AOASM Position Statement on Esports, Active Video Gaming, and the Role of the Sports Medicine Physician
Notice bibliographique
Résumé
Abstract: Electronic sports, or esports, has a global audience of over 300 million fans and is increasing in popularity, resulting in projected revenue of over $1 billion by the end of this past year. The global pandemic of 2020 had little to no effect on these increasing numbers because athletes have been able to continue to engage in sports because of its electronic nature and fans have been able to follow them virtually. Esports has been recognized as an organized sport by the International Olympic Committee, the US National Collegiate Athletic Association, and several secondary school athletic associations within the United States. In addition, professional teams have been established in several major cities within the United States, Canada, Europe, and Australia. With the growth of esports, the necessity of incorporating esports medicine into the practice of sports medicine physicians has become paramount. Esports can be played on a monitor or screen and played using physical activity in what has become known as active video gaming. Within both of these platforms, there have emerged certain conditions unique to esports. There are also certain conditions seen in other sports applicable to esports athletes. This document will review the evaluation of the esports athlete, introduce conditions unique to these athletes and review common conditions seen in esports, discuss diagnostics used in the evaluation of esports athletes, introduce treatment options for conditions unique to esports and review those for commonly seen injuries in esports, discuss prevention of injuries in esports, and introduce a framework for the future development of esports medicine that can be introduced into the daily practice of the sports medicine physician.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».