208 What about BMX? A scoping review of injuries, risk factors, and prevention strategies
Notice bibliographique
Résumé
Background Bicycle motocross (BMX) was officially added to the Olympics in 2008. Participation has increased over the last decade and is listed as a top sport for injury rates in multisport studies. Before effective prevention programs can be designed and implemented, it is important to understand injury risk, risk factors and potential prevention strategies. Objective To examine the evidence on injury incidence, prevalence, risk factors, prevention strategies, and prevention implementation in BMX. Methods Five electronic databases were systematically searched in July 2020 for studies that included BMX injury as the main topic or subtopic. Two reviewers screened all studies and extracted data independently. Conflicts were resolved via consensus and a third reviewer. Results Of the 1615 unique articles screened, 36 met the inclusion criteria. Most injury surveillance based studies were conducted at elite competitions (e.g. BMX Cycling European Championship, Olympic Games, UCI BMX World Championship) or using data from the emergency department. The most common BMX injuries were fractures, lacerations, abrasions, and contusions. Risk factors included age, sex, number of riders per race, history of injury, and bicycle characteristics. Prevention strategies are limited and have not been appropriately evaluated; one study found that wearing a neck brace may reduce the number and magnitude of rotational accelerations at the head during BMX racing, but this was not evaluated for its effect on injury rates. Conclusions Most BMX studies focus on injury characteristics and do not use appropriate injury surveillance methodology. Studies based on emergency room data may underestimate less severe injuries and do not provide adequate measures of sport exposure. Reducing the number of riders per race may be a promising modifiable risk factor that requires further examination. More rigorous community-based prospective studies examining injury rates, risk factors, and prevention strategies are needed to inform widespread evidence-based prevention strategies.
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 | 0,016 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,024 | 0,020 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».