Descriptive epidemiology of orthopedic injury and illness during the Special Olympics of Pennsylvania Summer Games from 2008 to 2017
Notice bibliographique
Résumé
Background: The Special Olympics Pennsylvania Summer Games attract over 2000 athletes each year. Volunteer medical staff ensures their safety throughout this period. However, few studies have examined the incidence of orthopedic injury and sickness in this group, especially with a large sample. Objective: Identify the incidence of orthopedic injury and Illness at the Special Olympics Pennsylvania Summer Games based on demographic criteria and identify the incidence of transports required for advanced care. Methods: Data was collected from logs provided by Special Olympics Pennsylvania. The data were analyzed and stratified by gender, age, sport, and type of encounter. We summarized the data and compared it to data from other years and the average. Results: An average of 1971 athletes competed annually. On average, 10% (N=144) of competitors required medical care. Males comprised 58.2% (N = 837) of encounters, females 33.6% (N = 483), and in 8.1% (N = 117) of encounters gender was not identified/recorded. The mean age of participants was 29 years of age (range from 10 to 83). 56.6% (N= 813) of encounters required first aid management only. Injuries made up 31.7% (N = 455) of total encounters, and 11.8% (N=169) of encounters were classified as illnesses. Basketball was the sport with the most injuries, 49.5% (N = 711). An average of 9.8 transports was required annually. Conclusions: Special Olympics athletes suffer the same injuries as regular athletes, but they are also prone to various medical disorders that regular athletes are not.
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 | 0,002 | 0,001 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».