Injuries in Canadian high school boys’ collision sports: insights across football, ice hockey, lacrosse, and rugby
Notice bibliographique
Résumé
Abstract Background Collision sport participation rates among high school youth in Canada are high. While participation is beneficial for physical and mental well-being, the rates of injury in these sports are high. Aims This study aims to compare injury rates and profiles across four common youth collision sports (ice hockey, tackle football, lacrosse, rugby). Methods Data from a cross-sectional questionnaire of 2029 high school youth were used to identify male collision sport participants to be included in this secondary analysis ( n = 360). Results Of the 2029 students who completed the questionnaire, 360 participated in collision-based sports [Ages: 14 (5%), 15 (41%), 16 (25%), 17 (26%), 18 (3%)]. The rates of injury ranged from 12.7 injuries/100 participants/year (rugby) to 33.1 injuries/100 participants/year (ice hockey). Concussion rates ranged from 12.4 (football) to 15.8 (ice hockey) concussions/100 participants/year. Similarities existed in the profile of injuries between sports, with most injuries occurring due to contact with another player (range 57.0% to 87.5%). Injuries to the head (33.3%), wrist/hand (16.0%), shoulder (12.8%), and knee (12.0%) were the most prevalent injury type. Substantial differences in previous playing experience existed between sports. Discussion The high rate of injury and concussion reported across each of these sports highlights the need for the introduction of primary prevention strategies in these sports aimed to reduce the risk of injury.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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) | 0,000 | 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 ».