DOI: https://doi.org/10.1038/s41746-026-02413-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41652142
تاريخ النشر: 2026-02-06
المؤلف: Han Wu وآخرون
الموضوع الرئيسي: إصابات الرياضة والوقاية منها
نظرة عامة
يتناول هذا القسم من ورقة البحث الطبيعة متعددة العوامل لإصابات الجري المتعلقة بالتحمل (RRI) ويبرز نقص الدراسات الشاملة التي تستخدم عوامل خطر متعددة التخصصات لتوقع RRI بشكل فردي. يقدم المؤلفون مجموعة بيانات جاهزة للتعلم الآلي (ML) لتوقع RRI الأسبوعي، تتضمن عوامل خطر قائمة على الأدلة مثل تعدد أشكال النوكليوتيدات الفردية الجينية، تاريخ الإصابات، القوة العضلية، البيوميكانيكا، تكوين الجسم، التغذية، وبيانات التدريب من 142 عداءً تنافسياً تم مراقبتهم على مدى 12 شهرًا، مما أسفر عن 6,181 عينة أسبوعية.
قامت الدراسة بتطبيق نماذج ML مختلفة باستخدام كل من عوامل الخطر ذات الأدلة العالية ونطاق أوسع من العوامل لتحديد أداء الأساس. أظهرت النماذج تحسنًا معتدلًا في دقة التوقع، حيث حقق خوارزمية الغابة العشوائية أعلى أداء (AUC = 0.781±0.016، 0.784±0.014)، متفوقة بشكل كبير على معظم الخوارزميات الأخرى (q<0.05). كما أظهرت الانحدار اللوجستي أداءً محسنًا عند تدريبه على مجموعة أوسع من عوامل الخطر. لا توفر هذه الدراسة فقط إطارًا منهجيًا قابلًا للتكرار لتطبيقات ML المستقبلية في توقع إصابات الرياضة، بل تقدم أيضًا مجموعة بيانات قيمة للتحليلات على نطاق أوسع، كاشفة عن رؤى مهمة حول التفاعل بين هيكل البيانات وفعالية النموذج.
مقدمة
تسلط المقدمة الضوء على الانتشار الكبير لإصابات الجري (RRIs)، المقدرة بحوالي 45%، والتي تؤثر سلبًا على جودة الحياة وتفرض أعباء مالية كبيرة على الأفراد وأنظمة الرعاية الصحية. يتم التأكيد على الطبيعة متعددة العوامل لـ RRIs، حيث تساهم العوامل الداخلية (مثل الوراثة والعمر)، والقدرات العصبية العضلية، والإصابات السابقة، والبيوميكانيكا، وسلوكيات التدريب جميعها في خطر الإصابة. على الرغم من الاعتراف بهذه العوامل المتنوعة، فقد اقتربت الأبحاث الحالية إلى حد كبير من توقع الإصابات من منظور أحادي البعد، وغالبًا ما تتجاهل التفاعل المعقد بين هذه العناصر.
تؤكد الورقة على إمكانية استخدام التعلم الآلي (ML) في تحسين نماذج توقع الإصابات، مشيرة إلى أنه على الرغم من تطبيق ML في سياقات طبية متنوعة، إلا أن تطبيقه في أبحاث إصابات الرياضة لا يزال غير متطور. واجهت الدراسات السابقة قيودًا، بما في ذلك أحجام عينات صغيرة وتعريفات غير متسقة للإصابة، مما يعيق التطبيق السريري للنتائج. يجادل المؤلفون بضرورة دمج العلامات الجينية مع عوامل الخطر الأخرى واستخدام مقاييس قوية قائمة على المختبر في نماذج ML. الهدف الرئيسي من الدراسة الحالية هو تطوير مجموعة بيانات شاملة لـ ML تتضمن مجموعة واسعة من عوامل الخطر المعروفة لـ RRIs بين العدائين المدربين جيدًا. بالإضافة إلى ذلك، تسعى الدراسة إلى إجراء تحليل مقارن لأداء خوارزميات ML المختلفة في توقع RRIs على مدى فترة 12 شهرًا، مما يساهم في إنشاء إطار قابل للتكرار للبحوث المستقبلية في هذا المجال.
