98 Pivoting in a pandemic: opportunities for injury surveillance using video analysis in sport
Notice bibliographique
Résumé
Introduction Prospective cohort studies represent the gold standard in injury surveillance. However, these methods require longitudinal monitoring and are highly resource intensive. We describe the use of video-analysis to inform injury prevention where no other surveillance data is available. Materials and Methods Forty-eight female varsity rugby union matches were analysed through video-analysis. A three-stage approach to informing injury prevention included match event coding, suspected injury and concussion analysis, and tackle analysis. Key stakeholder engagement at each stage and video tagging by researchers and clinicians were undertaken. To identify suspected injury and concussion, operationally defined criteria were used. These criteria were face and content validated. Four suspected injury and 15 suspected concussion criteria were used. Each coder was required to complete inter-rater reliability, using the group consensus as the gold standard response for comparison. Results 225 suspected injuries and 59 suspected concussions were identified. The median number of injury criteria met was 3/4, with medical attention being required in 81% of cases, yet only 29% required removal from the field. Median number of concussion criteria was 2/15. Medical attention was the injury criteria with the highest level of agreement between unique coders (78–100% agreement). Conclusion Video-analysis is an underused tool for capturing suspected injury/concussion events. When undertaken using clearly operationalised definitions and in consultation with medical experts, vital information can be acquired to inform prevention strategies. The implications of this are wide-ranging and offer new opportunities for surveillance and prevention in under-reported and/or under-resourced sporting environments, particularly youth and female 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 | 0,008 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».