. Nineteen studies met the inclusion criteria. Injury incidence rate data were modelled using a mixed-effects Poisson regression model. Days missed data were modelled using a general linear mixed model. RESULTS: The included data encompassed a total of 8819 match injuries and 2801 training injuries. The overall incidence rate of injuries in matches was 91 per 1000 h (95% confidence interval (CI) 77-106). The estimated mean days missed per match injury was 27 days (95% CI 23-32). The overall incidence rate of match concussions was 12 per 1000 h (95% CI 9-15). The overall incidence rate of training injuries was 2.8 per 1000 h (95% CI 1.9-4.0). Playing level was not a significant effect modifier for any outcome. CONCLUSIONS: The injury incidence rate and mean days missed per injury in the present meta-analysis were higher, but statistically equivalent to, the 2013 meta-analysis (81 per 1000 h and 20 days, respectively). The injury incidence rate for match injuries in elite senior men's Rugby Union is high in comparison to most team sports, though the training injury incidence rate compares favourably. The tackle event and concussion injuries should continue to be the focus of future preventative efforts.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,012 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».