The “SHRed Injuries Basketball” Neuromuscular Training Warm-up Program Reduces Ankle and Knee Injury Rates by 36% in Youth Basketball
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the effectiveness of a neuromuscular training warm-up prevention program, Surveillance in High school and community sport to Reduce (SHRed) Injuries Basketball, for reducing all-complaint ankle and knee injuries in youth basketball players. DESIGN: Quasi-experimental study. METHODS: High school/club basketball teams (male and female players aged 11-18 years) in Calgary, Canada participated in 2016-2017 (control; season 1) and 2017-2018 (intervention; season 2). The control season included a standard-of-practice warm-up. In season 2, a SHRed Injuries Basketball coach workshop was completed by participating team coaches. Teams were randomized by school/club to an unsupervised or a supervised (weekly supervision by study personnel) implementation of the coach-delivered SHRed Injuries Basketball program. The 10-minute SHRed Injuries Basketball program included 13 exercises (ie, aerobic, agility, strength, balance). All-complaint ankle and knee injuries were collected weekly using validated injury surveillance. Multilevel, multivariable Poisson regression analyses (considering important covariates, clustering by team and individual, and offset by exposure hours) estimated incidence rate ratios (IRRs) by intervention group (season 1 versus season 2) and secondarily considered the control versus completion of the SHRed Injuries Basketball program, unsupervised and supervised. RESULTS: Sixty-three teams (n = 502 players) participated in season 1 and 31 teams (n = 307 players: 143 unsupervised, 164 supervised) participated in season 2. The SHRed Injuries Basketball program was protective against all-complaint knee and ankle injuries (IRR = 0.64; 95% confidence interval [CI]: 0.51, 0.79). Unsupervised (IRR = 0.62; 95% CI: 0.47, 0.83) and supervised (IRR = 0.64; 95% CI: 0.49, 0.85) implementations of the SHRed Injuries Basketball program had similar protective effects. CONCLUSION: .
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».