Psychological Profile of Trail Runners Associated With Running-Related Injuries: A Prospective Study
Notice bibliographique
Résumé
Background: Trail running has increased in popularity due to the benefits of physical activity in nature. However, trail running has an inherent risk of running-related injuries (RRI). It is known that athletes with certain psychological traits have a greater tendency to suffer injuries; however, this is unknown in trail runners. The main objective of this study was to identify trail runners’ psychological profiles and to compare the proportion of RRI across these profiles. Hypothesis: Trail runners with psychological profiles of high stress, precompetitive anxiety, mental fatigue, competitiveness, and poor sleep quality are at increased risk of RRI. Study Design: Prospective cohort study. Level of Evidence: Level 2. Methods: A Gaussian mixture model cluster analysis was performed on 202 trail runners (55.5% male; aged 38.7 [33.4-46.2] years) with psychological stress, cognitive and somatic anxiety, self-confidence, mental fatigue, sleep quality, and competitiveness measured 4 weeks before participating in a race. The proportion of RRI during the race was recorded and compared across clusters. Results: Overall RRI proportion during competition was 11.3% (n = 24). The most common RRI were muscle (41.7%) and tendon/bursa (16.7%) injuries, affecting primarily the knee (33.3%) and lower leg (20.8%). Five psychological profiles were identified. Cluster 1 (competitive runners with moderate psychological stress and mental fatigue, low sleep quality and anxiety, and high self-confidence) had a higher RRI proportion than Cluster 3 (similar traits but lower psychological stress, mental fatigue, and higher self-confidence; 21.2% vs 3.2%; P = 0.02). Conclusion: Certain psychological profiles in trail runners were associated with higher RRI risk. Clinical Relevance: The medical team or trail running coaches should monitor runners with psychological profiles with higher psychological stress, mental fatigue, and cognitive anxiety, as well as lower self-confidence and sleep quality, to design strategies to reduce their risk of RRI.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».