La literatura reciente presenta evidencia contradictoria de la incidencia general de lesiones en el fútbol profesional de élite (fútbol) en la última década, y algunos estudios muestran un aumento y otros que muestran una disminución. (1,3). Sin embargo, parece existir un consenso de que las lesiones musculares permanecen tan perjudiciales hoy como en años anteriores. El potencial total de los datos recopilados en el fútbol profesional aún no se ha cumplido: los conjuntos de datos disponibles requieren más exploración antes de que puedan generar su valor. Las posibles explicaciones para la brecha entre el potencial y el valor realizado podrían ser el alto grado de análisis de silenciado en pequeñas subsecciones de datos, pequeños conjuntos de datos, habilidades de operador humano variados y, a veces, la naturaleza manual de la obra, que contribuye a la fatiga de los datos (( ver Figura 1). Como resultado, algunos profesionales de la industria consideran interpretar los datos de la carga de trabajo para fines de mitigación de riesgos de lesiones para ser el oro de un tonto (4,5).
Inteligencia artificial (IA) ya está mostrando una capacidad increíble, desde reducir el impacto catastrófico de los desastres naturales hasta hacer que las compras en línea sean más intuitivas (11). Para muchos de sus casos de uso, la IA puede agregar información cuantificable que complementan los procesos de toma de decisiones humanas para resultados beneficiosos. Esto es particularmente visible en el diagnóstico médico y el análisis radiológico donde la IA ayuda en la detección de una amplia gama de afecciones médicas y ofrece sugerencias pronósticas. (12).
La investigación de IA ahora está recurriendo a la mitigación del riesgo de lesiones en el deporte. Zona7 El sistema dirigido por IA ofrece pronósticos de riesgo de lesiones diarias basadas en conjuntos de datos disponibles. Actualmente se implementa en organizaciones deportivas profesionales para permitir a los profesionales tomar decisiones y tomar medidas desde una perspectiva totalmente informada de datos. Zone7 ancló su trabajo en principios clave del análisis de datos, estableciendo los siguientes requisitos para su sistema:
- Debe absorber los grandes conjuntos de datos disponibles de manera imparcial y de manera automatizada, cuando sea posible.
- Ser tecnológico-agnóstico y transformar de manera confiable la carga de trabajo, el historial de lesiones y otros datos de múltiples fuentes confiables en un sólido lago de datos de múltiples equipos.
- Refleja las necesidades ambientales de la actitud de las organizaciones e individuales hacia el riesgo.
- Realice el análisis de datos de manera eficiente con la comprensión de que el pronóstico del riesgo de lesiones es multifactorial.
- Adapte dinámicamente y aprenda con el tiempo para mejorar la precisión del pronóstico del riesgo de lesiones a medida que cambian las variables y se recopilan más datos, lo que significa que se espera que mejoren la sensibilidad y la especificidad del sistema.
- Traducir adecuadamente las tendencias de datos y comunicar claramente ideas procesables para que los usuarios finales humanos contextualicen y apliquen como se considera apropiado.
El sistema Zone7 AI lleva a cabo un cálculo complejo de Big Data de manera eficiente y consistente, para ideas significativas, todos los días. Su capacidad para realizar estas funciones de manera confiable en tiempo real facilita la carga de trabajo de análisis de datos y tiene la oportunidad de hacer una contribución significativa, si aún no completamente, cómo los profesionales de MDT manejan y minimizan los riesgos de lesiones en los atletas profesionales.
Realizamos un análisis retrospectivo de datos de carga de trabajo e incidencia de lesiones de 11 equipos de fútbol profesional (fútbol) que compiten en Europa y América del Norte. Tuvimos datos para cada equipo de al menos una temporada competitiva entre 2019 y 2021. Si bien el estudio no fue destinado ni diseñado para servir como investigación científica revisada por pares, nuestro objetivo era agregar un grado de información basada en evidencia a la discusión sobre cómo La IA puede ayudar en los procesos de gestión de jugadores MDT para mitigar el riesgo de lesiones en el fútbol profesional.
El enfoque principal era demostrar la capacidad de Zone7 para pronosticar con precisión un mayor riesgo de lesiones, utilizando la incidencia real de lesiones como el punto de comparación. También queríamos evaluar la precisión de que Zone7 pronostica el tipo de lesión, junto con la precisión y usabilidad del sistema, como lo refleja el número de jugadores identificados como en riesgo a diario.
Metodología
El sistema Zone7 tomó los datos de la carga de trabajo y pronosticaba el riesgo de lesiones de cada jugador individual todos los días. Es decir, el sistema estimaría cada día la probabilidad de cada jugador de sufrir una lesión en los próximos siete días. Si se pronosticaba un jugador con un mayor riesgo, el sistema lo clasificó como un riesgo alto o medio, lo que refleja el nivel de probabilidad El sistema estimado de la lesión que ocurre dentro de los próximos siete días
Luego referenciamos estos pronósticos contra las lesiones reales que sufrieron los jugadores de campo de cada equipo. El sistema de IA tuvo que estimar el mayor riesgo de lesiones, una probabilidad estimada por encima de un cierto umbral, 1-7 días antes de una lesión que realmente nos ocurrió para cumplir con nuestros criterios para un pronóstico exitoso. Casos de mayor riesgo de lesiones fueron clasificados como altos o medianos.
