Invalidity Rates of Baseline ImPACT Concussion Assessments in High School Athletes with Disabilities
Notice bibliographique
Résumé
Invalidity Rates of Baseline ImPACT Concussion Assessments in High School Athletes with Disabilities Introduction The Immediate Postconcussion Assessment and Cognitive Testing (ImPACT) is the most common computerized concussion assessment tool (Dessy, 2017). Previous studies showed higher rates of invalid baselines in individuals with autism, learning disabilities (LD) and Attention-Deficit/Hyperactivity Disorder (ADHD) (Maietta, 2021). Characteristics of these disabilities can resemble concussion symptoms which may complicate the evaluation process and diagnosis of concussion, a health concern in athletes (Harmon, 2013). This study aims to investigate invalidity rates of baseline ImPACT assessments among disability groups in high school athletes to explore its use in this population. Methodology This retrospective study analysed ImPACT (versions 4.0 & up) baseline assessments between 2021-2023 from 62 high schools in Hawai'i. Participants were divided into groups based on self-reported disability: No disability, LD, ADHD, dyslexia, autism and accompanying neurodevelopmental disorders (ND), dyslexia and ADHD, LD with ADHD and dyslexia. ImPACT software automatically flags invalid assessments upon completion. Invalidity rates were calculated for each disability group and a chi-squared(χ²) goodness of fit test was completed to determine invalidity rates(%) between disability groups. Results 25,275 participants (female=9,926, male=15,349) aged 15.35±1.14 were included. χ² analysis revealed significant association between invalid baselines and disability groups [χ² (7, n=25275) =70.753, p<.001]. Overall invalidity rate for all athletes was 7.15%. Individuals with LD (13.71%) and autism with accompanying ND’s (13.1%) had the highest rate of invalid baseline tests across groups. Conclusions Athletes with self-reported disabilities and ND’s elicit higher rates of invalid ImPACT baseline assessments potentially impacting healthcare. Instruments with increased sensitivity should be validated for use in individuals with disabilities. References Dessy, A. M., Yuk, F. J., Maniya, A. Y., Gometz, A., Rasouli, J. J., Lovell, M. R., & Choudhri, T. F. (2017). Review of assessment scales for diagnosing and monitoring sports-related concussion. Cureus, 9(12), e1922. Harmon, K. G., Drezner, J., Gammons, M., Guskiewicz, K., Halstead, M., Herring, S., Kutcher, J., Pana, A., Putukian, M., Roberts, W., & American Medical Society for Sports Medicine (2013). American Medical Society for Sports Medicine position statement: concussion in sport. Clinical journal of sport medicine: official journal of the Canadian Academy of Sport Medicine, 23(1), 1–18. Maietta, J. E., Barchard, K. A., Kuwabara, H. C., Donohue, B. D., Ross, S. R., Kinsora, T. F., & Allen, D. N. (2021). Influence of special education, ADHD, autism, and learning disorders on ImPACT validity scores in high school athletes. Journal
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 | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».