High Sport Specialization Is Associated With More Musculoskeletal Injuries in Canadian High School Students
Notice bibliographique
Résumé
OBJECTIVE: To describe levels of sport specialization in Canadian high school students and investigate whether sport specialization and/or sport participation volume is associated with the history of musculoskeletal injury and/or concussion. DESIGN: Cross-sectional study. SETTING: High schools, Alberta, Canada. PARTICIPANTS: High school students (14-19 years) participating in various sports. INDEPENDENT VARIABLES: Level of sport specialization (high, moderate, low) and sport participation volume (hours per week and months per year). MAIN OUTCOME MEASURES: Twelve-month injury history (musculoskeletal and concussion). RESULTS: Of the 1504 students who completed the survey, 31% were categorized as highly specialized (7.5% before the age of 12 years). Using multivariable, negative, binomial regression (adjusted for sex, age, total yearly training hours, and clustering by school), highly specialized students had a significantly higher musculoskeletal injury rate [incidence rate ratio (IRR) = 1.36, 95% confidence interval (CI), 1.07-1.73] but not lower extremity injury or concussion rate, compared with low specialization students. Participating in one sport for more than 8 months of the year significantly increased the musculoskeletal injury rate (IRR = 1.27, 95% CI, 1.02-1.58). Increased training hours significantly increased the musculoskeletal injury rate (IRR = 1.18, 95% CI, 1.13-1.25), lower extremity injury rate (IRR = 1.16, 95% CI, 1.09-1.24), and concussion rate (IRR = 1.31, 95% CI, 1.24-1.39). CONCLUSIONS: Approximately one-third of Canadian high school students playing sports were categorized as highly specialized. The musculoskeletal injury rate was higher for high sport specialization students compared with low sport specialization students. Musculoskeletal injuries and concussion were also more common in students who train more and spend greater than 8 months per year in one sport.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».