Impact of Playing Surfaces in Grand Slam Tennis Tournaments on Injury Incidence, Location and Type: A Systematic Review
Bibliographic record
Abstract
Objetivo: O ténis é um desporto praticado, em todo o mundo, por atletas de todas as idades. O objetivo principal desta revisão sistemática é avaliar o impacto das superfícies dos Grand Slams na incidência de lesões nos jogadores de ténis. Os objetivos secundários são a avaliação do impacto destas superfícies na localização e tipo de lesões. Desenho de estudo: Revisão sistemática Fontes de dados: Foi realizada uma pesquisa sistemática na PubMed, SCOPUS e Web of Science de 1968 até outubro de 2024, sem restrições de idioma. Critérios de elegibilidade para a seleção dos estudos: Estudos observacionais realizados em torneios do Grand Slam que reportem a incidência, a localização ou o tipo de lesões em jogadores de ténis, com referência à superfície de jogo. A qualidade dos estudos foi avaliada através do uso de uma versão adaptada da Newcastle-Ottawa Quality Assessment Scale. Resultados: Quatro artigos cumpriram os critérios de elegibilidade: um de Roland Garros - terra batida, um de Wimbledon - relva, um do Open da Austrália e um do Open dos Estados Unidos - ambos em piso duro. O maior número de lesões por ano ocorreu em piso duro, enquanto a terra batida foi a superfície que apresentou o menor número. A localização das lesões variou significativamente de acordo com a superfície, sendo que Roland Garros e o Open dos Estados Unidos apresentaram os padrões mais contrastantes e Wimbledon apresentou um perfil mais específico. O ombro e o joelho estão entre as localizações de lesão mais comuns em todas as superfícies. As lesões musculares foram o tipo de lesão mais frequente. Conclusão: As lesões no ténis são frequentes e dependem da superfície, enfatizando a importância de estratégias dirigidas para prevenção. Um treino adequado, o reforço muscular e calçado apropriado podem ajudar na prevenção de lesões.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".