Штучний інтелект у футболі: Нова можливість зменшити ризик травмування?
Сучасна література містить суперечливі дані про загальний рівень травматизму в професійному футболі: одні дослідження свідчать про його зростання, а інші - про зниження. Однак, здається, існує консенсус щодо того, що м'язові травми залишаються такою ж проблемою сьогодні, як і в попередні роки. Повний потенціал даних, зібраних у професійному футболі, ще не реалізований - наявні масиви даних потребують подальшого вивчення, перш ніж вони зможуть принести свою користь.
Можливими поясненнями розриву між потенціалом і реалізованою цінністю можуть бути високий ступінь ізольованого аналізу невеликих підрозділів даних, невеликі обсяги даних, різні навички операторів і, іноді, важкий ручний характер роботи, що призводить до втоми від даних (див. Фото 1). Як наслідок, деякі фахівці галузі вважають, що інтерпретація даних про робоче навантаження з метою зменшення ризику травматизму є марною справою.
Фото: Правильний процес роботи мультидисциплінарної команди (МДК) для зменшення ризику травмування
Штучний інтелект (ШІ) вже демонструє неймовірні можливості - від зменшення катастрофічних наслідків стихійних лих до інтуїтивно зрозумілих онлайн-покупок. У багатьох випадках використання ШІ може додати кількісно вимірювані дані, які доповнюють людські процеси прийняття рішень для досягнення позитивних результатів. Це особливо помітно в медичній діагностиці та радіологічному аналізі, де ШІ допомагає виявляти широкий спектр медичних станів і пропонує прогностичні рекомендації.
"Штучний інтелект може додати кількісно вимірювану інформацію, яка доповнює людські способи прийняття рішень для отримання вигідних результатів"
Дослідження в галузі штучного інтелекту тепер спрямовані на зменшення ризику травм у спорті. Система на основі штучного інтелекту Zone7 пропонує щоденне прогнозування ризику травм на основі наявних баз даних. Наразі вона використовується в професійних спортивних організаціях, щоб дозволити тренерам приймати рішення та вживати заходів на основі повної інформації. Zone7 базує свою роботу на ключових принципах аналізу даних, встановлюючи наступні вимоги до своєї системи:
- Повинна поглинати великі доступні бази даних неупереджено і автоматизовано, де це можливо.
- Мати технологічну діагностику і надійно перетворювати робоче навантаження, історію травм та інші дані з декількох надійних джерел в потужне багатокомандне сховище даних.
- Відображати екологічні потреби організацій та ставлення окремих користувачів до ризику.
- Ефективно виконувати аналіз даних з розумінням того, що прогнозування ризику травматизму є багатофакторним.
- Динамічно адаптуватися і навчатися з часом, щоб підвищити точність прогнозування ризику травматизму, оскільки параметри змінюються і збирається більше даних, а це означає, що чутливість і специфічність системи повинні покращитися.
- Належним чином перекладати динаміку даних і чітко передавати практичні висновки для кінцевих користувачів, щоб вони могли адаптувати їх до контексту і застосовувати на власний розсуд.
Система штучного інтелекту Zone7 щодня ефективно і послідовно проводить складні обчислення великих обсягів даних для отримання змістовних висновків. Її здатність надійно виконувати ці функції в режимі реального часу полегшує робоче навантаження з аналізу даних і має шанс зробити вагомий, якщо ще не повністю реалізований, внесок у те, як фахівці мінімізують ризики травм у професійних спортсменів.
Фото: Інсайти на основі даних - поінформована практика
Колективне ретроспективне дослідження, що вивчає здатність Zone7 точно прогнозувати ризик травматизму
Проведено ретроспективний аналіз даних про навантаження та травматизм 11 професійних футбольних команд, що змагаються в Європі та Північній Америці. Ми мали дані по кожній команді щонайменше за один змагальний сезон між 2019 та 2021 роками. Хоча це дослідження не мало на меті і не претендувало на роль рецензованого наукового дослідження, наша мета полягала в тому, щоб додати певний рівень науково обґрунтованої інформації до дискусії про те, як ШІ може потенційно допомогти в процесах управління гравцями для зниження ризику травматизму в професійному футболі.
