289 Injury rates and mechanisms of injury in female high school rugby
Notice bibliographique
Résumé
Background In Canada, unlike many countries, youth rugby players often have their first exposure to the sport in high school (ages 15–16). There are few studies examining injuries in female high school rugby union. Objective To describe injury rates and mechanisms among females participating in high school rugby union. Design Prospective cohort study. Setting Rugby pitches (Calgary, Canada). Participants Female high school rugby players (ages 15–18) participating in 2018 (7 teams, n=214) and 2019 (7 teams, n=207) seasons. Assessment of Risk Factors Mechanism of injury was recorded by team designates on an electronic injury report form, validated by a certified athletic therapist. Main Outcome Measurements Training and match injuries were identified by a team designate or study therapist if the player 1) required medical attention, 2) was unable to complete the session, and/or 3) unable to participate in activity for ≥ one day. Results There were 155 match [93.7 injuries/1000-match-hours (95%CI, 78.6–111.7)] and 85 training injuries [5.3 injuries/1000-training-hours ( 95%CI, 4.0–6.9)] across two years of injury surveillance. Match injuries most commonly occurred while tackling [62 injuries (40%) 37.5 injuries/1000-match-hours (95%CI, 27.1–51.8), being tackled [47 injuries (30%), 28.4 injuries/1000-match-hours (95%CI, 20.3–39.8)], and during a ruck/maul [12 injuries (8%), 7.3 injuries/1000-match-hours]. Training injuries most commonly occurred while tackling [20 injuries (24%), 1.2 injuries/1000-training-hours (95%CI, 0.7–2,4)], being tackled [17 injuries (20%), 1.1 injuries/1000-training-hours (95%CI, 0.7–1.7)], and running [9 injuries (11%), 0.6 injuries/1000-training-hours (95%CI, 0.3–1.0)]. Conclusions Tackling was identified as the most common mechanism of injury among female high school rugby players, with the highest rates in the active tackler during matches. Safe tackling interventions are an ideal primary prevention target to reduce the risk of injury within this population.
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 | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».