آیا پیش‌بینی آسیب‌ها در فوتبال زنان امکان‌پذیر است؟ چارچوبی جدید برای تبدیل ریسک به پشتیبانی تصمیم‌گیری

آیا پیش‌بینی آسیب‌ها در فوتبال زنان امکان‌پذیر است؟ چارچوبی جدید برای تبدیل ریسک به پشتیبانی تصمیم‌گیری

 

تنها در فصل ۲۰۲۳-۲۴، ۴۱۲۳ مورد آسیب‌دیدگی در پنج لیگ برتر فوتبال اروپا ثبت شد که هزینه تخمینی آن ۷۳۲ میلیون یورو بابت حقوق پرداختی به بازیکنان مصدوم بود. به این هزینه، از دست دادن رقابت‌پذیری تیم‌ها و سایر هزینه‌های مرتبط نیز اضافه می‌شود. بنابراین جای تعجب نیست که یکی از محورهای مهم تحقیقات در پزشکی و علوم ورزشی معاصر، توسعه ابزارهایی است که قادر به شناسایی موقعیت‌های پرخطرتر قبل از بروز مشکلات جسمی هستند.

این چارچوب جدید از تحلیل، روشی که معمولاً در تحقیقات زیست‌پزشکی برای نشان دادن چگونگی تکامل احتمال وقوع یک رویداد در طول زمان استفاده می‌شود، استفاده می‌کند.

برای این منظور، یک تیم بین‌المللی متشکل از محققان دانشگاه بن، ISGlobal، Made of Genes، بخش پزشکی باشگاه فوتبال بارسلونا و مرکز نوآوری بارسا، به همراه سایر مراکز همکار، مطالعه‌ای با عنوان «پیش‌بینی آسیب در فوتبال زنان نخبه: یک چارچوب یکپارچه پشتیبانی تصمیم‌گیری مبتنی بر یادگیری ماشین» را در npj Digital Medicine منتشر کرده‌اند. این کار یک چارچوب محاسباتی برای تخمین خطر آسیب اسکلتی عضلانی غیر تماسی و تبدیل آن احتمال به اطلاعاتی ارائه می‌دهد که در آینده می‌تواند به پزشکان، مربیان تناسب اندام و مربیان در تصمیم‌گیری کمک کند.

این مدل‌ها داده‌های تولید شده در طول فعالیت‌های ورزشی – مانند مسافت طی شده، دویدن با سرعت بالا، شتاب‌ها، کاهش سرعت‌ها، دقایق قرارگیری در معرض ضربه و بار انباشته شده – را تجزیه و تحلیل می‌کنند تا الگوهایی را که ممکن است از مشاهده روزمره پنهان بمانند، شناسایی کنند. هدف آن جایگزینی معیارهای بالینی یا فنی یا تصمیم‌گیری خودکار در مورد اینکه آیا یک بازیکن باید بازی کند یا استراحت کند، نیست، بلکه ارائه اطلاعات اضافی، عینی و متناسب با شرایط است.

ریسک یک پاسخ بله یا خیر نیست:

یکی از محدودیت‌های بسیاری از مدل‌های مرسوم این است که آنها به آسیب‌دیدگی به عنوان یک نتیجه دوتایی نگاه می‌کنند: بازیکن آسیب دیده است یا نه. با این حال، ریسک می‌تواند با افزایش زمان صرف شده در تمرین یا مسابقه تغییر کند. چارچوب جدید از تحلیل بقا استفاده می‌کند، روشی که معمولاً در تحقیقات زیست‌پزشکی برای نشان دادن چگونگی تکامل احتمال وقوع یک رویداد در طول زمان استفاده می‌شود.

با اعمال این رویکرد در فوتبال، می‌توان ریسک را برای مدت زمان‌های مختلف مورد انتظار یک جلسه یا یک مسابقه تخمین زد. با ثابت بودن سایر شرایط، احتمال تجمعی نباید با افزایش میزان مواجهه کاهش یابد. این ویژگی که در همه طبقه‌بندی‌های سنتی تضمین نمی‌شود، مدل را به ماهیت زمانی مسئله نزدیک می‌کند بدون اینکه دقایق بازی را به یک علت خودکار آسیب‌دیدگی تبدیل کند.

