Inteligencia artificial en el fútbol: ¿Podemos mitigar el riesgo de lesiones?

La literatura reciente presenta evidencia contradictoria de la incidencia general de lesiones en el fútbol profesional de élite durante la última década, con algunos estudios que muestran un aumento y otros que muestran una disminución. ^[1,3]. Sin embargo, parece existir un consenso de que las lesiones musculares siguen siendo tan perjudiciales hoy como en años anteriores. Aún no se ha aprovechado todo el potencial de los datos recopilados en el fútbol profesional: los conjuntos de datos disponibles requieren más exploración antes de que puedan generar su valor. Las posibles explicaciones de la brecha entre el valor potencial y el real podrían ser el alto grado de análisis en silos en pequeñas subsecciones de datos, conjuntos de datos pequeños, habilidades variadas del operador humano y, a veces, la naturaleza manual pesada del trabajo, lo que contribuye a la fatiga de los datos ( ver Figura 1). Como resultado, algunos profesionales de la industria consideran que la interpretación de los datos de la carga de trabajo para mitigar el riesgo de lesiones es una tontería. ^[4,5].

Inteligencia Artificial (IA) ya está mostrando una capacidad increíble, desde reducir el impacto catastrófico de los desastres naturales hasta hacer que las compras en línea sean más intuitivas ^[11]. Para muchos de sus casos de uso, la IA puede agregar conocimientos cuantificables que complementan los procesos humanos de toma de decisiones para obtener resultados beneficiosos. Esto es particularmente visible en diagnósticos médicos y análisis radiológicos, donde la IA ayuda a detectar una amplia gama de condiciones médicas y ofrece sugerencias de pronóstico. ^[12].

La investigación de IA ahora se está enfocando en la mitigación del riesgo de lesiones en el deporte. Zona7 El sistema impulsado por IA ofrece pronósticos diarios de riesgo de lesiones en función de los conjuntos de datos disponibles. Actualmente se implementa en organizaciones deportivas profesionales para permitir que los practicantes tomen decisiones y actúen desde una perspectiva totalmente informada por datos. Zone7 ancló su trabajo en los principios clave del análisis de datos y estableció los siguientes requisitos para su sistema:

• Debe absorber los grandes conjuntos de datos disponibles de manera imparcial y automatizada, cuando sea posible.
• Sea independiente de la tecnología y transforme de manera confiable la carga de trabajo, el historial de lesiones y otros datos de múltiples fuentes confiables en un sólido lago de datos de varios equipos.
• Reflejar las necesidades ambientales de las organizaciones y la actitud de los usuarios individuales hacia el riesgo.
• Realice análisis de datos de manera eficiente sabiendo que la previsión del riesgo de lesiones es multifactorial.
• Adáptese dinámicamente y aprenda con el tiempo para mejorar la precisión del pronóstico de riesgo de lesiones a medida que cambian las variables y se recopilan más datos, lo que significa que se espera que mejoren la sensibilidad y la especificidad del sistema.
• Traduzca adecuadamente las tendencias de los datos y comunique claramente los conocimientos procesables para que los usuarios finales humanos los contextualicen y apliquen según lo consideren apropiado.

El sistema Zone7 AI realiza cálculos complejos de big data de manera eficiente y consistente, para obtener información significativa, todos los días. Su capacidad para realizar estas funciones de manera confiable en tiempo real alivia la carga de trabajo del análisis de datos y tiene la posibilidad de hacer una contribución significativa, si aún no completamente aprovechada, a la forma en que los profesionales de MDT manejan y minimizan los riesgos de lesiones en los atletas profesionales.

Realizamos un análisis retrospectivo de datos de carga de trabajo e incidencia de lesiones de 11 equipos de fútbol profesional (soccer) que compiten en Europa y América del Norte. Teníamos datos para cada equipo de al menos una temporada competitiva entre 2019 y 2021. Si bien el estudio no estaba destinado ni diseñado para servir como investigación científica revisada por pares, nuestro objetivo era agregar un grado de información basada en evidencia a la discusión sobre cómo La IA puede ayudar potencialmente en los procesos de gestión de jugadores de MDT para mitigar el riesgo de lesiones en el fútbol profesional.

El enfoque principal fue demostrar la capacidad de Zone7 para pronosticar con precisión un mayor riesgo de lesiones, utilizando la incidencia real de lesiones como punto de comparación. También queríamos evaluar la precisión con la que Zone7 pronostica el tipo de lesión, junto con la precisión y la facilidad de uso del sistema, como lo refleja la cantidad de jugadores identificados como en riesgo diariamente.

