Cross-sectional study of characteristics and prevalence of musculoskeletal complaints in 1170 male golfers
Notice bibliographique
Résumé
Objectives The primary aim was to describe the characteristics and prevalence of musculoskeletal complaints of a large group of non-professional golfers. Secondary aims were to compare golfers different in (A) skill-level, (B) presence of low back pain (LBP) and (C) performance of prevention exercises. Methods A sample of 1170 male golfers (mean age 54.98, SD=13.3) were surveyed online on personal and golf-specific characteristics, medical history and complaints in the preceding 7 days. Subgroups (A) with different golfing handicap (0 to 5, >5 to 10, >10), (B) with and without LBP and (C) who performed versus did not perform injury prevention exercises were compared using analysis of variance and χ 2 test. Results The prevalence and severity of musculoskeletal complaints was similar in everyday life and when playing golf. More than one-third of the golfers (n=436; 37.3%) reported LBP in the preceding 7 days, while other frequently affected body parts were the shoulder and knee. Golfers with different skill level differed in age and most golf-related characteristics but not in prevalence and severity of musculoskeletal complaints. Golfers with and without LBP were similar in almost all variables. Golfers who performed prevention exercises (n=371; 27.1%) were older and had a higher prevalence of complaints. Conclusion The prevalence and severity of musculoskeletal complaints in golfers were similar to the wider population. It seems that injury prevention exercises were implemented after injury, rather than as primary prevention. Prospective studies looking at the epidemiology of injury, risk factors and interventions are required.
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 | 0,001 | 0,000 |
| 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) | 0,000 | 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 ».