نتایج نشان می‌دهد که تاریخچه بارگذاری اخیر حاوی اطلاعات مرتبط برای تخمین ریسک است و یک جلسه نباید جدا از کار انجام شده در هفته‌های گذشته تفسیر شود.

یکی دیگر از الزامات اساسی، کالیبراسیون است. سیستمی که ریسک ۲۰٪ را تعیین می‌کند، باید به این معنی باشد که در میان موقعیت‌های قابل مقایسه، فراوانی مشاهده شده نزدیک به آن درصد است. یک الگوریتم می‌تواند موارد با ریسک بالاتر و پایین‌تر را نسبتاً خوب تشخیص دهد و همچنان احتمالات غیرقابل اعتمادی ارائه دهد. به همین دلیل، محققان داده‌های خاصی را برای کالیبراسیون تخمین‌ها، جدا از داده‌هایی که برای آموزش و ارزیابی مدل‌ها استفاده می‌شوند، کنار می‌گذارند.

از پیش‌بینی آسیب تا پشتیبانی تصمیم‌گیری:

مطالعات اغلب عملکرد این سیستم‌ها را با استفاده از شاخص‌هایی مانند سطح زیر منحنی ROC یا دقت-فراخوانی اندازه‌گیری می‌کنند. اینها معیارهای مفیدی برای مقایسه مدل‌ها هستند، اما به خودی خود نشان نمی‌دهند که آیا یک پیش‌بینی در عمل مفید خواهد بود یا خیر. یک هشدار می‌تواند منجر به مثبت کاذب و استراحت غیرضروری شود. در عوض، عدم اقدام در یک موقعیت پرخطر می‌تواند با آسیب و روزهای غیبت همراه باشد. علاوه بر این، ارزش هر گزینه به زمینه بستگی دارد: یک جلسه روتین به اندازه یک مسابقه تعیین‌کننده مهم نیست.

برای پرداختن به این مشکل، محققان نظریه تصمیم‌گیری آماری را در نظر گرفتند. این چارچوب، احتمال کالیبره شده آسیب را با دو عنصر قابل تنظیم ترکیب می‌کند: ارزشی که متخصصان به هر جلسه تمرین یا مسابقه اختصاص می‌دهند و سطح قطعیتی که می‌خواهند قبل از در نظر گرفتن اینکه استراحت می‌تواند مفید باشد، مطالبه کنند. نویسندگان این مفهوم دوم را قطعیت فایده استراحت (RBC) می‌نامند. به این ترتیب، خروجی اصلی مدل صرفاً یک بله یا خیر نیست، بلکه احتمالی است که می‌تواند در یک فرآیند تصمیم‌گیری گسترده‌تر ادغام شود.

این تفاوت مهم است. سیستم به تنهایی نمی‌داند که یک بازیکن به چه چیزی نیاز دارد و همچنین نمی‌تواند تمام اطلاعات پزشکی، شخصی و رقابتی دخیل در یک تصمیم واقعی را بسنجد. این سیستم بخشی از معضل را کمّی می‌کند، اما ارزیابی بالینی، رفاه ورزشکار، وضعیت فردی او و …

تحقیقات مشترک با داده‌های فوتبال زنان نخبه

این مطالعه با داده‌های طولی از تیم اول زنان باشگاه فوتبال بارسلونا مربوط به چهار فصل، بین سال‌های 2019-2020 و 2022-23 توسعه داده شد. این گروه شامل 34 فوتبالیست، 13940 روز مشاهده و 83 آسیب اسکلتی-عضلانی غیر تماسی بود. سوابق، اطلاعات فعالیت و مواجهه را از تمرینات، مسابقات و دوره‌های حضور در تیم‌های ملی جمع‌آوری کردند. اگرچه استفاده از این داده‌ها نتیجه را به “الگوریتم بارسا” تبدیل نمی‌کند، اما یک چارچوب روش‌شناختی است که از همکاری بین مؤسسات علمی و ورزشی مختلف ملی و بین‌المللی پدید آمده است. داده‌های تیم امکان توسعه و انجام اولین اعتبارسنجی در یک محیط فوتبال زنان نخبه را فراهم کرد، اما قبل از بررسی کاربرد آن در سایر باشگاه‌ها، مسابقات یا جمعیت‌ها، لازم است که آن را با اطلاعات مستقل بازآموزی و اعتبارسنجی کنیم.

