Do the General Public and Health Care Professionals Think That Running Is Bad for the Knees? A Cross-sectional International Multilanguage Online Survey
Notice bibliographique
Résumé
Background: Running is a popular sport with widely recognized health benefits. Given the high rates of knee injury in runners and the growing prevalence of knee osteoarthritis (KOA), it may be useful to assess perceptions about running and knee joint health. Purpose: The objectives of this study were to (1) explore and compare the perceptions of the general public (PUB) and health care professionals (HCPs) on the topic of running and knee health and (2) explore recommendations about running and knee health provided by HCPs. Study Design: Cross-sectional study. Methods: We conducted an online survey between June 18 and October 1, 2020. The questionnaire included questions on running and knee health, and HCPs were asked about their typical recommendations and level of confidence in providing recommendations on the topic. Perceptions (proportions) were compared between the PUB and HCPs using the chi-square test. Results: < .001) believed that running frequently (29% vs 13%), long distances (54% vs 45%), and on hard surfaces (60% vs 36%) increased the risk of developing KOA. Running for those with KOA was perceived by the PUB as posing an increased risk of getting more knee pain (48%) and needing joint replacement surgery (38%), more so than by HCPs (26% and 17%, respectively). The majority of HCPs reported being relatively confident in providing evidence-based recommendations about running and knee health and mostly recommended that runners with KOA modify training parameters instead of quit. Conclusion: More HCPs perceived running as healthy for knees when compared with the PUB. Most HCPs felt confident in providing evidence-based recommendations about running and knee health.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,001 | 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 ».