Risk factors and diagnostic approaches to lower extremity stress fractures in athletes: Systematic review
Notice bibliographique
Résumé
ABSTRACT Background: Stress fractures (SF) are frequent overuse injuries, with the lower extremities accounting for up to 95% of cases. Lower extremities SFs (LESFs) are common injuries among athletes who play endurance sports with high loads. Objective: The purpose of this review is to determine the risk factors, diagnosis, and management of athletes’ LESF. Methods: Following Preferred Reporting Items for Systematic Reviews and Meta Analyses criteria, a thorough computerized literature search was carried out using keywords associated with the diagnosis, treatment, and risk factors of LESF in four electronic databases: Cochrane, Web of Science, Embase, and PubMed. Newcastle–Ottawa scale and JBI were utilized for the methodological quality assessment, whereas STATA software was employed for statistical analysis. Pooled effects on clinical outcomes were determined by calculating event rate and mean with the corresponding 95% confidence intervals (CI) using a random effects model. Results: Twenty studies were included in the final review. Risk factors including use of hormonal contraceptives 0.21 (95% CI; −0.52–0.95), menstruation dysfunction 0.25 (95% CI; 0.06–0.44), dietary behaviors Eating Disorder Examination Questionnaire scores of 1.01 (95% CI; 0.68–1.34), training duration and regimen, sex, bone mineral density, and prior SF were associated with increased risk of suffering LESF. While magnetic resonance imaging is the gold standard for diagnosing suspected LESF, other diagnoses include X ray, computed tomography scan, and scintigraphy. Conclusion: The causes of LESF in athletes are complex and extensive. Multicenter epidemiological prospective studies are required to accurately identify the ideal preventative and therapeutic measures and reconcile conflicting data about diet and training.
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 | 0,002 |
| 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 ».