Injuries and Concussions in Female High School Rugby: Prevention is Worth a Try
Notice bibliographique
Résumé
Objectives: To describe injury and concussion rates and mechanisms in female high school rugby players. Design: Two-year prospective cohort study. Setting: High school rugby. Participants: Participants included 214 female High school rugby players (year 1) and 207 female High school players (year 2) from the Calgary Senior High School Athletics Association 2018 and 2019 rugby competition. Intervention: None. Main Outcome Measures: Match and training injury and concussion. Injury definition included any injury resulting in time loss, inability to complete a session, and/or requiring medical attention. Details of reported injuries were collected on injury report forms and validated by a certified athletic therapist on a validated online injury surveillance platform. Exposure hours for players were tracked using paper or virtual weekly exposure forms by team designates. Results: A match incidence rate (IR) = 93.7 injuries/1000 match hours (95% confidence intervals (CI): 78.6-11.7) and training IR = 5.3 injuries/1000 training hours (95% CI: 4.0-6.9) were estimated. The tackle accounted for 109 (70%) match and 37 (44%) training injuries. Tackling was the most frequent mechanism of injury (IR = 37.5 injuries/1000 match hours, 95% CI: 27.5-51.8 and 1.2 injuries/1000 training hours, 95% CI: 0.7-2.4). Sixty-two match concussions (IR = 37.5 concussions/1000 match hours, 95% CI: 26.8-52.3) and 16 training concussions (IR = 1.0 concussions/1000 training hours, 95% CI: 0.7-1.4) occurred. Of 78 reported concussions, 78% for match and 56% for training were physician diagnosed. Tackling was the most frequent mechanism of concussion in matches (IR = 18.1 concussions/1000 match hours, 95% CI:11.4-28.6). Conclusions: Injury and concussion rates in female high school rugby are high. The tackle accounted for the highest proportion of injuries. Prevention strategies (eg, tackle policy change, tackle-training programs, and neuromuscular training) should be explored to increase sport safety.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».