451 Who? What? Where? Why? Describing the patterns of injury in high school male collision sports
Notice bibliographique
Résumé
Background Collision sports (Canadian football, ice hockey, lacrosse, rugby) are popular among Canadian male youth, however it is recognised that collision sports are associated with a high risk of injury. Objective To describe the patterns of collision sport-related injury in Canadian male high school athletes. Design Secondary analysis of a cross-sectional survey. Setting High schools (Alberta, Canada) Participants 360 male students (of 2029 respondents), who play at least one of Football, Hockey, Lacrosse or Rugby. Assessment of Risk Factors An anonymous online survey included questions regarding the mechanism, site, type, and nature of collision sport injuries. Main Outcome Measurements Sport-related injury self-reported in the past year. Results Of the 2029 survey respondents, 958 (47.2%) were male of which 360 (37.6%) reported playing at least one collision sport. Of all serious injuries reported by males, collision sports accounted for 33% [hockey: 63(17%), football: 41(11%), lacrosse: 9(3%), rugby 8(2%)]. The head/face accounted for the largest proportion of injuries (hockey: 25.4%, football: 24.4%, lacrosse: 33.3%, rugby 50.0%). Concussion was the most common injury in rugby (50.0%) and football (24.4%) and fractures the most common in hockey (27.0%) and lacrosse (44.4%). Contact with another player was the most frequently reported mechanism of injury (rugby: 87.5%, football: 77.1%, lacrosse: 66.7%, hockey: 57.4%), with most injuries related to contact by a player who was bigger or the same size as the injured player (hockey/rugby:100%, lacrosse: 83.3%, football: 81.5%). Conclusions Sport-related injuries in male collision sports are common, with four sports accounting for 33% of all reported injuries across male Canadian high school sports. Head/face injuries were the most common, with the majority of injuries occurring due to contact with another player. There is scope to consider primary prevention strategies such as contact training and rule changes to address the risk of injury in youth collision sport.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».