一种机器学习方法来估计在职业曲棍球中表现出可见迹象的球员中脑震荡风险
Jared M Bruce1,2,3, Kaitlin E Riegler4, Willem Meeuwisse5
1Department of Biomedical and Health Informatics, University of Missouri-Kansas City School of Medicine, Kansas City, MO, 64108, USA. brucejm@umkc.edu.
Sports medicine (Auckland, N.Z.)
|September 17, 2024
概括
脑震荡史显著增加了专业曲棍球运动员的诊断风险,甚至超出了可见的迹象. 结合这种历史的机器学习模型可以提高脑震荡识别的准确性.
科学领域:
- 运动医学 运动医学
- 数据科学在体育中的应用
- 伤害流行病学 伤害流行病学
背景情况:
- 识别脑震荡风险因素,如可见迹象和损伤机制,对于准确诊断至关重要.
- 个别因素,如脑震荡史,可以增强现有的脑震荡风险模型.
研究的目的:
- 开发一个机器学习脑震荡风险模型,用于有可见迹象的职业曲棍球运动员.
- 评估是否包括先前的脑震荡史可以提高模型的性能.
主要方法:
- 利用了国家曲棍球联盟 (NHL) 观察员数据 (2018-2022) 关于可见的迹象和受伤机制.
- 与医疗记录相匹配的发现器事件,以确认医生诊断的脑震荡.
- 机器学习模型的比较:条件推理树,随机森林和后勤回归.
主要成果:
- 模型在识别脑震荡方面表现出高性能 (AUC 0.79-0.82).
- 脑震荡史是预测模型中的一个重要因素.
- 每一次先前的脑震荡都会使新诊断的几率增加1.32倍.
结论:
- 开发了用于脑震荡查和诊断支持的简单树和后勤算法.
- 球员脑震荡史提供了宝贵的风险信息,超越了可见的迹象和受伤机制.
