חיזוי רב־תחומי של פגיעות הקשורות לריצה באמצעות למידת מכונה

למה זה חשוב לרצים

ריצת סיבולת היא אחת הדרכים הפופולריות ביותר לשמור על כושר, אך כמעט מחצית מהרצים הסדירים יסבלו מפציעה משמעותית בכל שנה. בעיות אלה עלולות לפגוע בהכנה ובאימונים, לפגוע באיכות החיים ולהצטבר להוצאות רפואיות. המחקר שואל שאלה מעשית בעזרת כלים חדשניים: האם ניתן לשלב מידע על הגוף, אורח החיים והאימון של רץ למודל מחשב שמתריע כשהוא בדרך לפציעה — לפני שהיא מתרחשת?

להסתכל על כל הרץ, לא רק על הנעליים

מרבית המחקרים הקודמים ניסו לקשר פציעות לריצה לגורם בודד בכל פעם — כמו נפח אימון, סוג נעל, או מדד כוח יחיד. אך בפועל פציעות נוצרות בדרך כלל משילוב מסועף של השפעות: גנטיקה, פציעות עבר, חוזק שרירים, דפוסי תנועה, מבנה הגוף, תזונה, ואופן שינוי העומסים באימון לאורך זמן. בעבודה הזו אספו החוקרים תמונה נדירה ומפורטת של 142 רצים תחרותיים לסיבולת, בגילאים 14–50, שעוקבו במשך שנה שלמה. עבור כל רץ נאספו מדידות מעבדה של עצם ושריר, ניתוח תנועה של סגנון הריצה, בדיקות כוח, סריקות קומפוזיציית גוף, נתוני תזונה, סמני גנים הקשורים לבריאות רקמות, ודיווחים שבועיים מפורטים על אימונים ופציעות. בסך הכל נוצרו יותר מאלף וכמה אלפי צילומי מצב שבועיים שקישרו בין מאפייני הרץ והפעילות שלו לבין התפתחות בעיה הקשורה לריצה.

ללמד מחשבים לזהות סיכון לפציעה

עם מאגר הנתונים הזה בידי החוקרים אימנו כמה סוגים של מודלי למידת מכונה כדי לחזות האם רץ ידווח על פציעה חדשה הקשורה לריצה בשבוע נתון. חלק מהמודלים היו פשוטים וברי־פירוש, כמו רגרסיה לוגיסטית, בעוד אחרים היו גמישים יותר אך פחות שקופים, כגון יער אקראי, שיטות בוסטינג, מכונות וקטורים תומכות ורשתות עצביות. החוקרים בנו שתי גרסאות עיקריות של משימת החיזוי. אחת השתמשה רק בגורמי סיכון בעלי תמיכה מדעית חזקה מראש — כגון מין, גיל, ימי פציעה בעבר, מדידות כוח ויישור מסוימות, מדדי עומס אימון מרכזיים וגירסאות גנטיות נבחרות. הגרסה השנייה הוסיפה מארג רחב יותר של גורמים ניסיוניים נוספים כדי לבדוק האם ביצועי המודל ישתפרו כשתינתן יותר מידע.

מה המודלים יכלו ולא יכלו לעשות

הגישה שהשיגה את הביצועים הטובים ביותר הייתה שיטת אנסים'מבל שנקראת יער אקראי, שהגיעה לרמת דיוק מתונה (שטח מתחת לעקומה כ־0.78) בחיזוי סיכון הפציעה השבועי. ביצועים אלה מעט עולות על מחקרים קודמים שהתמקדו רק בנתוני אימון ברצים, והם דומים לתוצאות הטובות יותר שדווחו אצל אתלטים מעורבים במסלול ושדה. מעניין כי רוב המודלים לא השתפרו מהוספת משתנים רבים בעלי עדות חלשה: הדיוק שלהם נשאר דומה בין השימוש ברשימה ממוקדת בקפידה לבין שימוש בערכת תכונות רחבה יותר. יוצא מן הכלל ראוי לציון הוא רגרסיה לוגיסטית — שיטה יחסית פשוטה — שהשתפרה באופן משמעותי כשהוזנה בריכת משתנים רחבה יותר וזכתה לקפיצה מהתחתית אל שורות המבצעים הטובים יותר. לעומת זאת, מודלים הסתברותיים שהניחו עצמאות חזקה בין המשתנים הופיעו גרוע, ככל הנראה כיוון שרבים מגורמי הסיכון מקושרים זה לזה או מתקיימים ביניהם אינטראקציות מורכבות.

מגבלות היום, פוטנציאל לכלים מחר

למרות התכנון הקפדני, המודלים עדיין אינם מדויקים דיים לשימוש קליני או לקבלת החלטות אימון החלטיות. סיבה מרכזית היא המידה — 142 רצים וקצת יותר מ־6000 דגימות שבועיות הם מספרים קטנים לבעיה מורכבת כזו, במיוחד בהתחשב בשונות רחבה בגיל, ברמת התחרות, במרחקים מועדפים ובמשטחים של הריצה. המחקר הסתמך גם על פציעות מדווחות עצמונית ועל מדידות שאינן תכופות, כגון יומני מזון מדי פעם, שעשויים לטשטש שינויים חשובים לטווח הקצר. בנוסף, המודלים נבחנו רק בקבוצת הרצים הזו, ולכן לא ברור עד כמה ישתמשו הכללים על אוכלוסיות חדשות. המחברים מציעים כי מאגרי נתונים גדולים מאוחדים, בשילוב זרמי נתונים ממכשירים לבישים וממעקב תזונה או שינה אוטומטיים, יכולים לספק את המידע העשיר והתדיר יותר שלדעתם דרוש למודלי למידת מכונה כדי לספק חיזויים חזקים ואמינים יותר.

מה זה אומר לרצים היומיים

כרגע, המחקר הזה אינו מייצר אפליקציה מוכנה שאומרת בדיוק מתי תיפצעו. במקום זאת, הוא מציע מתווה ומאגר נתונים פומבי שעליו מדענים אחרים יכולים לבנות. הממצא מראה שמחשבים יכולים ללמוד דפוסים משמעותיים משילוב רחב וריאלי של מידע גנטי, פיזי ואימוני, אך גם שמנבא פציעות בריצה הוא אתגר מהותי. ככל שמחקרים עתידיים יוסיפו רצים, חיישנים טובים יותר וניתוח מעמיק יותר, קו מחקר זה עשוי בסופו של דבר להניע כלי תמיכה בהחלטות שיתנו לרצים הנחיה מותאמת אישית לגבי כמה קשה להתאמן, מתי להקל, ואילו גורמים שניתן לשנות — כגון כוח או תזונה — ראויים לתשומת לב נוספת כדי לשמור על ריצה ללא כאב.

ציטוט: 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

מילות מפתח: פגיעות בריצה, למידת מכונה, רפואת ספורט, חיזוי פציעות, ריצת סיבולת