Injury in Starting and Replacement Players from Five Professional Men’s Rugby Unions
Notice bibliographique
Résumé
OBJECTIVES: The aim of this study was to compare the incidence, severity, and burden of injury in starting and replacement players from professional men's teams of five rugby unions. METHODS: Match injuries of greater than 24 h time-loss (including data on the severity, match quarter, event, body region) and player minutes of match exposure data were collated for all starting and replacement players in the men's English Premiership, Welsh Pro14 (both 2016/17-2018/19 seasons), and Australian, New Zealand, and South African Super Rugby (all 2016-2018 seasons) teams. Injury incidences and mean injury burden (incidence × days missed) were calculated, and rate ratios (RRs) (95% confidence intervals [CIs]) were used to compare injury incidence and burden between starting (reference group) and replacement players. RESULTS: Overall injury incidence was not different between starters and replacements for all injuries (RR = 0.98, 95% CI 0.88-1.10), nor for concussions (RR = 0.85; 95% CI 0.66-1.11). Mean injury burden was higher for replacement players (RR = 1.31, 95% CI 1.17-1.46). Replacement injury incidence was lower than the starters in the third (RR = 0.68, 95% CI 0.51-0.92) and fourth (RR = 0.78, 95% CI 0.67-0.92) match quarters. Injury incidence was not different between starters and replacements for any match event or body region, but compared with starters, replacements' injury burden was higher in lower limbs (RR = 1.24, 95% CI 1.05-1.46) and in the tackled player (RR = 1.30, 95% CI 1.01-1.66). CONCLUSION: This study demonstrated a lower injury incidence in replacement players compared with starters in the second half of matches, with a higher injury burden for replacement players due to higher mean injury severity.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».