Effect of Repetitive Head Impacts on Saccade Performance in Canadian University Football Players
Notice bibliographique
Résumé
OBJECTIVE: Investigate the effect of cumulative head impacts on saccade latency and errors, measured across two successive football seasons. DESIGN: Participants were acquired from a sample of convenience-one Canadian university football team. Head impacts were collected during training camp, practices, eight regular season games, and four playoff games in each season. Saccade measurements were collected at five time points-before and after training camp, at midseason, after regular season, and after playoffs. SETTING: Two seasons following players from a single USports football team during practices and games. PARTICIPANTS: Players who completed a baseline saccade measurement and a minimum of one follow-up measurement were included in the study. A total of 127 players were monitored across two competitive seasons, including 61 players who participated in both seasons. INDEPENDENT VARIABLES: Head impact measurements were collected using helmet-mounted sensors. MAIN OUTCOME MEASURES: Saccade latency and number of errors were measured using high-speed video or electro-oculography. RESULTS: On average, each head impact increased prosaccade latency by 5.16 × 10 -3 ms (95% confidence interval [CI], 2.26 × 10 -4 -1.00 × 10 -2 , P = 0.03) and antisaccade latency by 5.74 × 10 -3 ms (95% CI, 7.18 × 10 -4 -1.06 × 10 -2 , P = 0.02). These latency increases did not decrease between the two seasons; in fact, prosaccade latencies were 23.20 ms longer (95% CI, 19.40-27.14, P < 0.001) at the second season's baseline measurement than the first. The number of saccade errors was not affected by cumulative head impacts. CONCLUSIONS: Repetitive head impacts in Canadian university football result in cumulative declines in brain function as measured by saccade performance. CLINICAL RELEVANCE: Football organizations should consider implementing policies focused on reducing head impacts to improve player safety.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».