因果推断与深度表征学习融合的运动损伤预测框架：基于精英足球与篮球运动员的纵向数据与前瞻比较

《Scientific Reports》：Combining causal inference with deep learning to identify modifiable injury risk factors in elite team-sport athletes

　　

摘要

运动损伤持续破坏竞技体育，侵蚀着运动员的健康福祉、赛场表现和运动生涯长度。传统的损伤预测流程过度依赖相关性信号和被动式应急分诊，使得风险背后的机制基础在很大程度上不透明。我们构建了一个分析流程，将因果推断推理与深度表征学习相结合，使两个不同的目标可以在单一架构下实现。我们的框架将预测与因果估计视为可分离的任务，而非将二者混淆：带有注意力池化的时间卷积编码器驱动判别，而与干预无关的表征网络结合混杂因素平衡，在条件可忽略性、正定性和无干扰的明确假设下支持反事实估计。专家推导的参考标准的评定者间信度已报告（Fleiss kappa = 0.71），学习曲线、对未测量混杂因素的敏感性、校准和集群水平分配均与主要指标一同进行了考察。模型开发遵循TRIPOD + AI标准；由于前瞻性部分既未随机化也未注册，故按照非随机化评估的TREND声明进行报告。基于342名精英足球和篮球运动员的纵向监测数据，该框架在五折运动员分层交叉验证下，针对专家共识参考标准，以0.92的精确率和0.92的召回率恢复了与损伤相关的因果因素。这一配对美化了该方法，因为同一组专家起草了候选列表。在与独立的18因素文献推导集合和具有已知真实值的半合成模拟进行重新基准测试后，精确率保持在0.85，而召回率分别降至0.61和0.79；我们将这一较低区间而非0.92的配对视为可辩护的工作范围。因果效应估计的平均绝对误差比标准深度学习低56%，判别能力保持稳健（AUC-ROC > 0.82），校准斜率接近1（0.97）。配套的非随机化、倾向性评分匹配的前瞻性比较——89名干预组运动员与87名对照组运动员，六个月内有11例和18例因伤停赛损伤——属于探索性试验，而非确证性效应估计。分配实际上在机构水平进行，因此Rosenbaum界限和E值界限与留一集群法、集群水平置换和信息先验贝叶斯多层分析一同呈现。点估计为40%的相对风险降低，而29个事件不足以确定：个体水平区间从19%的增加到70%的降低不等（p = 0.14），每个集群感知区间都更宽，集群水平置换p值为0.05仅仅是六个集群所能产生的最小值。本文提供的是将因果推理与运动医学中的预测建模相结合的方法学模板，并明确指出任何临床主张都需要一项经过充分验证、多中心集群随机化试验。