综合性数据分析以确定持续的脑震荡后缺陷和随后的肌肉骨损伤风险:项目结构和方法

科学领域:

• 运动医学 运动医学
• 公共卫生 公共卫生
• 数据科学数据科学数据科学

背景情况:

• 脑震荡带来了重大的公共卫生挑战,并增加了随后肌肉骨损伤 (MSKI) 的风险.
• 目前的方法缺乏可靠性,无法识别患脑震荡后MSKI的高风险个体.
• 学生运动员特别容易受到这些风险的影响.

研究的目的:

• 开发一种临床可行的风险评分,用于预测学生运动员中脑震荡后的MSKI.
• 提出一种利用机器学习的新型数据分析策略.
• 提高MSKI风险评估的准确性和可解释性.

主要方法:

• 利用包括人口统计,病史,脑震荡细节,运动参与和临床评估 (认知,姿势稳定,反应时间,前庭/眼部运动测试) 的数据集.
• 使用证据权重 (WoE) 转换来处理缺失的数据和变量异质性.
• 应用机器学习方法用于变量选择,模型适配和使用培训测试分割构建风险得分.

主要成果:

• 成功开发了一个复合风险评分,用于脑震荡后MSKI预测.
• 证明了机器学习在提高风险评分准确性和可解释性方面的潜力.
• 确定了用于预测学生运动员MSKI风险的关键变量.

结论:

• 机器学习为创建脑震荡后MSKI准确和可解释的风险评分提供了一个有希望的途径.
• 拟议的方法可以帮助识别以后受伤风险较高的学生运动员.
• 这种方法有可能减轻医疗保健成本并提高运动员的安全性.