Observed Injury Rates Did Not Follow Theoretically Predicted Injury Risk Patterns in Professional Human Circus Artists
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Identifying which types of athletes have increased injury risk (ie, predictive risk factors) should help develop cost-effective selective injury prevention strategies. Our objective was to compare a theoretical injury risk classification system developed by coaches and rehabilitation therapists, with observed injury rates in human circus acts across dimensions of physical stressors, acrobatic complexity, qualifications, and residual risks. DESIGN: Descriptive epidemiological study. SETTING: professional circus company. PATIENTS OR OTHER PARTICIPANTS: Human circus artists performing in routine roles between 2007 and 2017. ASSESSMENT OF RISK FACTORS: Characteristics of circus acts categorized according to 4 different dimensions. MAIN OUTCOME MEASURES: Medical attention injury rates (injury requiring a visit to the therapist), time-loss injury rates (TL-1; injury resulting in at least one missed performance), and time-loss 15 injury rates (TL-15; injury resulting in at least 15 missed performances). RESULTS: Among 962 artists with 1 373 572 performances, 89.4% (860/962) incurred at least one medical attention injury, 74.2% (714/962) incurred at least one TL-1 injury, and 50.8% (489/962) incurred at least one TL-15 injury. There were important inconsistencies between theoretical and observed injury risk patterns in each of the 4 dimensions for all injury definitions (medical attention, TL-1, and TL-15). CONCLUSIONS: Although theoretical classifications are the only option when no data are available, observed risk patterns based on injury surveillance programs can help identify artists who have a high (or low) theoretical risk but are nonetheless actually at low (or high) risk of injury, given their current roles. This will help develop more cost-effective selective injury prevention programs.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 découle