Tired of ACL Injures: A Review of Methods and Outcomes of Neuromuscular Fatigue as a Risk Factor for ACL Injuries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background/Objectives: One potential risk factor that remains especially contentious in the anterior cruciate ligament (ACL) injury literature is the role of neuromuscular fatigue in ACL injury risk. Therefore, the purposes of this review are (i) to present the research and practical concepts of lower extremity neuromuscular fatigue; and (ii) to review the literature relating to neuromuscular fatigue as an ACL injury risk factor and mechanism. Methods: A structured review was performed in the Medline database using a search strategy that included terms such as “anterior cruciate ligament injury” and “knee injuries” combined with terms such as “injury” and “fatigue”. Articles were included if they included young healthy participants (18–35) and made a comparison between non-fatigued and fatigued states that were assessed with at least one lower extremity biomechanical variable associated with ACL injury risk. Results: Overall, there were 67 studies included, accounting for 1440 participants (627 male and 813 female) across a variety of sports and activities. Of these, 53 (79%) reported a post-fatigue change in the kinematics, kinetics, neuromuscular, and/or other (e.g., proprioceptive) outcomes that indicate that the participants would be at an increased risk of an ACL injury. The most common argument against fatigue as a risk factor is that ACL injuries do not tend to occur later in a game or season, when it is assumed that athletes would be most fatigued. Conclusions: The evidence presented in this review suggests that localized neuromuscular fatigue is a risk factor, among multiple factors, for ACL injuries, providing another modifiable risk factor that should be considered when developing ACL injury risk reduction interventions.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| 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 | 0,000 |
| 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 découle