从受伤到复出:对预测运动员回归体育运动的机器学习模型的系统审查

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:

• 预测运动伤害后的运动回归 (RTS) 对运动员的福祉和表现至关重要.
• 机器学习 (ML) 为复杂的伤害预测任务提供了先进的分析能力.

研究的目的:

• 系统地审查有关ML应用程序的文献,以预测受伤后的RTS决策.
• 在当前研究中识别ML模型,预测变量和方法特征.

主要方法:

• 在Web of Science,PubMed和SPORTDiscus进行了全面的文献搜索.
• 两位独立审查员使用预先定义的标准选择了研究.
• 预测模型偏差风险评估工具 (PROBAST) 评估了研究偏差.

主要成果:

• 十一项研究符合纳入标准,膝盖受伤是最常见的焦点.
• 随机森林 (RF) 是最常用的ML算法,显示出强大的预测性能 (在某些情况下AUC>0.9).
• 使用特征重要性和可解释性方法,但临床翻译仍然是一个挑战.

结论:

• ML技术具有预测运动员RTS的巨大潜力.
• 在RTS定义,特征选择和模型开发中的异质性阻碍了概括性和临床适用性.