Muscle injuries in athletics during the 2020 Tokyo Olympic Games: differences between heats and finals
Notice bibliographique
Résumé
BACKGROUND: The aim of this study was to analyze muscle injuries and their related risk factors during the Athletics events of the 2020 Tokyo Olympic Games including the differences in muscle injury rates between heats and finals. METHODS: We included and analyzed in this study muscle injuries diagnosed by either magnetic resonance imaging, ultrasound, or physical examinations by at least two physicians, from Athletics athletes participating at the 2020 Tokyo Olympic Games. Data from electronic medical records, including sex, nationality, event, and the round (heat vs. final) during which the muscle injury occurred and the air temperature in the stadium, measured every five minutes during the competition were extracted. RESULTS: Among the 1631 athletes who competed, a total of 36 athletes (20 males and 16 females) were diagnosed with a muscle injury during the 2020 Tokyo Olympic Games. Among them, 24 occurred during heats (1.47 per 100 athletes) and 12 during finals (2.20 per 100 athletes) (P=0.25). Logistic regression analysis revealed that the geographic region of athletes' origin was a factor associated with muscle injury, with the highest muscle injury rate being in athletes from Africa (odds ratio [OR]=4.74, 95% confidence interval [CI]) = 1.75 to 12.82) and North America (OR=3.02, 95%CI=1.27 to 7.20). For male athletes, competing in finals was a risk factor to sustain a muscle injury (OR=2.55, 95%CI=1.01 to 6.45). CONCLUSIONS: During the 2020 Olympic Games, muscle injury rate was higher in finals than in heats, reaching statistical significance in male athletes.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».