MétaCan
Menu
Retour à la cohorte
Enregistrement W4387169443 · doi:10.3390/jcm12196293

Epidemiology of Injuries in Professional and Amateur Football Men (Part II)

2023· review· en· W4387169443 sur OpenAlexaboutno aff
Tudor Vladimir Gurau, Gabriela Gurău, Carmina Liana Mușat, Doina Carina Voinescu, Lucreția Anghel, Gelu Onose, Constantin Munteanu, Ilie Onu, Daniel Andrei Iordan

Notice bibliographique

RevueJournal of Clinical Medicine · 2023
Typereview
Langueen
DomaineMedicine
ThématiqueSports injuries and prevention
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésFootballMedicineAmateurPhysical therapyEpidemiologyObservational studyStrengthening the reporting of observational studies in epidemiologyClubInternal medicine

Résumé

récupéré en direct d'OpenAlex

Background (1): Men's football is a physically demanding contact sport that involves intermittent bouts of sprinting, jogging, walking, jumping and changes of direction. The physical demands of the game vary by level of play (amateur club, sub-elite and open club or international), but injury rates at all levels of the men's football game remain the highest of all sports. Objective: The aim of this study is to conduct a systematic review of data from the epidemiological literature regarding the profile, severity and mechanisms of injuries and the frequency of recurrent injuries in professional and amateur football players. Methods (2): A systematic review, according to PRISMA guidelines, was performed up to June 2023 in the databases of PubMed, Web of Science, Google academic, Google scholar and the Diva portal. Twenty-seven studies that reported data on the type, severity, recurrence and mechanisms of injury in professional and amateur men's football were selected and analyzed. Two reviewers independently audited data and assessed the study quality using the additional and adapted version of the Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement and the Newcastle Ottawa Scale (NOS) to assess risk of bias for the quality of external validity. Results (3): In professional male football players, the mean prevalence of muscle/tendon injuries was 39.78%, followed by joint and ligament injuries-21.13%, contusions-17.86%, and fractures-3.27%, and for amateur football players, the prevalence's were 44.56% (muscle/tendon injuries), 27.62% (joint and ligament injuries), 15.0% (contusions) and 3.05% (fracture), respectively. The frequency of traumatic injuries was higher in amateur football players (76.88%) compared to professional football players (64.16%), the situation being reversed in the case of overuse injuries: 27.62% in professional football players and 21.13% in amateur football players. Most contact injuries were found in professional footballers (50.70%), with non-contact injuries predominating in amateur footballers (54.04%). The analysis of the severity of injuries showed that moderate injuries dominated in the two categories of footballers; the severe injuries in amateur footballers exceeded the severe injuries recorded in professional footballers by 9.60%. Recurrence proportions showed an inverse relationship with the level of play, being higher in amateur footballers (16.66%) compared to professional footballers (15.25%). Conclusions (4): Football-related injuries have a significant impact on professional and amateur football players and their short- and long-term health status. Knowing the frequency of severe diagnoses, such as strains, tears and cramps of the thigh muscles, ankle ligament sprains and hip/groin muscle strain requires the establishment of adequate programs to prevent them, especially in amateur football players, who are more prone to serious injuries.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,016
score de la tête « metaresearch » (Gemma)0,016
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,881
Score d'incertitude au seuil0,992

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0160,016
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0070,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,328
Tête enseignante GPT0,581
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations39
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Clinical MedicineMême sujetSports injuries and preventionTravaux en français237 207