سهم آن شامل تبدیل تخمین‌های ریسک و ترجیحات تعریف‌شده توسط متخصصان به یک توصیه ریاضی است که می‌تواند در یک فرآیند بسیار گسترده‌تر گنجانده شود.

معماری اصلی مبتنی بر XGBSE (تعبیه بقا با تقویت گرادیان شدید)، یک مدل یادگیری ماشینی سازگار با تحلیل بقا بود. عملکرد آن با سایر مدل‌های بقا و با طبقه‌بندی‌کننده‌های مرسوم مانند LightGBM، رگرسیون لجستیک و k-نزدیک‌ترین همسایه مقایسه شد. برای کاهش احتمال وابستگی نتیجه‌گیری‌ها به یک پارتیشن واحد از داده‌ها، محققان 400 تقسیم بر اساس بلوک‌های زمانی را به مجموعه‌های آموزشی، کالیبراسیون و آزمایشی انجام دادند.

علاوه بر این، آنها سیستم را با فصل‌های 2019-20 تا 2021-22 آموزش دادند و آن را در فصل 2022-23 که قبلاً استفاده نشده بود، به عنوان یک اعتبارسنجی زمانی داخلی-خارجی ارزیابی کردند. این روش به ما امکان می‌دهد تا نحوه پاسخ مدل به داده‌های بعدی که در طول توسعه آن استفاده شده است را بهتر بررسی کنیم، اگرچه هنوز به اعتبارسنجی خارجی در باشگاه دیگری نمی‌رسد.

بار انباشته: یک سیگنال مرتبط، نه یک علت واحد

در میان متغیرهای بررسی‌شده، متغیری که بیشترین اهمیت پیش‌بینی‌کننده را داشت، میانگین متحرک وزنی مسافت طی‌شده در طول ۲۱ روز گذشته بود. پس از آن، شدت دویدن با سرعت بالا و فراوانی شتاب‌گیری‌ها و کاهش سرعت‌ها در همان روز قرار داشت. نتایج نشان می‌دهد که تاریخچه بارگذاری اخیر حاوی اطلاعات مرتبطی برای تخمین خطر است و یک جلسه نباید جدا از کار انجام‌شده در طول هفته‌های گذشته تفسیر شود.

با این حال، اهمیت یک متغیر در یک مدل، رابطه علی را نشان نمی‌دهد. این مطالعه به ما اجازه نمی‌دهد تأیید کنیم که مسافت انباشته‌شده به خودی خود علت آسیب‌دیدگی است یا یک آستانه جهانی قابل اجرا برای همه فوتبالیست‌های زن ایجاد کنیم. آسیب‌دیدگی‌ها پدیده‌های پیچیده و چندعاملی هستند و ارتباطات شناسایی‌شده باید در چارچوب بالینی و ورزشی هر ورزشکار تفسیر شوند.

 

نتایج چه چیزی را نشان می‌دهند؟

در مقایسه‌های انجام‌شده، مدل‌های بقا ظرفیت بیشتری برای تمایز نسبت به طبقه‌بندی‌کننده‌های مرسوم نشان دادند. XGBSE به میانگین مساحت زیر منحنی ROC برابر با ۰.۷۶۱ و میانگین دقت متوسط ​​۰.۰۷۱ دست یافت، در حالی که این مقدار برای بهترین طبقه‌بندی‌کننده مرسوم در معیار دوم ۰.۰۲۱ بود. کالیبراسیون بتا همچنین تمایل اولیه مدل به کمتر از حد تخمین زدن ریسک مشاهده شده را اصلاح کرد.

گام بعدی، اعتبارسنجی چارچوب در گروه‌های مستقل، با سایر باشگاه‌ها، سبک‌های بازی و تقویم‌های رقابتی و ارزیابی آینده‌نگر آن در شرایط دنیای واقعی خواهد بود.