Metodología

El sistema Zone7 tomó los datos de la carga de trabajo y pronosticó el riesgo de lesión de cada jugador individual todos los días. Es decir, el sistema estimaría cada día la probabilidad de que cada jugador sufra una lesión en los próximos siete días. Si se pronosticaba que un jugador correría un mayor riesgo, el sistema lo clasificaba como de riesgo alto o medio, lo que reflejaba el nivel de probabilidad que el sistema estimaba de que la lesión se produjera en los próximos siete días.

Luego comparamos estos pronósticos con las lesiones reales que sufrieron los jugadores de campo de cada equipo. El sistema de IA tuvo que estimar el aumento del riesgo de lesiones, una probabilidad estimada por encima de un cierto umbral, de 1 a 7 días antes de que ocurriera una lesión para que cumpliéramos con nuestros criterios para un pronóstico exitoso. Los casos de mayor riesgo de lesiones fueron clasificados como altos o medios.

Entre los 11 equipos, Zone7 tuvo 423 lesiones para cotejar con los datos de la carga de trabajo, una cantidad suficiente para garantizar hallazgos sólidos.

El conjunto de datos de carga de trabajo de cada equipo provino de las diferentes fuentes y proveedores de tecnología que cada uno usa. En consecuencia, creamos un modelo predictivo específico para cada equipo en función de la combinación única de parámetros de carga de trabajo en su conjunto de datos. Si bien el sistema Zone7 era lo suficientemente flexible como para ser independiente de la tecnología, las métricas de los dispositivos de generación de datos de cada equipo generalmente contenían el conjunto completo de métricas de carga externa. Cuando estuvo disponible constantemente, los datos de frecuencia cardíaca fueron la métrica de carga de entrenamiento interna. Si no había datos de carga de trabajo disponibles para un jugador individual, tal vez debido a un mal funcionamiento del dispositivo o compromisos de un equipo internacional, simulamos los datos en función de los minutos jugados en el caso de un análisis de microciclo de partido o en el caso de una sesión de entrenamiento. Esta simulación de datos se realizó utilizando métodos matemáticos estándar de la industria para la imputación de datos.

A pesar de la variación en las condiciones externas y carga de entrenamiento interna parámetros de los diferentes clubes, el análisis se basó en las mismas metodologías para todos, con métodos matemáticos adecuados para dar cuenta de tales diferencias.

Más allá de los datos de la carga de trabajo, se utilizaron como datos de entrada el registro histórico de lesiones y la edad de cada jugador, junto con el calendario de competición de cada equipo. Esto ayudó a completar la imagen de los microciclos periodizados de cada equipo junto con las tendencias estacionales.

Tomamos los siguientes pasos para abordar cualquier posible sesgo en el análisis:

• Todas las lesiones sufridas y alimentadas al sistema se sufrieron durante la temporada a través del entrenamiento directo o la participación en partidos, incluso durante la pretemporada. El análisis excluyó las lesiones de los porteros, las lesiones no deportivas, las enfermedades y las lesiones fuera de temporada.
• Cuatro semanas fue el plazo definitivo para establecer puntos de referencia relativos iniciales para cada jugador. Por lo tanto, algunas lesiones durante la temporada se omitieron del análisis si se disponía de menos de cuatro semanas consecutivas de datos para el jugador involucrado.
• Zone7 realizó el análisis de la carga de trabajo y generó pronósticos de riesgo de lesiones antes de tomar la incidencia real de lesiones del período bajo análisis.
• Los algoritmos de IA de Zone7 no se entrenaron con ninguno de los datos de los clubes antes de realizar este análisis. Es decir, todos los resultados provienen de pruebas fuera de la muestra.

Tasa de detección de lesiones

En los 11 equipos del análisis, los jugadores se combinaron para 423 lesiones. Zone7 pronosticó un mayor riesgo de lesiones de uno a siete días antes de que ocurrieran 306 de estas lesiones. Eso significa que, si Zone7 se hubiera implementado y utilizado en tiempo real, los equipos habrían sido alertados sobre el mayor riesgo de lesión de un jugador el 72,4% del tiempo en que realmente ocurrió una lesión. El 56,1% de esas alertas habrían sido catalogadas como de alto riesgo y el 16,3% como de medio riesgo.

Dicho de otro modo, al tener en cuenta la gravedad de las lesiones incluidas en el…