تنبؤ متعدد التخصصات لإصابات الجري باستخدام التعلم الآلي

لماذا يهم هذا العدّائين

يُعد الجري لمسافات التحمل من أشهر وسائل البقاء لائقين بدنيًا، لكن ما يقرب من نصف العدّائين المنتظمين يعانون إصابة مهمة كل عام. يمكن أن تقطع هذه المشاكل التدريب، وتؤثر على جودة الحياة، وتؤدي إلى تكاليف طبية كبيرة. تطرح هذه الدراسة سؤالًا عمليًا باستخدام أدوات متقدمة: هل يمكننا دمج معلومات عن جسم العدّاء ونمط حياته وتدريبه في نموذج حاسوبي ينبه عندما يكون معرضًا للإصابة قبل حدوثها؟

فحص العدّاء ككل، وليس الحذاء فقط

حاولت معظم الدراسات السابقة ربط إصابات الجري بعامل واحد في كل مرة—مثل حجم التدريب، نوع الحذاء، أو مقياس قوة واحد. لكن الإصابات في العالم الواقعي عادة ما تنشأ من تشابك عوامل: الجينات، الإصابات السابقة، قوة العضلات، أنماط الحركة، بنية الجسم، النظام الغذائي، وكيف تتغير أحمال التدريب عبر الزمن. في هذا العمل، جمع الباحثون صورة نادرة ومفصّلة لِـ142 عدّاءً تنافسيًا لمسافات التحمل، تتراوح أعمارهم بين 14 و50 عامًا، وتابعوهم لمدة عام كامل. لكل عدّاء جمعوا قياسات مخبرية للعظام والعضلات، وتحليل حركة نمط الجري، واختبارات قوة، وفحوصات تركيبة الجسم، وبيانات تغذية، وعلامات جينية متعلقة بصحة الأنسجة، وتقارير أسبوعية مفصّلة عن التدريب والإصابات. في المجموع، أنتج هذا أكثر من ستة آلاف لقطة أسبوعية تربط بين حالة العدّاء وما كان يفعله وما إذا تطورت لديه مشكلة متعلقة بالجري.

تعليم الحواسيب اكتشاف مخاطر الإصابة

بوجود هذه المجموعة من البيانات، درّب الفريق عدة أنواع من نماذج التعلم الآلي للتنبؤ بما إذا كان العدّاء سيبلغ عن إصابة جديدة متعلقة بالجري في أسبوع معين. كانت بعض النماذج بسيطة وسهلة التفسير، مثل الانحدار اللوجستي، بينما كانت أخرى أكثر مرونة لكن أقل شفافية، مثل الغابات العشوائية، وطرق التعزيز، وآلات الدعم الناقلة، والشبكات العصبية. بنى الباحثون نسختين رئيسيتين من مهمة التنبؤ. استخدمت إحداهما عوامل خطر ذات دعم علمي قوي مسبقًا، مثل الجنس، العمر، أيام الإصابة السابقة، مقاييس قوة ومحاذاة محددة، مؤشرات مهمة لأحمال التدريب، وبعض طفرات جينية مختارة. النسخة الأخرى ضمّت مجموعة أوسع بكثير من العوامل الاستكشافية الإضافية لمعرفة ما إذا كان أداء النماذج يتحسن عندما تُقدّم معلومات أكثر.

ما الذي تمكنت النماذج من فعله وما لم تستطع

كان النهج الأفضل أداءً هو طريقة تجميع تُدعى الغابة العشوائية، والتي وصلت إلى مستوى متوسط من الدقة (المساحة تحت المنحنى حوالي 0.78) عند التنبؤ بمخاطر الإصابة الأسبوعية. يتفوق هذا الأداء قليلًا على دراسات سابقة ركّزت فقط على بيانات التدريب لدى العدّائين، وهو قابل للمقارنة مع نتائج أفضل أُبلغ عنها في رياضيي المسارات والميادين المختلطين. ومن المثير للاهتمام أن معظم النماذج لم تستفد من إضافة المزيد من المتغيرات ذات الأدلة الأضعف: فقد ظلت دقتها تقريبًا نفسها سواء استخدمت قائمة مُنقّحة بعناية أو مجموعة الميزات الأكبر الكاملة. استثناء ملحوظ كان الانحدار اللوجستي، وهو طريقة بسيطة نسبيًا، إذ تحسّن أداءه بشكل واضح عندما أُعطي مجموعة أوسع من المتغيرات وانتقل من قرب القاع إلى أن يصبح من بين الأفضل أداءً. على النقيض من ذلك، آلت النماذج الاحتمالية التي اعتمدت افتراضات استقلالية قوية بين المتغيرات إلى أداء ضعيف، ومن المحتمل أن يكون ذلك لأن العديد من عوامل الخطر مترابطة أو تتفاعل بطرق معقدة.

حدود اليوم وإمكانات أدوات الغد

رغم التصميم المتأنّي، لا تزال النماذج غير دقيقة بما يكفي للاستخدام السريري أو لاتخاذ قرارات تدريبية حاسمة. أحد الأسباب الرئيسية هو الحجم: 142 عدّاءً وحوالي 6000 عيّنة أسبوعية أرقام صغيرة لمشكلة بهذا التعقيد، خاصة مع التنوع الكبير في العمر، مستوى المنافسة، المسافات المفضلة، وأسطح الجري. اعتمدت الدراسة أيضًا على إصابات مُبلغ عنها ذاتيًا وبعض القياسات المتقطعة، مثل يوميات الطعام المتفرقة، والتي قد تُطمس تغييرات قصيرة الأمد مهمة. بالإضافة إلى ذلك، اختبرت النماذج فقط ضمن هذه المجموعة الواحدة من العدّائين، لذا فإنه من غير الواضح مدى تعميمها إلى مجموعات جديدة. يقترح المؤلفون أن مجموعات بيانات أكبر ومجمّعة، مرفوقة بتدفّقات بيانات من أجهزة قابلة للارتداء وتتبع تلقائي للنظام الغذائي أو النوم، قد توفر المعلومات الأكثر غنى وتكرارًا التي تحتاجها نماذج التعلم الآلي لتقديم تنبؤات أقوى وأكثر موثوقية.

ما الذي يعنيه هذا للعدّائين العاديين

في الوقت الراهن، لا تنتج هذه الأبحاث تطبيقًا جاهزًا يخبرك بالضبط متى ستصاب. بل تقدم مخططًا ومجموعة بيانات عامة يمكن للعلماء الآخرين البناء عليها. تُظهر أن الحواسيب قادرة على تعلم أنماط ذات معنى من مزيج واسع وواقعي من المعلومات الجينية والبدنية والتدريبية، لكنها أيضًا تُظهر أن التنبؤ بإصابات الجري أمر صعب بطبيعته. مع إضافة دراسات مستقبلية لمزيد من العدّائين، ومستشعرات أفضل، وتحليلات أعمق، قد تمكّن هذه السلسلة من الأبحاث أدوات دعم قرار تُعطي العدّائين إرشادًا شخصيًّا حول مدى صرامة التدريب، ومتى يجب التخفيف، وأي عوامل قابلة للتعديل—مثل القوة أو التغذية—تستحق اهتمامًا إضافيًا للحفاظ على الجري دون ألم.

الاستشهاد: Wu, H., Brooke-Wavell, K., Barnes, M.R. et al. Multidisciplinary prediction of running-related injuries using machine learning. npj Digit. Med. 9, 213 (2026). https://doi.org/10.1038/s41746-026-02413-y

الكلمات المفتاحية: إصابات الجري, التعلم الآلي, طب الرياضة, تنبؤ بالإصابات, الجري الطويل