En los 11 equipos, Zone7 tuvo 423 lesiones para referencias cruzadas contra los datos de la carga de trabajo, una cantidad suficiente para garantizar hallazgos sólidos.
El conjunto de datos de carga de trabajo de cada equipo provino de las diferentes fuentes y proveedores de tecnología que usan. En consecuencia, creamos un modelo predictivo específico para cada equipo basado en la combinación única de parámetros de carga de trabajo en su conjunto de datos. Si bien el sistema Zone7 era lo suficientemente flexible como para ser tecnología agnóstica, las métricas de los dispositivos de generación de datos de cada equipo generalmente contenían el conjunto completo de métricas de carga externas. Cuando estaba disponible consistentemente, los datos de la frecuencia cardíaca eran la métrica de carga de entrenamiento interno. Si no había datos de carga de carga de trabajo disponibles para un jugador individual, tal vez debido al mal funcionamiento del dispositivo o los compromisos del equipo internacional, simulamos los datos basados en los minutos jugados en caso de un análisis de coincidencia o microciclos en caso de una sesión de entrenamiento. Esta simulación de datos se realizó utilizando métodos matemáticos estándar de la industria para la imputación de datos.
A pesar de la varianza en externo y carga de entrenamiento interno Parámetros de los diferentes clubes, el análisis se basó en las mismas metodologías para todos, con métodos matemáticos adecuados para explicar tales diferencias.
Más allá de los datos de la carga de trabajo, el récord y edad de lesiones históricas de cada jugador se usaron como insumos, junto con el horario de competencia de cada equipo. Esto ayudó a completar la imagen de los microciclos periodizados de cada equipo junto con las tendencias estacionales.
Tomamos los siguientes pasos para abordar cualquier sesgo potencial en el análisis:
- Todas las lesiones sufridas y alimentadas en el sistema se mantuvieron en la temporada a través de entrenamiento directo o participación en el partido, incluso durante la pretemporada. El análisis excluyó las lesiones del portero, las lesiones no deportivas, las enfermedades y las lesiones fuera de temporada.
- Cuatro semanas fue el plazo definitivo para establecer puntos de referencia relativos iniciales para cada jugador. Por lo tanto, algunas lesiones en la temporada se omitieron del análisis si hay menos de cuatro semanas consecutivas de datos para el jugador involucrado.
- Zone7 realizó el análisis de la carga de trabajo y generó pronósticos de riesgo de lesiones antes de asumir la incidencia real de la lesión del período bajo análisis.
- Los algoritmos de IA de Zone7 no se capacitaron en ninguno de los datos de los clubes antes de realizar este análisis. Es decir, todos los resultados provienen de pruebas fuera de la muestra.
Tasa de detección de lesiones
En los 11 equipos en el análisis, los jugadores se combinaron para 423 lesiones. Zone7 pronosticó un mayor riesgo de lesiones de uno a siete días antes de la aparición de 306 de estas lesiones. Eso significa que, si Zone7 se hubiera desplegado y en uso en tiempo real, los equipos habrían sido alertados sobre el mayor riesgo de lesiones de un jugador el 72.4% del tiempo que realmente ocurrió una lesión. El 56.1% de esas alertas se habrían clasificado como alto riesgo y el 16.3% como riesgo medio.
Dicho de otra manera, al tener en cuenta la gravedad de las lesiones incluidas en el análisis, las lesiones que Zone7 pronosticaron como eventos de riesgo alto/medio representaron el 65.4% de los días de hombre perdidos.
Presentar los niveles de riesgo de lesiones como altos o medios ofrece una señal inmediata de la probabilidad de mantener una lesión en los próximos siete días, según lo estimado por el sistema Zone7. Esta categorización de riesgos potencialmente permite al personal de MDT priorizar e individualizar la programación y la capacitación individualizar como parte de los procesos de gestión de jugadores cotidianos.
Si bien hubo cierta varianza en el grado de lesiones correlacionadas con un aumento de los pronósticos de riesgo de lesiones en base a equipo o liga (la desviación estándar en las tasas de detección de lesiones entre las ligas fue del 4%), el sistema Zone7 se desempeñó consistentemente en diferentes entornos. Dichos resultados deberían proporcionar confianza en la capacidad de aplicar el sistema y su metodología a diferentes entornos nuevos en el futuro.
En la Figura 4 se muestra una representación de liga por liga de tasas de detección de riesgo de lesiones altas o medianas.
El tipo de lesión específica predominante fue la lesión en los isquiotibiales, seguido de rodilla, tobillo, ternera, aductor, cuádriceps y lesiones en el pie. (Figura 5). Dentro de la categoría de «otro» tipo de lesión, los clubes clasificaron 33 lesiones como lesiones del muslo. Este problema de registro de lesiones significa la perturbación, cuádriceps y lesiones aductoras comprenderían proporciones aún mayores si las lesiones del muslo se clasificaran con más especificidad.
Esta información refleja la similitud entre los datos que utilizamos y la distribución típica de las lesiones por parte del cuerpo que se muestra en estudios académicos que examinaron la epidemiología de las lesiones en el fútbol profesional (17).
Los días perdidos por el tipo de lesión reflejan la gravedad de las lesiones asociadas con cada parte del cuerpo. Más de una cuarta parte de los días fuera se debieron a lesiones de rodilla (Figura 6).
Resultados: precisión del pronóstico por tipo de lesión
Incorporamos un algoritmo de pronóstico de tipo lesión para …
