Predictive models of injury risk in male professional football players: a systematic review
Notice bibliographique
Résumé
BACKGROUND: One of the challenges for professional football players is injuries. Due to their influence on their teams, injuries greatly impact the sports business. This research aims to assess predictive models of injury risk in male professional football players. METHODS: A systematic literature review was performed, following the Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines. The search was conducted in the PubMed, Web of Science and Scopus databases. Two independent reviewers screened articles, assessed eligibility and extracted data. Methodological quality was determined by the Newcastle-Ottawa Scale. RESULTS: 26 studies met the inclusion criteria. DISCUSSION: Various statistical techniques were used in research on injury prediction in professional football, with logistic regression being the most used. The assessment predictors, especially the area under the receiver operating characteristic Curve, showed significant variation, which indicates the prediction models' efficacy. The focus was frequently on lower limb injuries, where several risk predictors, including muscular strength, flexibility and global positioning system-derived data, were found to substantially impact the occurrence of injuries. Prominent predictors included age, position, physiological parameters, injury history and genetic polymorphisms. CONCLUSIONS: This comprehensive analysis highlights the complexity of injury prediction and reinforces the necessity for football injury research to adopt a multivariate approach with accuracy and comprehensiveness. PROSPERO REGISTRATION NUMBER: CRD42023465524.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 | 0,001 |
| 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 ».