Impact of physiotherapy-led bike fitting on the evolution of knee pain in recreational cyclists: the PBF study
Notice bibliographique
Résumé
INTRODUCTION: A Physiotherapy-led Bike Fitting (PBF) intervention including a bike fit, education, and exercise prescription can be helpful among cyclists with knee pain. OBJECTIVE: To describe the PBF intervention and to assess knee-related pain and disability change among recreational cyclists exposed to the PBF intervention. METHODS: This is a single group prospective observational longitudinal study on a cohort of recreational road cyclists who consulted for cycling-related knee pain at a physiotherapy clinic specialized in cycling. The PBF included a comprehensive bike fit focusing on key measurements such as knee flexion and knee alignment relative to the pedal axis while cycling. Additionally, tailored education was provided on cycling cadence and training progression, along with exercise prescriptions. The primary outcome was the knee pain during cycling measured with the numerical pain rating scale (NPRS; 0-10). Linear models were used to assess within-group changes across time points at 4 and 12 weeks. RESULTS: < .001) with respective improvements of -2.52 (95% CI: -3.04; -2), -0.7 (95% CI: -1.02; -0.38) and -1.81 (95% CI: -2.27; -1.36) at 12 weeks. CONCLUSIONS: Based on this single group observational study, recreational road cyclist exposed to a PBF intervention, including a bike fit, tailored education, and exercises prescriptions reported a reduction in cycling-related knee pain and disability.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».