Incidence of football injuries sustained on artificial turf compared to grass and other playing surfaces: a systematic review and meta-analysis
Notice bibliographique
Résumé
Background: Prior reviews have not conducted statistical synthesis of injury incidence on artificial turf in football. To analyse and compare the incidence of injuries sustained playing football (soccer) on artificial turf compared to grass and other playing surfaces. Methods: This was a systematic review and meta-analysis. We searched PubMed, Scopus, SPORTDiscus, and Web of Science databases in October 2022 without filters. All observational studies (prospective or retrospective) that analysed injuries sustained playing football on artificial turf and which included a control group that played on grass or other surface were included. Studies were included if they reported the number of injuries and the exposure time for the playing surfaces. Risk of bias was assessed by Newcastle-Ottawa Scale. A random effects model was used to calculate the pooled incidence rate ratios (IRR) with 95% confidence intervals. Protocol was registered with PROSPERO on October 30th, 2022. Registration number: CRD42022371414. Findings: We screened 1447 studies, and evaluated 67 full reports, and finally included 22 studies. Risk of bias was a notable issue, as only 5 of the 22 studies adjusted their analysis for potential confounders. Men (11 studies: IRR 0.82, CI 0.72-0.94) and women (5 studies: IRR 0.83, CI 0.76-0.91) had lower injury incidence on artificial turf. Professional players had a lower incidence of injury (8 studies: IRR 0.79, CI 0.70-0.90) on artificial turf, whereas there was no evidence of differences in the incidence of injury in amateur players (8 studies: IRR 0.91, CI 0.77-1.09). The incidence of pelvis/thigh (10 studies: IRR 0.72, CI 0.57-0.90), and knee injuries (14 studies: IRR 0.77, CI 0.64-0.92) were lower on artificial turf. Interpretation: The overall incidence of football injuries is lower on artificial turf than on grass. Based on these findings, the risk of injury can't be used as an argument against artificial turf when considering the optimal playing surface for football. Funding: No specific funding was received for this study.
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 | 0,005 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,015 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».