机器学习方法用于体育中伤害风险预测:与证据综合的范围审查
Christopher Leckey1,2, Nicol van Dyk3,4, Cailbhe Doherty3,5
1School of Public Health Physiotherapy and Sports Science, University College Dublin, Dublin, Ireland christopher.leckey@irfu.ie.
British journal of sports medicine
|November 29, 2024
概括
机器学习模型对预测体育伤害充满希望,诸如随机森林和XGBoost等基于树的方法通常表现最好. 然而,临床实用性受到数据问题和广泛的伤害定义的限制.
科学领域:
- 运动医学 运动医学
- 数据科学数据科学数据科学
- 生物统计学 生物统计学
背景情况:
- 机器学习 (ML) 越来越多地被用于预测与运动有关的伤害.
- 评估各种ML方法的有效性及其局限性至关重要.
研究的目的:
- 审查和绘制运动伤害预测ML研究的图表.
- 评估不同ML模型的有效性,考虑数据和上下文因素.
主要方法:
- 一个范围审查PubMed,EMBASE,SportDiscus和IEEEEXplore的研究.
- 分析了38项相关研究,重点关注ML用于伤害预测,主要是在足球 (足球).
主要成果:
- 基于树的模型,特别是随机森林和XGBoost,经常提供最高的预测性能 (60%的研究).
- 曲线下的面积 (AUC) 是主要评估指标 (71%). 逻辑回归在4%的研究中表现优于ML.
- 尽管一些高AUC值 (>0.9),临床相关性仍然值得怀疑,因为广泛的伤害定义和广泛的预测窗口.
结论:
- 各种ML模型应用于体育伤害预测,其中一些显示出强大的统计性能.
- 临床实用性通常受到方法异质性,小数据集和广泛的伤害定义的限制.
- 需要进行进一步的研究,以解决数据的局限性,并完善伤害定义以实现实际应用.
