A Change-Point Method to Detect Meaningful Change in Return-to-Sport Progression in Athletes
Notice bibliographique
Résumé
PURPOSE: To explore how the change-point method can be used to analyze complex longitudinal data and detect when meaningful changes (change points) have occurred during rehabilitation. METHOD: This design is a prospective single-case observational study of a football player in a professional club who sustained an acute lower-limb muscle injury during high-speed running in training. The rehabilitation program was entirely completed in the football club under the supervision of the club's medical team. Four wellness metrics and 5 running-performance metrics were collected before the injury and until the player returned to play. RESULTS: Data were collected over 130 days. In the univariate analysis, the change points for stress, sleep, mood, and soreness were located on days 30, 47, 50, and 50, respectively. The change points for total distance, acceleration, maximum speed, deceleration, and high-speed running were located on days 32, 34, 37, 41, and 41, respectively. The multivariate analysis resulted in a single change point for the wellness metrics and running-performance metrics, on days 50 and 67, respectively. CONCLUSIONS: The univariate approach provided information regarding the sequence and time point of the change points. The multivariate approach provided a common change point for multiple metrics, information that would benefit clinicians to have a broad overview of the changes in the rehabilitation process. Clinicians may consider the change-point method to integrate and visualize data from multiple sources to evaluate athletes' progression along the return-to-sport continuum.
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 | 0,038 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».