Методы машинного обучения для прогнозирования и профилактики спортивных травм: систематический обзор

Цель: Травмы часто возникают при занятиях спортом и могут иметь значимые физические, психологические и финансовые последствия. Методы машинного обучения можно использовать для повышения точности прогнозирования травм и выбора оптимальных стратегий их профилактики. Целью настоящего исследования был систематический обзор методов машинного обучения, применяемых для прогнозирования и профилактики спортивных травм.

Методы: 24 марта 2020 года выполнен поиск публикаций в базе данных PubMed. В обзор включали оригинальные исследования, посвящённые применению машинного обучения для прогнозирования и профилактики спортивных травм. Два независимых рецензента отбирали статьи, оценивали соответствие критериям включения, риск систематической ошибки и извлекали данные. Методологическое качество и риск систематической ошибки определяли по шкале Ньюкасл—Оттава. Качество доказательств оценивали с использованием методологии рабочей группы GRADE.

Результаты: Критериям включения и исключения соответствовали 11 из 249 исследований. Использовались различные методы машинного обучения: ансамблевые методы на основе деревьев (n = 9), метод опорных векторов (n = 4) и искусственные нейронные сети (n = 2). Для классификации применяли предварительную обработку данных (n = 5), а также оптимизацию с помощью методов увеличения и уменьшения выборки (n = 6), настройки гиперпараметров (n = 4), отбора признаков (n = 3) и снижения размерности (n = 1). Показатели прогнозирования травм варьировали от низких (точность 52%, AUC = 0,52) до высоких (AUC = 0,87, F1-мера = 85%).

Выводы: Современные методы машинного обучения позволяют выявлять спортсменов с высоким риском травм и могут помогать определять наиболее значимые факторы риска. В целом методологическое качество анализов было достаточным, однако его можно дополнительно повысить. Необходимо уделять больше внимания интерпретации моделей машинного обучения.