Injuries among professional ballet dancers in Finland: a prospective cohort study over five ballet seasons (FinBallet Study)
Notice bibliographique
Résumé
OBJECTIVE: The aim of this prospective cohort study was to examine the incidence and characteristics of injuries in professional ballet dancers across multiple seasons. METHODS: Hundred-and-sixteen ballet dancers (median age 24; range 18-40, females 53%) from a professional ballet company agreed to participate and were followed for up to five ballet seasons. All dance-related injuries requiring a visit to a medical doctor were recorded by in-house physiotherapists. Injury rates per 100 dancer seasons were calculated and injury characteristics (i.e. anatomical location, tissue type, severity, and mechanism) were described. RESULTS: Hundred-and-sixty injuries occurred in 311 dancer-seasons, comprising an injury rate (IR) of 51.5 injuries (95% CI 45.9 to 57.0) per 100 dancer-seasons. Eighty-three percent of the injuries affected the lower limbs (IR 42.4, 95% CI 37.0 to 47.9). The ankle was the most injured body region (IR 15.4, 95% CI 11.4 to 19.5), followed by lower leg (IR 8.4, 95% CI 5.3 to 11.4), and knee (IR 6.1, 95% CI 3.5 to 8.8). Thirty-nine percent of injuries involved muscle/tendon structures, and 29% involved ligaments/joints. Fifty-seven percent of injuries were severe, causing more than 28 days absence from dance. Of all injuries, 57% were sudden onset, and 43% were gradual onset injuries. CONCLUSION: Results highlight the need for effective interventions to reduce the high incidence of lower limb injuries, including ankle sprains, tendon issues, muscle strains, and stress fractures in professional ballet dancers.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».