Limitations of Separating Athletes into High or Low-Risk Groups based on a Cut-Off. A Clinical Commentary
Notice bibliographique
Résumé
Background: Athlete injury risk assessment and management is an important, yet challenging task for sport and exercise medicine professionals. A common approach to injury risk screening is to stratify athletes into risk groups based on their performance on a test relative to a cut-off threshold. However, one potential reason for ineffective injury prevention efforts is the over-reliance on identifying these 'at-risk' groups using arbitrary cut-offs for these tests and measures. The purpose of this commentary is to discuss the conceptual and technical issues related to the use of a cut-off in both research and clinical practice. Clinical Question: How can we better assess and interpret clinical tests or measures to enable a more effective injury risk assessment in athletes? Key Results: Cut-offs typically lack strong biologic plausibility to support them; and are typically derived in a data-driven manner and thus not generalizable to other samples. When a cut-off is used in analyses, information is lost, leading to potentially misleading results and less accurate injury risk prediction. Dichotomizing a continuous variable using a cut-off should be avoided. Using continuous variables on its original scale is advantageous because information is not discarded, outcome prediction accuracy is not lost, and personalized medicine can be facilitated. Clinical Application: Researchers and clinicians are encouraged to analyze and interpret the results of tests and measures using continuous variables and avoid relying on singular cut-offs to guide decisions. Injury risk can be predicted more accurately when using continuous variables in their natural form. A more accurate risk prediction will facilitate personalized approaches to injury risk mitigation and may lead to a decline in injury rates. Level of Evidence: 5.
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 | 0,001 |
| 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) | 0,000 | 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 ».