Uncovering Factors Associated With Lower Extremity Injury Rates in Youth Ice Hockey Players
Notice bibliographique
Résumé
OBJECTIVES: To (1) examine the incidence of game and practice-related knee, ankle, and combined lower extremity injury in under-13 (ages 11-12 years), under-15 (ages 13-14 years), and under-18 (ages 15-17 years) youth ice hockey players, and (2) explore factors associated with game and practice-related lower extremity injury rates in these players. DESIGN: Prospective cohort study. METHODS: Youth ice hockey players were studied over five seasons. Validated injury surveillance methodology was used, which included conducting annual baseline measures, collecting playing exposure, and identifying lower extremity injuries. Crude rates of game and practice-related knee, ankle, and lower extremity combined injury rates were estimated for each age group. Multilevel Poisson regression adjusted for clustering effects by team and multiple imputation of missing covariates was used to estimate incidence rate ratios (IRRs). Models were adjusted for age group, sex, body-checking policy, level of play, weight, previous injury within 12 months, lifetime concussion history, and position. RESULTS: The cohort included 4418 male and female players (representing 6584 player-seasons). The rate of game-related lower extremity injury was highest for Under-18 players (1.01/1000 game-hours; 95% CI: 0.75-1.35), followed by Under-15 players (0.64/1000 game-hours; 95% CI: 0.49-0.83), and Under-13 players (0.33/1000 game-hours; 95% CI: 0.20-0.55). Rates of practice-related lower extremity injury were lower than the game-related rates for each age group. Factors significantly associated with game-related injury were policy permitting body-checking in games (IRR=1.88; 95% CI: 1.09-3.24), female sex (IRR=1.92; 95% CI: 1.02-3.62), and previous 12-month injury (IRR=1.43; 95% CI: 1.01-2.01). CONCLUSION: The rate of knee, ankle, and combined lower extremity injuries were substantially higher in games than practices. Playing in a body-checking league, being female, and having a history of injury within the previous 12 months associated with higher rates of injury.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».