Основним завданням було продемонструвати здатність Zone7 точно прогнозувати підвищений ризик травм, використовуючи фактичну частоту травм як точку співставлення. Ми також хотіли оцінити, наскільки точно Zone7 прогнозує тип травми, а також ефективність і зручність використання системи, що відображається в кількості гравців, які щодня потрапляють у групу ризику.
Методологія
Система Zone7 взяла дані про навантаження і спрогнозувала ризик травми для кожного гравця на кожен день. Тобто система щодня оцінювала ймовірність отримання травми кожним гравцем протягом наступних семи днів. Якщо прогнозувався підвищений ризик для гравця, система класифікувала його як високий або середній.
Потім ми порівняли ці прогнози з фактичними травмами, яких зазнали футболісти кожної команди. Щоб відповідати нашим критеріям успішного прогнозу, система штучного інтелекту повинна була оцінити підвищений ризик травми - ймовірність вище певного порогу - за 1-7 днів до травми, яка фактично сталася, щоб відповідати нашим критеріям успішного прогнозу.
У 11 командах Zone7 було зареєстровано 423 травми, які ми зіставили з даними про робоче навантаження, що є достатньою кількістю для отримання надійних висновків.
Незважаючи на відмінності в параметрах зовнішнього та внутрішнього тренувального навантаження різних клубів, аналіз був побудований на однакових методах для всіх, із застосуванням належних математичних методів для врахування подібних відмінностей.
Окрім даних про навантаження, в якості вхідних даних були використані історія травм і вік кожного гравця, а також графік змагань кожної команди. Це допомогло скласти повну картину періодизованих мікроциклів кожної команди, а також сезонних тенденцій.
Рівень виявлення травм
У всіх 11 командах, що брали участь в аналізі, гравці отримали 423 травми. Zone7 прогнозувала підвищений ризик травм за один-сім днів до виникнення 306 з цих травм. Це означає, що якби Zone7 була розгорнута і використовувалася в режимі реального часу, команди були б попереджені про підвищений ризик травми гравця в 72,4% випадків, коли травма фактично сталася. 56,1% цих попереджень були б віднесені до категорії високого ризику, а 16,3% - до категорії середнього ризику.
"Беручи до уваги тяжкість травм, включених до аналізу, травми, які Зона7 прогнозувала як події високого/середнього ризику, склали 65,4% втрачених людино-днів".
Фото: Коефіцієнт прогнозування ризиків травматизму
Представлення рівня ризику травми як високого або середнього дає негайний сигнал про ймовірність отримання травми в найближчі сім днів, згідно з оцінкою системи Zone7. Така категоризація ризиків потенційно дозволяє персоналу МДК визначати пріоритети та надалі індивідуалізувати програми та тренування в рамках повсякденних процесів роботи з гравцями.
Незважаючи на те, що існувала певна різниця в масштабах травм, пов'язаних з підвищеним прогнозом ризику травмування на рівні команди або ліги (стандартне відхилення в показниках виявлення травм між лігами становило 4%), система Zone7 працювала стабільно в різних умовах. Такі результати повинні забезпечити впевненість у можливості застосування системи та її методів до різних, нових умов у майбутньому.
Розподіл високих і середніх показників виявлення ризику травм у різних лігах показано на наступній фотографії:
Фото: Відсоток попереджень про травми середнього та високого ризику в кожній лізі порівняно з фактичною частотою травм.
Переважним типом ушкоджень була травма підколінного сухожилля, за нею слідували травми коліна, гомілковостопного суглоба, литки, привідного м'яза, чотириголового м'яза та стопи. У категорії "Інші" клуби класифікували 33 травми як травми стегна. Ця проблема реєстрації пошкоджень означає, що травми підколінного сухожилля, чотириголового м'яза і привідного м'яза могли б становити ще більшу частку, якби травми стегна були класифіковані більш конкретно.