هنگامی که پیش‌بینی‌ها در چارچوب تصمیم‌گیری ادغام شدند، برخی از پیکربندی‌های ارزیابی RBC و مسابقه، در ارزیابی‌های گذشته‌نگر، افزایش مثبتی در میزان دسترسی ایجاد کردند. در فصلی که برای اعتبارسنجی زمانی در نظر گرفته شده بود، آستانه‌های خاصی نیز نتایج مطلوبی را ارائه دادند. این تحلیل‌ها پتانسیل این رویکرد را نشان می‌دهند، اما نشان نمی‌دهند که استراحت دادن به بازیکنان با پیروی از توصیه‌های آن، در عمل از آسیب‌دیدگی جلوگیری می‌کرد.

کمکی برای متخصصان، نه یک تصمیم خودکار

این مدل هنوز آماده اصلاح مستقیم تصمیمات مربیان نیست. ارزیابی گذشته‌نگر بود: هیچ آزمایش آینده‌نگر انجام نشد که در آن پزشکان و کادر مربیگری واقعاً بر اساس توصیه‌های خود تصمیم گرفته باشند. بنابراین، هیچ اثر علیتی بر پیشگیری از آسیب یا در دسترس بودن تیم نمی‌تواند ثابت شود.

کمک آن شامل تبدیل تخمین‌های ریسک و ترجیحات تعریف شده توسط متخصصان به یک توصیه ریاضی است که می‌تواند در یک فرآیند بسیار گسترده‌تر گنجانده شود. تصمیم نهایی باید انسانی باقی بماند و همچنین باید بر اساس معاینه پزشکی، سابقه بازیکن، احساس او، رفاه او، زمان فصل و نیازهای ورزشی تیم باشد.

محدودیت‌های مطالعه و مراحل بعدی

محدودیت اصلی اندازه و اثبات است

میزان نمونه: ۳۴ بازیکن از یک تیم واحد. این مطالعه همچنین داده‌های چرخه قاعدگی فردی را نداشت، قادر به تجزیه و تحلیل عملکرد مدل در زیرگروه‌های جمعیتی نبود و از معیار افزایش دسترسی استفاده کرد که وقوع و مدت آسیب‌ها را در بر می‌گیرد، اما اثر علی مداخله را نشان نمی‌دهد.

گام بعدی، اعتبارسنجی چارچوب در گروه‌های مستقل، با سایر باشگاه‌ها، سبک‌های بازی و تقویم‌های رقابتی و ارزیابی آینده‌نگر آن در شرایط واقعی خواهد بود. همچنین لازم است که انصاف، پایداری آن در طول زمان و ادغام مسئولانه آن در گردش‌های کاری پزشکی و فنی بررسی شود.

بنابراین، این تحقیق بخش مهمی از مسیر به سوی سیستم‌های پشتیبانی دقیق‌تر، قابل تفسیر و شخصی‌سازی‌شده را نشان می‌دهد. ادغام آینده بار خارجی با متغیرهای بالینی، فیزیولوژیکی و بیولوژیکی می‌تواند این مدل‌ها را غنی‌تر کند و به توسعه بازنمایی‌های دیجیتالی ورزشکار کمک کند. هدف این نیست که قول دهیم آسیب‌ها را می‌توان با قطعیت پیش‌بینی کرد، بلکه حرکت به سمت تصمیمات آگاهانه‌تر بدون از دست دادن این واقعیت است که در حال حاضر، سیستم نمی‌تواند به طور خودکار معیارهای متخصصان را جایگزین یا اصلاح کند.

برای کسب اطلاعات بیشتر در مورد تاکتیک های فوتبال و کسب بینش از مربیان در بالاترین سطح، سایت های فوراستادی 4STUDY.IR ، ساکر آکادمی، وبلاگ باشگاه و مدرسه فوتبال درفک البرز را  مطالعه کنید.

باشگاه و مدرسه فوتبال درفک البرز، به عنوان بهترین مدرسه فوتبال کرج تلاش دارد تا همگام با تمرینات بهترین آکادمی های فوتبال دنیا جلو رفته و استعدادهای بهتررا به فوتبال ملی و باشگاهی ایران معرفی کند. شما نیز می توانید عضو باشگاه درفک البرز شده و در مسیر حرفه ای شدن قدم بردارید.

 

پاسخ دهید