Running-Related Overuse Injuries and Their Relationship with Run and Resistance Training Characteristics in Adult Recreational Runners: A Cross-Sectional Study
Notice bibliographique
Résumé
This study aimed to characterize running-related injuries (RRIs), explore their relationship with run and resistance training (RT) parameters, and identify perceived prevention measures among adult recreational runners. An anonymous online survey was designed and distributed via social media and email. Data were analyzed with chi-square, t-test, or analysis of variance (ANOVA), with significance accepted at p ≤ 0.05. Data from 616 participants (76.8% female, age: 42.3 ± 10.5 y) were analyzed. Most runners (84.4%) had an injury history, with 44.6% experiencing one in the past year. The most common RRI sites included the foot/ankle (30.9%) and knee (22.2%). RRI prevalence was higher in those running >19 miles weekly (48.4%, p = 0.05), but there were no differences based on RT participation status. Among those using RT, relatively more RRIs were observed in runners who trained the hip musculature (50.3%, p = 0.005) and did not include the upper body (61.6%, p < 0.001). A disproportionately high RRI prevalence was found for several of the other risk-reduction strategies. RRIs remain a substantial problem, particularly around the ankle/foot and knee. Higher run volume and performance motives were positively associated with RRIs. Most runners incorporated RRI risk-reduction techniques, with over half using RT. The current study did not determine whether preventative strategies were implemented before or after injury; therefore, prospective studies controlling for previous injuries are required to evaluate the effectiveness of RT in preventing future RRIs.
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) | 0,000 | 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 ».