Identifying Risk Factors For Running-Related Injuries And Their Interrelation Using Machine Learning- A Prospective Cohort Study (Smart Injury Prevention)
Notice bibliographique
Résumé
PURPOSE: While individual risk factors for running-related injuries (RRI) have been previously identified, the interrelationship of risk factors has not been adequately explored. The aim of this study is to evaluate how machine learning (ML) may identify the combination of risk factors of RRI. METHODS: In this prospective cohort study over 12 months, competitive injury-free adult runners (running at least 20 km per week) were included. Baseline assessment contained medical examination, questionnaires (demographics, sport and injury history, menstruation, medication), musculoskeletal blood laboratory tests as well as biomechanical evaluation via motion capture laboratory (Qualisys AB, Sweden and Theia Markerless, Canada). For the following 12 months, injury surveillance was conducted via the Oslo Sports Trauma Research Center questionnaire (OSTRC-H2 on athletemonitoring.com; FITSTATS Technologies, Inc., Canada). Running exposure was assessed via GPS data (strava.com; Strava, Inc., USA). Any reported injury was followed up and precisely diagnosed by a medical assessment with possible imaging in a specialized running clinic. The main outcome was biomechanical, training-related, and medical baseline risk factors attributing to RRI represented by the injury incidence (injuries per 1000 h running). A ML model will be used to learn the interrelation and ranking of possible risk factors with a sensitivity analysis. RESULTS: Overall, 120 runners (33.3% female, 40.4 ± 10.1 years, 176.4 ± 7.9 cm, 70.6 ± 9.5 kg, BMI 22.6 ± 10.1 kg/m2) were recruited and 114 (95%) reported to the injury monitoring during 11,827 hours of running. Fifty injured runners (prevalence 43.9%, 95%CI 31.7 to 56.0%), reported 94 new injuries corresponding to an incidence rate of 8.0 injuries per 1000 h of running (95%CI 5.7 to 10.2). Of these injuries, most were Achilles tendinopathies (n = 13) and iliotibial band syndromes (n = 10). As of writing the abstract, the ML analysis is still to be conducted. CONCLUSIONS: This prospective cohort study used an extensive baseline assessment with state-of-the-art injury surveillance. A machine learning approach will be used to determine the interrelation of risk factors for RRI which may be a possible base for novel injury risk reduction strategies.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».