Non-Pervasive Injury Prediction in Sports

Abstract

Injury prediction often depends on wearable sensors or clinical measurements that is difficult to collect continuously. Routine non-pervasive data provide a more accessible alternative, however their predictive value remains uncertain. To determine, whether fuller non-pervasive monitoring improves short-horizon injury prediction beyond workload-only features and to identify the self-reported measurements that were used most consistently by the models. A secondary analysis was conducted using the existing Athletic Runners and SoccerMon datasets as separate prediction tasks. Each record used monitoring data from the seven days before a dataset-specific injury outcome. The final tests included 10 held-out athletes per dataset: 3,044 runner records with 50 injury labels and 7,310 soccer player records with 62 injury events. Bagged XGBoost ensembles contained 9 balanced classifiers in each of 5 training repeats. There was separate probability calibration and threshold selection processes. Final test performance was measured using ROC-AUC, sensitivity and specificity. Grouped permutation test was used to measure average precision loss for each self-reported domain. In Athletic Runners, fuller monitoring increased mean ROC-AUC from 0.611 to 0.627, a mean difference of 0.016; sensitivity increased from 0.592 to 0.696, while specificity decreased from 0.587 to 0.443. In SoccerMon, mean ROC-AUC increased from 0.445 to 0.790, a mean difference of 0.345; sensitivity increased from 0.361 to 0.865, while specificity decreased from 0.721 to 0.554. Fuller monitoring had higher ROC-AUC in all 5 repeats for both tasks. Perceived recovery had the strongest self-reported association in Athletic Runners, while sleep duration and fatigue were strongest in SoccerMon. These findings suggest that routine self-reported information can provide predictive value beyond workload data alone, specifically when it captures dataset-relevant aspects of athlete recovery and well-being.

Жарақаттарды болжау көбіне денеге тағылатын сенсорларға немесе үздіксіз жинау қиын клиникалық өлшемдерге сүйенеді. Күнделікті жиналатын инвазивті емес деректер қолжетімді балама бола алады, алайда олардың болжамдық құндылығы әлі де анық емес. Зерттеудің мақсаты — кеңейтілген инвазивті емес мониторингтің тек жаттығу жүктемесіне қатысты белгілерге негізделген тәсілмен салыстырғанда қысқа мерзімді жарақаттарды болжауды жақсартатынын анықтау және модельдер ең тұрақты пайдаланған, спортшылардың өздері хабарлаған көрсеткіштерді айқындау. Қолданыстағы Athletic Runners және SoccerMon деректер жиынтықтарына бөлек болжау міндеттері ретінде екінші реттік талдау жүргізілді. Әрбір жазбада тиісті деректер жиынтығында анықталған жарақат нәтижесінің алдындағы жеті күннің мониторинг деректері пайдаланылды. Қорытынды тестілеуге әр деректер жиынтығынан оқытуға қатыспаған 10 спортшы енгізілді: жүгірушілер бойынша жарақат белгісі бар 50 жазбаны қамтитын 3 044 жазба және футболшылар бойынша 62 жарақат оқиғасын қамтитын 7 310 жазба. Оқытудың 5 қайталануының әрқайсысында бэггинг әдісімен құрылған XGBoost ансамбльдері теңгерілген деректермен оқытылған 9 жіктеуіштен тұрды. Ықтималдықтарды калибрлеу және шекті мәнді таңдау бөлек жүргізілді. Қорытынды тестілеудегі модельдердің нәтижелілігі ROC-AUC, сезімталдық және ерекшелік көрсеткіштері арқылы бағаланды. Спортшылар өздері хабарлаған көрсеткіштердің әрбір тобы үшін орташа дәлдіктің (average precision) төмендеуін өлшеу мақсатында топтық пермутациялық тест қолданылды. Athletic Runners деректер жиынтығында кеңейтілген мониторинг орташа ROC-AUC мәнін 0,611-ден 0,627-ге дейін арттырды, орташа айырма 0,016 болды; sensitivity 0,592-ден 0,696-ға дейін артты, ал specificity 0,587-ден 0,443-ке дейін төмендеді. SoccerMon деректер жиынтығында орташа ROC-AUC мәні 0,445-тен 0,790-ға дейін артты, орташа айырма 0,345 болды; sensitivity 0,361-ден 0,865-ке дейін артты, ал specificity 0,721-ден 0,554-ке дейін төмендеді. Екі міндет бойынша да кеңейтілген мониторинг барлық 5 қайталануда жоғары ROC-AUC мәнін көрсетті. Спортшылар өздері хабарлаған көрсеткіштердің ішінде Athletic Runners деректер жиынтығында қалпына келу деңгейінің субъективті бағасы, ал SoccerMon деректер жиынтығында ұйқы ұзақтығы мен шаршау ең күшті болжамдық байланысты көрсетті. Бұл нәтижелер спортшылардың күнделікті өздері хабарлайтын ақпараты, әсіресе тиісті деректер жиынтығы үшін маңызды қалпына келу және жалпы хал-жағдай қырларын қамтыған кезде, тек жаттығу жүктемесі туралы деректермен салыстырғанда қосымша болжамдық құндылық бере алатынын көрсетеді.