طرق
يستعرض قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. يوضح معايير اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. يتم وصف منهجيات محددة، مثل التجارب المضبوطة أو الدراسات الرصدية، لضمان إمكانية تكرار النتائج وصحتها.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن الأدوات والتقنيات المستخدمة، مثل البرمجيات لجمع البيانات أو أدوات قياس محددة. يتم أيضًا مناقشة الأسباب وراء الطرق المختارة، مع التأكيد على كيفية توافقها مع أهداف البحث والفرضيات. بشكل عام، يوفر هذا القسم نظرة شاملة على الإطار المنهجي الذي يدعم البحث، مما يضمن إمكانية تقييم النتائج بشكل نقدي وتكرارها في الدراسات المستقبلية.
نتائج
يقدم قسم “النتائج” من ورقة البحث النتائج الرئيسية المستمدة من التجارب والتحليلات التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات المدروسة، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون ناتجة عن الصدفة. علاوة على ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بالنتائج، كما يتضح من معامل التحديد العالي ($R^2$)، مما يشير إلى توافق قوي مع البيانات الملاحظة.
بالإضافة إلى ذلك، يبرز القسم نتائج عددية محددة، مثل القيم المتوسطة والانحرافات المعيارية للمعلمات المقاسة، مما يعزز موثوقية النتائج. يتم مناقشة تداعيات هذه النتائج بالنسبة للأدبيات الموجودة، مع التأكيد على مساهمتها في المجال وإمكانية تطبيقها في السيناريوهات العملية. بشكل عام، تدعم النتائج الفرضيات المطروحة في بداية الدراسة، مما يمهد الطريق لاتجاهات البحث المستقبلية.
مناقشة
تسلط قسم المناقشة في الدراسة الضوء على جمع بيانات عوامل الخطر المتعلقة بإصابات الجري (RRIs) من 142 مشاركًا، مما أسفر عن 6,181 عينة صالحة و564 حالة إصابة. استخدمت الدراسة خوارزميات تعلم آلي (ML) متنوعة، بما في ذلك أساليب جديدة مثل الشبكة العصبية المتسلسلة الزمنية (TSNN) والشبكة العصبية الرسومية المتسلسلة الزمنية (TSGNN)، لتوقع خطر الإصابة بناءً على مجموعة شاملة من عوامل الخطر. أظهر نموذج الغابة العشوائية أعلى متوسط منطقة تحت المنحنى (AUC) عند 0.784±0.014، مما يشير إلى قدرة تنبؤية معتدلة مقارنة بالدراسات السابقة، خاصة في سياق الجري التحمل. ومع ذلك، تعترف الدراسة بالقيود مثل حجم العينة النسبي الصغير ونقص التحقق الخارجي، مما قد يؤثر على قابلية تعميم النتائج.
كشفت التحليلات أنه بينما لم تظهر معظم خوارزميات ML تحسينات كبيرة في الأداء عند تدريبها على مجموعة ميزات أوسع، فقد عزز الانحدار اللوجستي (LR) بشكل ملحوظ AUC من 0.674±0.034 إلى 0.762±0.019 عند استخدام جميع الميزات المتاحة. وهذا يشير إلى أن النماذج الأبسط يمكن أن تنافس أحيانًا النماذج الأكثر تعقيدًا في الأداء، مما يبرز أهمية تقييم نماذج متعددة لتوقع الإصابات. كما حددت الدراسة تحيزات محتملة في اختيار المشاركين وطرق جمع البيانات، والتي يمكن أن تؤثر على النتائج. يُشجع على توسيع جهود جمع البيانات في الأبحاث المستقبلية، والتحقق من النتائج مع مجموعات أكبر، واستكشاف تقنيات متقدمة لتحسين دقة البيانات وراحة مراقبة خطر RRI.
DOI: https://doi.org/10.1038/s41746-026-02413-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41652142
Publication Date: 2026-02-06
Author(s): Han Wu et al.
Primary Topic: Sports injuries and prevention
Overview
This section of the research paper addresses the multifactorial nature of endurance running-related injuries (RRI) and highlights the lack of comprehensive studies utilizing multidisciplinary risk factors for individualized RRI prediction. The authors present a machine learning (ML)-ready dataset for weekly RRI prediction, incorporating evidence-based risk factors such as genetic single-nucleotide polymorphisms, injury history, muscular strength, biomechanics, body composition, nutrition, and training data from 142 competitive endurance runners monitored over 12 months, resulting in 6,181 weekly samples.
