通过新的功能和可解释的人工智能,增强了与棒球相关的上肢伤害的个性化预测

科学领域:

• 运动医学 运动医学
• 生物力学 生物力学
• 医疗保健中的机器学习

背景情况:

• 上肢受伤在棒球中很常见.
• 棒球运动员需要先进的预防策略.
• 临床特征可以预测受伤风险.

研究的目的:

• 分析临床特征,以准确,个性化评估棒球运动员受伤风险.
• 评估用于预测上肢损伤的机器学习模型.

主要方法:

• 招募了98名棒球运动员,收集了关于膜关旋转,囊/肌厚度和膜关距离的数据.
• 在整个赛季中,监测球员的受伤情况.
• 使用逻辑回归,随机森林,CatBoost和支持矢量机模型评估预测准确度,并结合了夏普利增量扩展 (SHAP) 分析.

主要成果:

• 28名球员在本赛季中受伤.
• CatBoost (准确率:0.70) 和后勤回归 (准确率:0.63) 显示出强大的预测性能.
• SHAP分析澄清了临床特征在伤害预测中的作用,Glenohumeral Internal Rotation Deficit (GIRD) 对CatBoost精度的影响微不足道.

结论:

• 机器学习模型,特别是CatBoost,在预测棒球运动员上肢损伤方面表现出有效性.
• 整合SHAP分析增强了对个性化伤害预防临床预测因子的理解.
• 这种方法促进了体育医学研究和个性化伤害风险评估.