084 Monitoring workload to evaluate injury risk: the impact of missing data
Notice bibliographique
Résumé
Background The acute: chronic workload ratio (ACWR) is used to monitor workload, with both low and high ACWR associated with injury risk. Ignoring or imputing missing data points may influence ACWR calculations. Objective To examine the effect of ignoring versus imputing missing data on ACWR. Design Cohort, longitudinal. Setting Youth basketball. Participants Fifty (25F, 25M; 16.5 years; 66.2 kg; 173.5 cm) basketball players on four high school teams. Assessment of Risk Factors Participants wore a jump counter (VERT® Classic) to record external workload during practices and games throughout the 17-week season. Main Outcome Measurements Two datasets were created: missing data were ignored, and missing data were imputed using a machine learning algorithm based on typical jump counts for the individual, team and sex. The distribution of ACWR was compared between datasets using a two-sample Kolmogorov-Smirnov test. Pearson correlations were used to assess how the ACWR for the ignored and imputed datasets relate to the difference between the percent of missing acute and chronic data. Results The distribution of ACWR was significantly different between the ignored and imputed datasets (D=0.164, p<0.001). The ignored dataset had 40% more cases of ACWR<0.5 and 97% more cases of ACWR>2.0 than the imputed dataset. There was a significant moderate association between ACWR and the difference between the percent of missing acute and chronic data for the ignored dataset (rho=0.617, p<0.001). When more acute than chronic data are missing, ACWR is low; when more chronic than acute data are missing, ACWR is high. There was no relationship between missing data and ACWR for imputed data (rho=0.061, p=0.147). Conclusions When missing data are ignored, ACWR is dependent on the quantity of missing acute and chronic data. Additionally, ignoring rather than imputing missing data is likely to result in more extreme ACWR, which could influence evaluation of the relationship between workload and injury risk.
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 | 0,037 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».