Countermovement Jump Kinetic Impairments in Elite Athletes Before and After ACL Injury: Force‐Time Waveform Versus Discrete Kinetic Analysis
Notice bibliographique
Résumé
Pre‐injury and post‐injury countermovement jump (CMJ) force‐time data were obtained for elite athletes 6 months after anterior cruciate ligament surgery (ACLR). Jump kinetics were analysed using a traditional phase‐specific approach, and force‐time data of the CMJ waveform were analysed using statistical parametric mapping (SPM). Elite athletes ( n = 10; female n = 6, age = 22.0 ± 3.5 years, mass = 75.9 ± 11.5 kg) performed CMJ testing before (T0) and after ACLR (T1; 24 ± 3 weeks post‐surgery). Differences in discrete and continuous metrics were analysed for (1) within‐limb differences between T1 and T0 and (2) between‐limb differences at T1 and T0. Lower involved limb propulsive impulse (T1: 6.4 ± 1.6 N∙s/kg; T0: 7.7 ± 1.4 N∙s/kg, p = 0.002) and peak force (T1: 6.4 ± 1.6 N/kg; T0: 7.7 ± 1.4 N/kg, p = 0.002) were found after ACLR compared to baseline. After ACLR (T1), lower involved limb propulsive impulse was found compared to the uninvolved limb (involved: 1.26 ± 0.54 N∙s/kg; uninvolved: 1.58 ± 0.56 N∙s/kg, p = 0.007). SPM analysis revealed specific within‐limb force loss, notably reduced involved limb propulsion force at T1 compared to pre‐injury at T0 ( p < 0.001) between 92% and 99% of the CMJ (end of propulsion) and between 36% and 37% of the CMJ (i.e., late unweighting to braking phase transition). SPM analysis revealed within‐limb CMJ force loss that was not seen with the discrete analysis, highlighting the complementary value of SPM waveform analysis alongside discrete analysis to identify neuromuscular impairments in stretch‐shortening‐cycle function in elite athletes after ACLR.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».