运动员相对负荷损伤风险机器学习模型从竞技跑者向精英女足的跨项目迁移性验证

《BMC Sports Science, Medicine and Rehabilitation》：Cross-sport transportability of workload-based machine learning for injury risk: a two-cohort study

　　

摘要

背景

运动损伤风险的机器学习模型通常在单一队列内进行评估，对模型在不同运动项目和监测系统间的可迁移性存在不确定性。我们评估了在竞技跑者中开发的运动员相对负荷模型在精英女足中是否保留了其性能。

方法

本二次两队列研究使用竞技跑者的公开纵向数据进行模型开发，并使用SoccerMon精英女足数据进行锁定外部评估。预测变量包括前7天运动员相对负荷均值、负荷变异性、训练频次、自觉恢复程度、自觉劳累程度以及既往记录性损伤史。所有滚动特征终止于t ? 1时刻。主要模型为预设的L2正则化逻辑回归，未进行类别重新平衡。关联性分析采用运动员聚类标准误；区分度、精确率-召回率、Brier分数、校准度和决策曲线均采用运动员聚类自助法置信区间进行评估。

结果

跑者队列贡献了41,286次观测、551例损伤事件和73名运动员；足球队列贡献了18,614个观测风险日、78例发病运动员-日次和50名运动员。负荷变异性与跑者的记录性损伤相关（比值比1.21，95%置信区间1.06–1.39），但在足球运动员中则无此关联（0.96，0.74–1.24）。既往损伤史在两个队列中均与损伤相关。在锁定的足球评估中，ROC-AUC为0.768（运动员聚类95%置信区间0.616–0.853），精确率-召回率AUC为0.0144（患病率为0.00419）。Brier分数为0.00422，校准斜率为1.35，观察值与期望值之比为0.37。仅含损伤史的模型ROC-AUC为0.815，而仅含负荷的模型ROC-AUC为0.608。

结论

锁定模型保留了部分跨项目排序能力，但负荷不稳定性效应未能重现，且原始概率存在校准偏差。迁移的信号主要由既往损伤史驱动；因此，中等区分度应被解释为相对排序而非精确的个体风险评估。该模型尚不适用于个体临床或训练决策；需要进行前瞻性多队评估，采用标准化、由临床医生判定的结局指标以及本地重新校准。