Injuries and risk factors in men’s beach soccer: Japanese national championships 2013–2023
Notice bibliographique
Résumé
Understanding the most common injuries in beach soccer and their risk factors is essential for ensuring player safety. We aimed to describe the injury patterns and identify factors associated with the risk of injury in men’s beach soccer. We prospectively recorded injuries reported by players at an on-site aid station during the Japanese National Beach Soccer Championships between 2013 and 2023 (9 tournaments). Match exposure was recorded through video review. We described the injury types and sites, and the factors associated with the injury risk using generalized estimating equations in negative binomial models adjusted for confounders. In total, 796 participants played for 1360.5 player-hours. We observed 144 injuries, with an incidence rate of 106.0/1000 player-hours (95% CI: 89.9–125.0), representing 153 diagnoses. The most frequent injury sites were as follows: foot (n = 40), thigh (n = 24), and lower leg (n = 21). The most frequent injury type was contusion (n = 75). Of the 83 injuries caused by a contact with another player, 24 resulted in a foul. There were 35 injuries associated with time loss (incidence rate 25.7/1000 player-hours, 95% CI: 18.6–35.7), mainly in the foot (n=10) and the thigh (n=8). The risk of injury was lower for goalkeepers and higher in players with time-loss injuries in the past year, with trends towards higher risk for players with lower BMI and history of severe injuries. Lower limb contusions are the predominant injuries in men’s beach soccer. Our findings raise the question of protective foot gear to reduce foot contusions and fractures and can inform playing schedules of players at risk.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».