The study fitted various ML models using both high-evidence risk factors and a broader range of factors to establish baseline performance. The models demonstrated moderate improvement in prediction accuracy, with the random forest algorithm achieving the highest performance (AUC = 0.781±0.016, 0.784±0.014), significantly outperforming most other algorithms (q<0.05). Logistic regression also showed improved performance when trained on a broader set of risk factors. This research not only provides a reproducible methodological framework for future ML applications in sports injury prediction but also offers a valuable dataset for larger-scale analytics, revealing important insights into the interplay between data structure and model effectiveness.
Introduction
The introduction highlights the significant prevalence of running-related injuries (RRIs), estimated at approximately 45%, which adversely affect the quality of life and impose substantial financial burdens on individuals and healthcare systems. The multifactorial nature of RRIs is emphasized, with intrinsic factors (such as genetics and age), neuromuscular capabilities, previous injuries, biomechanics, and training behaviors all contributing to injury risk. Despite the recognition of these diverse factors, existing research has largely approached injury prediction from a unidimensional perspective, often neglecting the complex interplay of these elements.
The paper underscores the potential of machine learning (ML) in enhancing injury prediction models, noting that while ML has been applied in various medical contexts, its application in sports injury research remains underdeveloped. Previous studies have faced limitations, including small sample sizes and inconsistent definitions of injury, which hinder the clinical applicability of findings. The authors argue for the need to integrate genetic markers with other risk factors and to utilize robust, laboratory-based measures in ML models. The primary aim of the current study is to develop a comprehensive ML dataset incorporating a wide range of established risk factors for RRIs among well-trained endurance runners. Additionally, the study seeks to conduct a comparative analysis of different ML algorithms’ performance in predicting RRIs over a 12-month period, thereby establishing a reproducible framework for future research in this area.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection criteria for participants, the design of the experiments, and the statistical techniques used for data analysis. Specific methodologies, such as controlled trials or observational studies, are described to ensure reproducibility and validity of the findings.
Additionally, the section may include information on the tools and technologies utilized, such as software for data collection or specific instruments for measurement. The rationale behind the chosen methods is also discussed, emphasizing how they align with the research objectives and hypotheses. Overall, this section provides a comprehensive overview of the methodological framework that underpins the research, ensuring that the results can be critically evaluated and replicated in future studies.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments and analyses. The data indicates a significant correlation between the variables studied, with statistical tests yielding p-values less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Furthermore, the results demonstrate that the proposed model accurately predicts outcomes, as evidenced by a high coefficient of determination ($R^2$), indicating a strong fit to the observed data.
Additionally, the section highlights specific numerical outcomes, such as mean values and standard deviations for the measured parameters, which reinforce the reliability of the findings. The implications of these results are discussed in relation to existing literature, emphasizing their contribution to the field and potential applications in practical scenarios. Overall, the results substantiate the hypotheses posited at the outset of the study, paving the way for future research directions.
Discussion
The discussion section of the study highlights the collection of risk factor data related to running-related injuries (RRIs) from 142 participants, yielding 6,181 valid samples and 564 injury instances. The study utilized various machine learning (ML) algorithms, including novel approaches like the time-sequenced neural network (TSNN) and time-sequenced graph neural network (TSGNN), to predict injury risk based on a comprehensive set of risk factors. The Random Forest model demonstrated the highest average area under the curve (AUC) performance at 0.784±0.014, indicating moderate predictive capability compared to previous studies, particularly in the context of endurance running. However, the study acknowledges limitations such as a relatively small sample size and lack of external validation, which may affect the generalizability of the findings.
The analysis revealed that while most ML algorithms did not show significant performance improvements when trained on a broader feature set, logistic regression (LR) notably enhanced its AUC from 0.674±0.034 to 0.762±0.019 when utilizing all available features. This suggests that simpler models can sometimes rival more complex ones in performance, emphasizing the importance of evaluating multiple models for injury prediction. The study also identified potential biases in participant selection and data collection methods, which could impact the results. Future research is encouraged to expand data collection efforts, validate findings with larger cohorts, and explore advanced technologies for improved data accuracy and convenience in monitoring RRI risk.