Incidence of injury and illness at the Beijing 2022 Paralympic Winter Games held in a closed-loop environment: a prospective cohort study of 7332 athlete days
Notice bibliographique
Résumé
OBJECTIVE: To describe the epidemiology of injuries and illnesses sustained during the Beijing 2022 Paralympic Winter Games, organised in a closed-loop environment to adhere with COVID-19 restrictions. METHODS: Injuries and illnesses from all teams were recorded on a daily basis by team medical staff on a web-based form and by local organising committee medical (polyclinic) facilities and venue medical support. Duplicates recorded on both systems were removed. Incidence of injuries and illnesses are reported per 1000 athlete days (95% CI). RESULTS: 564 athletes (426 male and 138 female) representing 46 countries were monitored for the 13-day period of the Beijing 2022 Paralympic Winter Games (7332 athlete days). The overall incidences were 13.0 injuries (10.6-15.8) and 6.1 illnesses (4.5-8.4) per 1000 athlete days. The incidence of injury in alpine skiing (19.9; 15.2-26.1) was significantly higher compared with Nordic skiing, ice hockey and wheelchair curling (p<0.05), while the incidence of respiratory illness was significantly higher in Nordic skiing (1.6; 0.9-2.9) compared with alpine skiing, ice hockey and snowboarding (p<0.05). CONCLUSION: The incidence of both injury and illness at the Beijing 2022 Games were the lowest yet reported in the Paralympic Winter Games. The incidence of injury was highest in alpine skiing. These findings underscore the importance of ongoing vigilance and continued injury risk mitigation strategies to safeguard the well-being of athletes in these high-risk competitions. Respiratory illnesses were most commonly reported in Nordic skiing, which included the three cases of COVID-19 recorded at the games.
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 | 0,002 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».