Prevalence of therapeutic use exemptions at the Olympic Games and Paralympic Games: an analysis of data from 2016 to 2022
Notice bibliographique
Résumé
OBJECTIVES: The objectives of this study are to describe the prevalence of therapeutic use exemptions (TUEs) among athletes competing in four Olympic and four Paralympic games. The secondary objective was to present the prohibited substance and methods classes associated with TUEs. METHODS: Data from the Anti-Doping Administration and Management System were extracted for this cross-sectional observation study. Eight cohorts were created to include athletes with TUEs who competed in the Rio 2016, Pyeongchang 2018, Tokyo 2020 and Beijing 2022 Olympic and Paralympic games. Prevalence of TUEs and proportion of prohibited substance and methods classes were defined as percentages among all athletes competing at each games. RESULTS: 28 583 athletes competed in four editions of the Olympic games. Total prevalence of athletes with TUEs was 0.90% among all competitors. At the four Paralympic games, a total of 9852 athletes competed and the total TUE prevalence was 2.76%. The most frequently observed substances associated with TUEs at the Summer Olympics were glucocorticoids (0.50% in Rio) and stimulants (0.39% in Tokyo). At the Summer Paralympics, diuretics (0.79% in Rio) and stimulants (0.75% in Tokyo) were the most common. Winter games had somewhat similar trends, although TUE numbers were very low. CONCLUSIONS: The number of athletes competing with valid TUEs at the Olympic and Paralympic games was <1% and <3%, respectively. Variations in substances and methods associated with TUEs for different medical conditions were identified. Nevertheless, numbers were low, further reaffirming that TUEs are not widespread in elite sport.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| 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 ».