Predicting Severity of Head Collision Events in Elite Soccer Using Preinjury Data: A Machine Learning Approach
Notice bibliographique
Résumé
OBJECTIVE: To develop machine learning (ML) models that predict severity of head collision events (HCEs) based on preinjury variables and to investigate which variables are important to predicting severity. DESIGN: Data on HCEs were collected with respect to severity and 23 preinjury variables to create 2 datasets, a male dataset using men's tournaments and mixed dataset using men's and women's tournaments, to perform ML analysis. Machine learning analysis used a random forest classifier based on preinjury variables to predict HCE severity. SETTING: Four elite international soccer tournaments. PARTICIPANTS: Elite athletes participating in analyzed tournaments. INDEPENDENT VARIABLES: The 23 preinjury variables collected for each HCE. MAIN OUTCOME MEASURES: Predictive ability of the ML models and association of important variables. RESULTS: The ML models had an average area under the receiver operating characteristic curve for predicting HCE severity of 0.73 and 0.70 for the male and mixed datasets, respectively. The most important variables for prediction were the mechanism of injury and the event before injury. In the male dataset, the mechanisms "head-to-head" and "knee-to-head" were together significantly associated ( P = 0.0244) with severity; they were not significant in the mixed dataset ( P = 0.1113). In both datasets, the events "corner kicks" and "throw-ins" were together significantly associated with severity (male, P = 0.0001; mixed, P = 0.0004). CONCLUSIONS: ML models accurately predicted the severity of HCE. The mechanism and event preceding injury were most important for predicting severity of HCEs. These findings support the use of ML to inform preventative measures that will mitigate the impact of these preinjury factors on player health.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».