Ця інформація відображає схожість між даними, які ми використовували, і типовим розподілом травм за частинами тіла, показаним в академічних дослідженнях, які вивчали особливості епідеміології травм у професійному футболі.
Фото: Травми за частинами тіла
Втрачені дні внаслідок ушкоджень за типом травми відображають тяжкість пошкоджень, пов'язаних з кожною частиною тіла. Понад чверть днів непрацездатності припадає на травми колінного суглоба.
Фото: Відсоток втрачених днів залежно від пошкодженої частини тіла
Результати: Точність прогнозу за типом травми
Ми застосували алгоритм прогнозування за типом травми для дев'яти з 11 команд, включених до цього тематичного дослідження. Цей алгоритм вказував на три частини тіла (лише нижня частина тіла), які найімовірніше зазнають травм щоразу, коли система прогнозує підвищений ризик травмування (Фото 7), а також на ймовірну тяжкість такої потенційної травми з точки зору втрачених днів.
Вивчаючи точність прогнозування травм за частинами тіла, ми бачимо, що вона не обов'язково відповідає тому, наскільки поширеним є кожен тип травми в базі даних. Ми виявили, що дві частини тіла, на яких система працює найкраще - підколінні сухожилля та привідні м'язи - зазвичай пов'язані з безконтактним механізмом ушкодження м'яких тканин. Два типи травм з найнижчою точністю прогнозування - стопа і гомілка - частіше є результатом контактного механізму травмування.
Щодо травм, які корелюють з прогнозами підвищеного ризику, платформа краще прогнозувала травми чотириголового м'яза та гомілковостопного суглоба.
Важливо зазначити, що цей аналіз обмежений через розмір вибірки для кожного типу травми; і ці тенденції є спостереженнями і не є статистично значущими.
Результати: Щоденна кількість гравців у групі ризику
Щоб проілюструвати зручність використання прогнозів ризику Zone7 і опосередковано відобразити рівень її точності, ми виділили щоденну кількість гравців, віднесених до групи високого або середнього ризику за день. Ми вважаємо, що цей показник найкраще ілюструє практичність системи, оскільки він вказує на те, чи є запропоновані системою зміни правомірно застосовними в реальному середовищі професійної футбольної команди.
Кількість гравців, позначених як такі, що перебувають у групі ризику, за день є важливим критерієм, який демонструє переваги результатів Zone7 порівняно зі стандартними точними показниками.
На фотографіях нижче показано розподіл кількості гравців з високим ризиком травми та розподіл кількості гравців з середнім і високим ризиком травми за весь час, протягом якого проводився цей аналіз.
У 80% усіх днів, протягом яких проводився цей аналіз, не більше трьох гравців були віднесені до групи "високого ризику". Ця цифра зростає до чотирьох гравців на день у 75% досліджуваних днів, коли ми включаємо попередження про середній ризик.
Якісний зворотний зв'язок від членів кожного клубу-учасника підтвердив, що ці рівні щоденних попереджень про травми високого ризику були контрольованими з точки зору застосування відповідних заходів, щоб гарантувати, що гравці будуть доступні для тренувань і матчів.
Фото: Розподіл кількості гравців з високим ризиком
Фото: Розподіл кількості гравців з високим та середнім ризиком
Результати: Сезонність рівня ризику
Зазвичай, до COVID-19, розклади матчів як у зимових лігах Європи, так і у вищій футбольній лізі Північної Америки мали сезонний характер, що суттєво впливало на рівень травматизму.
Протягом сезонів 2019/20 та 2020/21, з яких в основному складається цей аналіз, на розклади сильно вплинули обмеження, пов'язані з COVID-19, та їх наслідки. Тому деякі сезонні тенденції були не такими помітними, як у попередніх сезонах.
У європейських лігах ризик травм зазвичай зростає під час осінніх міжнародних канікул. Зокрема, в англійських лігах сплеск спостерігається у період відпусток, коли спостерігається велика завантаженість стадіонів.
У МЛС звичайною сезонною тенденцією є сплески ризику травм протягом перших трьох тижнів звичайного сезону, наприкінці травня/початку червня і знову в серпні.
