Prevention of Non-Contact Anterior Cruciate Ligament Injuries among Youth Female Athletes: An Umbrella Review
Notice bibliographique
Résumé
Anterior cruciate ligament (ACL) injuries account for a large percentage of knee injuries, disproportionately affecting female athletes. To help health professionals stay current, we performed an umbrella review to evaluate the effectiveness of ACL injury prevention programs in reducing non-contact ACL injury rates, determine the effective components within interventions, and provide clinical recommendations. Twelve databases (Medline, Embase, Cochrane Database of Systematic Reviews, SPORTDiscus, Cumulative Index to Nursing and Allied Health Literature, PEDro, Web of Science Core Collection, Epistemonikos, TRIP, BC Guidelines and Protocols, CPG Infobase, ProQuest Dissertations and Theses Global) were searched in May 2021 to identify relevant systematic reviews and meta-analyses. Four databases were searched again in September 2021 to identify recent primary literature. Non-contact ACL injury data were extracted to calculate incidence rate ratios (IRRs) and these were combined using an inverse variance random-effects model. A qualitative assessment of included reviews was performed. The methodological quality of the studies was assessed using a Measurement Tool to Assess Systematic Reviews 2 (AMSTAR 2) or Cochrane Risk-of-Bias Tool for Randomized Trials (RoB 2). Sixteen reviews and two primary studies met the inclusion criteria. Across 11 primary studies, prevention programs were effective in reducing non-contact ACL injuries by 64% (IRR = 0.36 (95% CI: 0.18-0.70)). A multi-faceted exercise program, beginning in the pre-season and containing at least three exercise types, may be beneficial in reducing ACL injury risk.
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 | 0,010 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,006 |
| Bibliométrie | 0,017 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».