Multidisziplinäre Vorhersage von laufbedingten Verletzungen mit maschinellem Lernen

Warum das für Läufer wichtig ist

Ausdauersport ist eine der beliebtesten Methoden, um fit zu bleiben, doch fast die Hälfte der regelmäßigen Läufer erleidet pro Jahr eine relevante Verletzung. Solche Probleme können das Training ausbremsen, die Lebensqualität beeinträchtigen und zu hohen Gesundheitskosten führen. Diese Studie stellt eine praktische Frage mit modernen Werkzeugen: Lässt sich Information über Körper, Lebensstil und Training eines Läufers zu einem Computermodell kombinieren, das warnt, bevor eine Verletzung eintritt?

Den ganzen Läufer betrachten, nicht nur die Schuhe

Frühere Studien versuchten meist, Laufverletzungen mit jeweils nur einem Faktor zu verknüpfen — etwa Trainingsumfang, Schuhtyp oder eine einzelne Kraftmessung. In der Realität entstehen Verletzungen jedoch meist aus einem Geflecht von Einflussfaktoren: Genetik, frühere Verletzungen, Muskelkraft, Bewegungsmuster, Körperbau, Ernährung und wie sich die Trainingsbelastung im Zeitverlauf verändert. Die Forschenden stellten in dieser Arbeit ein selten detailliertes Bild von 142 wettkampforientierten Ausdauerläufern im Alter von 14 bis 50 Jahren zusammen, die ein Jahr lang begleitet wurden. Bei jedem Läufer wurden Laborwerte von Knochen und Muskulatur, Bewegungsanalysen des Laufstils, Krafttests, Körperzusammensetzungs‑Scans, Ernährungsdaten, genetische Marker für Gewebegesundheit sowie wöchentliche, detaillierte Berichte zu Training und Verletzungen erhoben. Insgesamt entstanden so mehr als sechstausend wöchentliche Momentaufnahmen, die verknüpfen, wie der Läufer beschaffen war und was er tat, mit der Frage, ob er eine laufbedingte Problematik entwickelte.

Computern beibringen, Verletzungsrisiko zu erkennen

Mithilfe dieses Datensatzes trainierte das Team mehrere Typen von Modellen des maschinellen Lernens, um vorherzusagen, ob ein Läufer in einer bestimmten Woche eine neue laufbedingte Verletzung melden würde. Einige Modelle waren einfach und gut interpretierbar, wie die logistische Regression; andere waren flexibler, aber undurchsichtiger, etwa Random Forests, Boosting‑Verfahren, Support‑Vector‑Machines und neuronale Netze. Die Forschenden definierten zwei Hauptvarianten der Vorhersageaufgabe. Eine nutzte nur Risikofaktoren mit starker wissenschaftlicher Vorinformation — etwa Geschlecht, Alter, vergangene Verletzungstage, bestimmte Kraft‑ und Ausrichtungsmaße, zentrale Trainingslastmetriken und ausgewählte Genvarianten. Die andere Variante ergänzte ein deutlich breiteres Set an zusätzlichen, explorativen Faktoren, um zu prüfen, ob die Modellleistung durch mehr Informationen verbessert wird.

Was die Modelle konnten und was nicht

Am besten schnitt ein Ensemble‑Ansatz namens Random Forest ab, der bei der Vorhersage des wöchentlichen Verletzungsrisikos eine moderate Genauigkeit erreichte (Area under the curve um 0,78). Diese Leistung übertrifft leicht frühere Studien, die sich nur auf Trainingsdaten von Läufern konzentrierten, und ist vergleichbar mit besseren Ergebnissen, die bei gemischten Leichtathletikathleten berichtet wurden. Interessanterweise profitierten die meisten Modelle nicht davon, einfach mehr Variablen mit schwächerer Evidenz hinzuzufügen: Ihre Genauigkeit blieb weitgehend gleich, unabhängig davon, ob sie eine sorgfältig kuratierte Liste oder den vollständigen, größeren Merkmalsraum verwendeten. Eine auffällige Ausnahme war die logistische Regression, eine vergleichsweise einfache Methode, die sich deutlich verbesserte, wenn ihr der breitere Variablenpool zur Verfügung stand und die sich von hinten in die besseren Performer schob. Dagegen schnitten probabilistische Modelle, die starke Unabhängigkeitsannahmen zwischen Variablen voraussetzen, schlecht ab — vermutlich weil viele Risikofaktoren korreliert sind oder komplex miteinander interagieren.

Heute begrenzt, morgen potenziell nützliche Werkzeuge

Trotz sorgfältiger Planung sind die Modelle noch nicht genau genug für den klinischen Einsatz oder für verbindliche Trainingsentscheidungen. Ein wesentlicher Grund ist die Größenordnung: 142 Läufer und etwas mehr als 6000 wöchentliche Proben sind für ein derart komplexes Problem wenig, besonders angesichts der großen Vielfalt in Alter, Wettkampfniveau, bevorzugten Distanzen und Laufuntergründen. Die Studie stützte sich außerdem auf selbstberichtete Verletzungen und manche seltene Messungen, wie gelegentliche Ernährungstagebücher, die wichtige kurzfristige Veränderungen verwischen können. Zudem wurden die Modelle nur innerhalb dieser einen Gruppe getestet, sodass unklar ist, wie gut sie auf andere Populationen übertragbar wären. Die Autorinnen und Autoren schlagen vor, dass größere, gepoolte Datensätze, kombiniert mit Datenströmen von Wearables sowie automatischem Tracking von Ernährung oder Schlaf, die häufigeren und reicheren Informationen liefern könnten, die maschinelles Lernen braucht, um robustere, verlässlichere Vorhersagen zu ermöglichen.

Was das für Alltagsläufer heißt

Derzeit liefert diese Forschung keine fertige App, die Ihnen exakt sagt, wann Sie sich verletzen werden. Sie bietet jedoch eine Blaupause und einen öffentlichen Datensatz, auf dem andere Wissenschaftler aufbauen können. Die Arbeit zeigt, dass Computer sinnvolle Muster aus einer breiten, realistischen Mischung genetischer, körperlicher und Trainingsdaten lernen können, aber auch, dass die Vorhersage von Laufverletzungen von Natur aus schwierig bleibt. Wenn künftige Studien mehr Läufer, bessere Sensorik und tiefere Analysen einbeziehen, könnte diese Forschung langfristig Entscheidungsunterstützung schaffen, die Läufern personalisierte Hinweise gibt, wie hart sie trainieren sollten, wann sie das Pensum reduzieren und welche veränderbaren Faktoren — etwa Kraft oder Ernährung — besondere Aufmerksamkeit verdienen, damit sie schmerzfrei weiterlaufen können.

Zitation: 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

Schlüsselwörter: Laufverletzungen, maschinelles Lernen, Sportmedizin, Verletzungsvorhersage, Ausdauerlauf