一个机器学习模型用于大学运动员中脑震荡后肌肉骨损伤风险
Claudio C Claros-Olivares1, Melissa N Anderson2, Wei Qian3
1Department of Electrical and Computer Engineering, University of Delaware, Newark, 19716, Delaware, USA.
medRxiv : the preprint server for health sciences
|February 20, 2025
概括
这项研究开发了一种机器学习模型,用于预测大学运动员中脑震荡后的肌肉骨损伤. 该模型准确地识别了高风险的运动员,从而实现了针对性的伤害预防策略.
科学领域:
- 运动医学 运动医学
- 生物统计学 生物统计学
- 医疗保健中的机器学习
背景情况:
- 大学运动员面临着脑震荡后肌肉骨 (MSK) 损伤的风险增加.
- 识别这些受伤高风险的特定运动员至关重要,但具有挑战性.
研究的目的:
- 开发一个对大学运动员中脑震荡后肌肉关节损伤风险的预测模型.
- 利用机器学习来整合各种变量以进行准确的风险评估.
主要方法:
- 在155名运动员身上训练了一种机器学习模型,并在39名运动员身上进行了测试,使用了包括健康,运动史和脑震荡评估数据在内的135个变量.
- 技术包括证据权重转换,变量选择的L1-惩罚后勤回归,模型选择的Akaike信息标准和L2-规范后勤回归拟合.
主要成果:
- 一个48变量模型显示了随后的MSK损伤的显著预测性能 (AUC=0.82).
- 关键预测因素包括基线和急性脑震荡后阶段的认知,平衡和反应评估.
- 该模型实现了79%的灵敏度和95%的精度,在识别有风险的运动员时,假阳性率为6.67%.
结论:
- 开发的模型提供了一种敏感和具体的方法来识别高风险的大学运动员的脑震荡后关节损伤.
- 将机器学习与综合数据相结合,可以制定有针对性的伤害风险降低策略.
- 这种方法可以改善对最容易受到脑震荡后肌肉神经元损伤的学生运动员的临床向.
