Paving the path for injury prevention in rugby‐7s: A systematic review and meta‐analysis
Notice bibliographique
Résumé
This review and meta-analysis aimed to describe the current rugby-7s injury epidemiological literature by examining injury data from both sexes, all levels of play, and their associated risk factors. Studies published up until March 2024 were included. These studies were retrieved from six databases using search terms related to rugby-7s or sevens, tackle, collision, collision sport, injury, athlete, incidence rate, mechanism, and risk factor. Only peer-reviewed original studies using prospective or retrospective cohort designs with a clearly defined rugby-7s sample were considered. Included studies needed to report one injury outcome variable. Non-English and qualitative studies; reviews, conference papers, and abstracts were excluded. Twenty studies were included. The meta-analysis used the DerSimonian-Laird continuous random-effects method to calculate the pooled estimated means and 95% confidence interval. The estimated mean injury incidence rate for men was 108.5/1000 player-hours (95% CI: 85.9-131.0) and 76.1/1000 player-hours (95% CI: 48.7-103.5) for women. The estimated mean severity for men was 33.9 days (95% CI: 20.7-47.0) and 44.2 days (95% CI: 32.1-56.3) for women. Significantly more match injuries occurred in the second half of matches, were acute, located at the lower limb, diagnosed as joint/ligament, and resulted from being tackled. Fatigue, player fitness, and previous injuries were associated with an increased risk of injury. There were no statistically significant differences between women's and men's injury profiles. However, the inherent cultural and gendered factors which divide the two sports should not be ignored. The findings from this review will help pave the way forward beyond the foundational stages of injury prevention research in rugby-7s.
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 | 0,018 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,000 | 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 ».