Lumbar Multifidus Characteristics in University Level Athletes May be Predictors of Low Back Pain and Lower Limb Injury
Notice bibliographique
Résumé
Introduction: Low back pain (LBP) is highly prevalent in athletes, with decreased lumbar multifidus (LM) crosssectional area (CSA) reported in athletes with LBP and lower limb injury (LLI) as well as decreased LM thickness in athletes with LLI. Previous research has only investigated connections between LM, LBP, and LLI in small samples of athletes in a single sport at a time. This study aimed to (1) examine LM morphology and function across a general sample of male and female university level varsity athletes; (2) investigate whether LM characteristics were predictors of LBP and LLI. Methods: Ultrasound images of LM at L5 were acquired in prone and standing. Body composition was assessed with DEXA and a self-reported questionnaire provided demographics and history of injury. Paired t-tests and independent t-tests compared LM measurements between the sides and sex, respectively. Univariate and multivariate logistic regression analyses were used to assess possible LM characteristic predictors of LBP and LLI. Results: 134 university varsity athletes were evaluated. LM CSA was larger on the non-dominant side in prone. Increased LM thickness was associated with decreased odds of LBP in the previous 4-week (OR=0.49 [0.27, 0.88], p=0.02) and 3-month (OR=0.43 [0.21, 0.89], p=0.02) in the multivariable model, while a greater number of years playing at the university level was associated with increased odds of LBP (OR=1.29 [1.01, 1.65], p=0.04). Greater LM CSA asymmetry (OR=1.14 [1.01, 1.28], p=0.03) and sport (OR=1.44 [1.04, 1.96], p=0.02) were significant predictors of LLI in the previous 12 months. Conclusion: Leg dominance may play a role in unilateral differences. LM thickness and LM CSA asymmetry were predictors of injury. Preseason screening of LM morphology and function could help identify athletes at risk of LBP and LLI, allowing coaches, medical staff, and training staff to target these individuals and provide specific injury prevention programs.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,004 | 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 ».