Multidisciplinaire voorspelling van loopgerelateerde blessures met machine learning

Waarom dit belangrijk is voor hardlopers

Duurlopen is een van de populairste manieren om fit te blijven, maar bijna de helft van de regelmatige hardlopers krijgt elk jaar een significante blessure. Deze problemen kunnen trainingsplannen ontregelen, de kwaliteit van leven aantasten en medische kosten veroorzaken. Deze studie stelt een praktische vraag en gebruikt moderne tools: kunnen we informatie over iemands lichaam, leefstijl en training combineren in een computermodel dat waarschuwt wanneer die persoon op weg is naar een blessure, nog voordat die echt optreedt?

De hele hardloper bekijken, niet alleen de schoenen

De meeste eerdere studies probeerden loopblessures te koppelen aan telkens één factor—zoals trainingsvolume, schoenmodel of een enkele krachtmaat. In de praktijk ontstaan blessures meestal door een samenspel van invloeden: genetica, eerdere blessures, spierkracht, bewegingspatronen, lichaamsbouw, voeding en de manier waarop trainingsbelasting in de tijd verandert. In dit onderzoek stelden de onderzoekers een zeldzaam, zeer gedetailleerd beeld samen van 142 competitieve duurlopers, van 14 tot 50 jaar, gedurende een heel jaar. Van elke loper verzamelden ze laboratoriummetingen van bot en spier, bewegingsanalyse van de loopstijl, krachtmetingen, lichaamssamenstellingsscans, voedingsgegevens, genetische markers gerelateerd aan weefselgezondheid en gedetailleerde wekelijkse rapporten over training en blessures. In totaal leverde dit meer dan zesduizend wekelijkse momentopnames op die koppelden hoe de loper was en wat hij of zij deed aan het al dan niet ontwikkelen van een loopgerelateerd probleem.

Computers leren blessures te herkennen

Met deze dataset trainde het team verschillende soorten machine learning-modellen om te voorspellen of een loper in een gegeven week een nieuwe loopgerelateerde blessure zou melden. Sommige modellen waren eenvoudig en goed te interpreteren, zoals logistische regressie, terwijl andere flexibeler maar minder doorzichtig waren, zoals random forests, boosting-methoden, support vector machines en neurale netwerken. De onderzoekers bouwden twee hoofdversies van de voorspellingsopdracht. De ene gebruikte alleen risicofactoren met sterke eerdere wetenschappelijke ondersteuning, zoals geslacht, leeftijd, dagen van eerdere blessures, bepaalde kracht- en uitlijningmetingen, sleutelmetingen van trainingsbelasting en geselecteerde genvarianten. De andere versie voegde een veel breder scala aan extra, meer verkennende factoren toe om te onderzoeken of de modelprestaties verbeterden wanneer meer informatie beschikbaar was.

Wat de modellen wel en niet konden

De best presterende aanpak was een ensemblemethode genaamd random forest, die een matig niveau van nauwkeurigheid bereikte (oppervlakte onder de curve rond 0,78) bij het voorspellen van wekelijkse blessurerisico's. Deze prestatie overtreft de eerdere studies die zich alleen op trainingsgegevens van hardlopers richtten licht, en is vergelijkbaar met de betere resultaten die werden gerapporteerd bij gemengde baan- en veldatleten. Interessant genoeg profiteerden de meeste modellen niet van het simpelweg toevoegen van meer, zwakker onderbouwde variabelen: hun nauwkeurigheid bleef ongeveer hetzelfde, ongeacht of ze een zorgvuldig samengestelde lijst of de volledige, grotere set kenmerken gebruikten. Een opvallende uitzondering was logistische regressie, een relatief eenvoudige methode, die aanzienlijk verbeterde wanneer zij de bredere groep variabelen kreeg en zo opschoof van bijna onderaan naar een van de betere uitvoerders. Daartegenover presteerden probabilistische modellen die vertrouwen op sterke onafhankelijkheidsveronderstellingen tussen variabelen slecht, waarschijnlijk omdat veel risicofactoren gecorreleerd zijn of op complexe manieren met elkaar interageren.

Beperkingen nu, potentieel voor toekomstige tools

Ondanks het zorgvuldige ontwerp zijn de modellen nog niet nauwkeurig genoeg voor klinisch gebruik of voor het nemen van definitieve trainingsbeslissingen. Een belangrijke reden is schaal: 142 lopers en iets meer dan 6000 wekelijkse samples zijn kleine aantallen voor zo'n complex probleem, vooral gezien de grote variatie in leeftijd, competitieniveau, voorkeursafstanden en ondergronden. De studie vertrouwde ook op zelfgerapporteerde blessures en enkele minder frequente metingen, zoals incidentele voedingsdagboeken, die belangrijke kortetermijnveranderingen kunnen vervagen. Bovendien werden de modellen alleen binnen deze ene groep lopers getest, dus het is onduidelijk hoe goed ze generaliseren naar nieuwe populaties. De auteurs suggereren dat grotere, samengevoegde datasets, gecombineerd met datastromen van wearables en geautomatiseerde voeding- of slaaptracking, de rijkere, frequentere informatie kunnen leveren die machine learning-modellen nodig hebben om sterkere, betrouwbaardere voorspellingen te geven.

Wat dit betekent voor gewone hardlopers

Vooralsnog levert dit onderzoek geen kant-en-klare app op die precies vertelt wanneer je kwetsuur zal optreden. Het biedt wel een blauwdruk en een openbare dataset waarop andere wetenschappers kunnen voortbouwen. Het laat zien dat computers zinvolle patronen kunnen leren uit een breed, realistisch mengsel van genetische, fysieke en trainingsgegevens, maar ook dat het voorspellen van loopblessures van nature moeilijk is. Naarmate toekomstige studies meer lopers, betere sensoren en diepgaandere analyses toevoegen, kan dit onderzoeksveld uiteindelijk besluitvormingshulpmiddelen aandrijven die lopers gepersonaliseerd advies geven over hoeveel ze moeten trainen, wanneer ze moeten afbouwen en welke aanpasbare factoren—zoals kracht of voeding—extra aandacht verdienen om pijnvrij te blijven lopen.

Bronvermelding: 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

Trefwoorden: loopblessures, machine learning, sportgeneeskunde, blessurevoorspelling, duurlopen