703 FO01 – From rink to prevention and recovery: investigating upper extremity injuries in Canadian youth ice hockey
Notice bibliographique
Résumé
Background Youth ice hockey is a popular, fast-paced, collision sport with a high participation rate. Objective To describe upper extremity (UE) injury rates, types, severity, mechanisms, and risk factors in youth ice hockey players. Design Secondary analysis of data from a 5-year prospective cohort study (2013–2018). Setting Canadian youth ice hockey. Participants Overall, 6584 player-seasons (representing 4418 individual players) participated. Assessment of Risk Factors A multivariable mixed-effects Poisson regression model (clustering by team and offset by exposure hours) examined potential risk factors for UE injury including body checking policy, player weight, biological sex, history of injury in the past 12 months, and level of play. Main Outcome Measures Validated injury surveillance data was collected. The injury outcome for this analysis consisted of primary upper extremity injuries. Injury rates (IR) with 95% CI were estimated using Poisson regression. Results During this period, 234 UE game-related and 35 practice-related injuries were reported. The UE IR was 0.91 injuries/1000 game-hours (95% CI 0.78–1.08). Most injuries (n=188/234, 71%) resulted in >7 days of time-loss and 106/188 (40%) resulted in >28 days of time-loss. An 83% lower IR was associated with policy prohibiting bodychecking compared to leagues allowing bodychecking [IRR=0.17 (95% CI 0.09–0.29)]. A higher upper extremity IR was seen for those who reported any injury in the last 12-months compared to those with no history [IRR=1.85 (95% CI 1.30–2.55)]. There were no associations found between UE IR and player weight, biological sex, or level of play. Conclusions UE injuries typically result in >7 days time-loss and 40% >28 days. Risk factors for UE injury included participation in a body checking league, and recent history of any injury. This study serves to reinforce the need for the investigation of UE injury prevention strategies to make youth ice hockey a safer space.
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 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».