Risk factors associated with acute respiratory illnesses in athletes: a systematic review by a subgroup of the IOC consensus on ‘acute respiratory illness in the athlete’
Notice bibliographique
Résumé
OBJECTIVE: To review risk factors associated with acute respiratory illness (ARill) in athletes, including non-infectious ARill and suspected or confirmed acute respiratory infections (ARinf). DESIGN: Systematic review. DATA SOURCES: Electronic databases: PubMed-Medline, EbscoHost and Web of Science. ELIGIBILITY CRITERIA: Original research articles published between January 1990 and July 2020 in English were searched for prospective and retrospective full text studies that reported quantitative data on risk factors associated with ARill/ARinf in athletes, at any level of performance (elite/non-elite), aged 15-65 years. RESULTS: 48 studies (n=19 390 athletes) were included in the study. Risk factors associated with ARill/ARinf were: increased training monotony, endurance training programmes, lack of tapering, training during winter or at altitude, international travel and vitamin D deficits. Low tear-(SIgA) and salivary-(IgA) were immune biomarkers associated with ARill/ARinf. CONCLUSIONS: Modifiable training and environmental risk factors could be considered by sports coaches and athletes to reduce the risk of ARill/ARinf. Clinicians working with athletes can consider assessing and treating specific nutritional deficiencies such as vitamin D. More research regarding the role and clinical application of measuring immune biomarkers in athletes at high risk of ARill/ARinf is warranted. PROSPERO REGISTRATION NUMBER: CRD42020160928.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».