Epidemiología de las lesiones faciales en el baloncesto post-COVID-19: una revisión sistemática
Bibliographic record
Abstract
Introducción Aunque el baloncesto no se considera un deporte de contacto pleno, existe un riesgo notable de lesiones faciales, como fracturas nasales, laceraciones y abrasiones corneales, con repercusiones funcionales, estéticas y psicológicas. Objetivo Analizar la incidencia y características de estas lesiones en jugadores y jugadoras de baloncesto de todos los niveles en los últimos cinco años y aportar evidencia útil para estrategias preventivas. Material y métodos Se realizó una revisión sistemática conforme a PRISMA. La búsqueda se efectuó en cinco bases de datos (diciembre 2024–enero 2025), incluyendo estudios observacionales publicados en inglés o español en los últimos cinco años. La calidad metodológica se evaluó mediante la escala Newcastle–Ottawa. Resultados De 217 estudios identificados, 12 cumplieron criterios de inclusión. Las lesiones más frecuentes fueron fracturas nasales, seguidas de laceraciones y abrasiones corneales. El mecanismo principal fue el contacto con otro jugador, seguido del impacto con el balón. La incidencia fue mayor en varones. Conclusión Las lesiones faciales en baloncesto son frecuentes y significativas, pero siguen subestimadas, por lo que se recomienda promover medidas preventivas y el uso de protección facial.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.018 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.012 | 0.008 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
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 source (direct Gemma or distilled Codex), 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".