Наступне фото - це теплова карта індивідуальних щоденних рівнів ризику гравців в одній команді протягом одного сезону. Теплова карта відображає різні показники і принципи, розглянуті в цьому розділі, такі як щоденна кількість гравців, що піддаються ризику, серії ризиків і їхня різна тривалість, а також сезонні тенденції ризику травм на рівні команди.
Важливо зазначити, що ефективність системи дещо змінюється протягом сезону, і на неї певною мірою впливають сезонні тенденції. Однак на цьому графіку видно, що система чутлива до травм протягом усього сезону, а це означає, що її здатність точно прогнозувати травми заздалегідь ґрунтується на додатковій інформації, а не лише на сезонних тенденціях.
Фото: Індивідуальні рівні ризику в одній команді протягом одного сезону
Прогнозування майбутнього штучного інтелекту для запобігання травматизму та зменшення ризиків
Незважаючи на те, що такі системи та практики перебувають у зародковому стані, Zone7 показав рівень точності майже 75% при прогнозуванні ризику травматизму. Це значний показник, і якщо порівняти його з показниками зручності використання, представленими вище, то можна припустити, що вивчення поточного і майбутнього потенціалу ШІ в цьому контексті принесе реальну користь.
Враховуючи епідеміологію футбольних травм, здатність ШІ до постійного самовдосконалення та вплив кожного типу травми на кількість втрачених днів, ШІ для прогнозування ризику травм і зниження рівня травматизму варто продовжувати вивчати.
Однак для зниження загального рівня травматизму серед професійних спортсменів недостатньо лише ідентифікувати спортсменів, які перебувають у групі ризику. Прогнози ризиків, засновані на даних, повинні бути пов'язані з профілактичними та адекватними стратегіями втручання, щоб досягти результатів, яких прагне індустрія. Крім того, для того, щоб MDT відповідально використовували ШІ для передбачення ризиків травматизму, прогнози повинні бути скориговані з додатковими рівнями конкретної контекстної інформації. Кінцевою метою є покращення розуміння того, чому спортсмен наражається на ризик, і підвищення психологічної впевненості в тому, як краще оптимізувати продуктивність і мінімізувати ризик травм.
Футбол пов'язаний з невід'ємним ризиком травм і регулярними навантаженнями, а це означає, що існує тонкий баланс між усвідомленням і уникненням ризиків.
Системи штучного інтелекту повинні визнавати необхідність балансу між ризиком травм і потребами в продуктивності. Вони не можуть відволікати увагу занадто великою кількістю хибних сповіщень, які потенційно можуть порушити тренувальний процес і підготовку до матчів. І навпаки, вони не повинні дозволяти хибнонегативним результатам затьмарити ризик потенційно небезпечної травми.
Це дослідження показало дієвість ШІ в ретроспективному контексті. Якщо команда застосовує його в режимі реального часу як частину своїх щоденних процесів оцінки, їй доведеться вирішити, як реагувати на результати роботи системи. Якщо вони вживають заходів на основі підвищеного ризику травми для певного гравця, а гравець уникає травми, вони залишаються з питанням: чи допомогли ми йому уникнути травми, чи він залишився б здоровим навіть без нашого втручання? Таке застосування принципу обережності вплине на дискусії про користь і ефективність систем штучного інтелекту і вимагатиме вивчення різних параметрів. Опираючись на такі прогнози, можливо, буде краще оцінювати фактичний рівень травматизму як основний показник успіху, оскільки деякі з ризиків травматизму, які система могла б передбачити, по суті, були завчасно попереджені, що знижує рівень точності.
Потенційний позитивний вплив застосування системи прогнозування травматизму зі штучним інтелектом, такої як Zone7, може бути надзвичайно значним у різних видах спорту. Дані вже впливають на широкі тренди, які ми спостерігаємо у професійному футболі. Штучний інтелект ще не повністю зайняв своє місце за столом перемовин, коли йдеться про зниження ризику травматизму. Ми віримо, що це лише питання часу.
