机器学习在非接触下肢运动伤害预测中的应用:系统性审查
Jin Yuan1, Quanwen Zeng1, Anjie Wang1
1School of Physical Education, Anhui Polytechnic University, Wuhu, 241000, Anhui, China.
Journal of sports science & medicine
|February 19, 2026
概括
机器学习模型在预测非接触下肢体育伤害方面表现有前途. 基于树的方法,就像决策树一样,为运动员受伤风险评估提供了强大的预测性能.
科学领域:
- 运动医学 运动医学
- 生物机械工程 生物机械工程
- 数据科学在体育中的应用
背景情况:
- 在运动员中,非接触下肢损伤很常见,并且具有影响力.
- 预测建模对于制定有效的预防和康复策略至关重要.
- 机器学习 (ML) 为分析复杂的体育伤害数据提供了先进的功能.
研究的目的:
- 系统地审查当前关于机器学习的证据,以预测非接触下肢体育伤害.
- 评估ML模型在运动伤害风险预测中的性能和方法.
- 确定这一研究领域的关键趋势和未来方向.
主要方法:
- 按照PRISMA 2020指南进行系统的文献审查.
- 搜索数据库:科学网,PubMed,SportDiscus (EBSCO) 在 2025 年 1 月 20 日.
- 包括92项查后的15项研究,使用PROBAST工具评估偏差风险.
主要成果:
- 篮球和足球 (足球) 的成年运动员是最受研究的.
- 随机森林和物流回归是常见的;以树为基础的方法表现最强 (6项研究).
- 通过CHAID决策树达到0.91的曲线下的最高面积 (AUC);灵敏度高达0.92.
结论:
- 机器学习显示了预测运动员下肢非接触性损伤的巨大潜力.
- 模型的可解释性对于临床应用越来越重要.
- 未来的研究需要多源数据集成和前性验证,以便将其切实转化为精确伤害预防.
