Wielodyscyplinarne przewidywanie urazów związanych z bieganiem przy użyciu uczenia maszynowego

Dlaczego to ma znaczenie dla biegaczy

Bieganie wytrzymałościowe jest jednym z najpopularniejszych sposobów utrzymania kondycji, ale prawie połowa regularnych biegaczy dozna w ciągu roku istotnego urazu. Problemy te mogą wyhamować trening, pogorszyć jakość życia i wygenerować duże koszty leczenia. W tym badaniu zadano praktyczne pytanie korzystając z nowoczesnych narzędzi: czy można połączyć informacje o ciele, stylu życia i treningu biegacza w model komputerowy, który ostrzeże, że zmierza on ku urazowi, zanim on nastąpi?

Badanie biegacza jako całości, nie tylko butów

Większość wcześniejszych badań próbowała powiązać urazy biegowe z jedną przyczyną — na przykład objętością treningu, typem buta czy jednym pomiarem siły. W rzeczywistości urazy zwykle wynikają z splotu wielu czynników: genetyki, wcześniejszych kontuzji, siły mięśniowej, wzorców ruchu, budowy ciała, diety oraz zmian obciążenia treningowego w czasie. W tym projekcie naukowcy stworzyli rzadko spotykany, szczegółowy obraz 142 konkurencyjnych biegaczy wytrzymałościowych w wieku 14–50 lat, śledzonych przez pełny rok. Dla każdego uczestnika zebrano badania laboratoryjne kości i mięśni, analizę ruchu podczas biegu, testy siły, skany składu ciała, dane żywieniowe, markery genetyczne związane ze zdrowiem tkanek oraz szczegółowe cotygodniowe raporty treningu i urazów. W sumie dało to ponad sześć tysięcy cotygodniowych migawkowych zestawów danych łączących cechy biegacza i jego aktywność z wystąpieniem problemu związanego z bieganiem.

Uczenie komputerów rozpoznawania ryzyka urazu

Mając ten zbiór danych, zespół wytrenował kilka typów modeli uczenia maszynowego, aby przewidzieć, czy dany biegacz zgłosi nowy uraz związany z bieganiem w danym tygodniu. Niektóre modele były proste i łatwe do interpretacji, jak regresja logistyczna, podczas gdy inne były bardziej elastyczne, ale mniej przejrzyste — na przykład lasy losowe, metody boostingowe, maszyny wektorów nośnych i sieci neuronowe. Badacze przygotowali dwie główne wersje zadania predykcyjnego. Jedna używała tylko czynników ryzyka z mocnym poparciem naukowym, takich jak płeć, wiek, liczba dni z wcześniejszymi urazami, określone miary siły i ustawienia, kluczowe metryki obciążenia treningowego oraz wybrane warianty genów. Druga wersja dodała znacznie szerszy zestaw dodatkowych, bardziej eksploracyjnych czynników, żeby sprawdzić, czy wydajność modeli poprawi się po dostarczeniu większej ilości informacji.

Co modele potrafiły, a czego nie

Najlepsze wyniki osiągnęła metoda zespołowa zwana lasem losowym, która uzyskała umiarkowany poziom dokładności (obszar pod krzywą około 0,78) przy przewidywaniu tygodniowego ryzyka urazu. Wynik ten nieco przewyższa wcześniejsze badania skupiające się wyłącznie na danych treningowych u biegaczy i jest porównywalny z lepszymi rezultatami raportowanymi u mieszanych grup lekkoatletów. Co ciekawe, większość modeli nie zyskała na prostym dodawaniu większej liczby słabszych dowodowo zmiennych: ich dokładność pozostawała mniej więcej taka sama niezależnie od tego, czy korzystały z starannie wyselekcjonowanej listy, czy z pełnego, większego zestawu cech. Wyjątkiem była regresja logistyczna, stosunkowo prosta metoda, która zdecydowanie poprawiła się po dodaniu szerszej puli zmiennych i przesunęła się z dolnych pozycji do grona lepiej działających modeli. Z kolei modele probabilistyczne opierające się na silnych założeniach niezależności zmiennych działały słabo — prawdopodobnie dlatego, że wiele czynników ryzyka jest skorelowanych lub wchodzi między sobą w złożone interakcje.

Ograniczenia dziś, potencjał narzędzi jutro

Mimo starannego projektu, modele nie są jeszcze na tyle dokładne, by służyć w praktyce klinicznej lub podejmować ostateczne decyzje treningowe. Jednym z głównych powodów jest skala: 142 biegaczy i nieco ponad 6000 tygodniowych próbek to niewiele przy tak złożonym problemie, zwłaszcza biorąc pod uwagę dużą różnorodność wieku, poziomu rywalizacji, preferowanych dystansów i nawierzchni. Badanie opierało się też na samoopisanych urazach oraz niektórych rzadziej wykonywanych pomiarach, jak sporadyczne dzienniki żywieniowe, co może rozmywać istotne krótkoterminowe zmiany. Ponadto modele były testowane tylko w tej jednej grupie biegaczy, więc nie jest jasne, jak dobrze uogólniałyby się na nowe populacje. Autorzy sugerują, że większe, ujednolicone zbiory danych, połączone ze strumieniami danych z urządzeń noszonych oraz zautomatyzowanym śledzeniem diety czy snu, mogłyby dostarczyć bogatszych, częstszych informacji, których modele uczenia maszynowego potrzebują, aby dawać silniejsze i bardziej niezawodne prognozy.

Co to oznacza dla codziennych biegaczy

Na razie to badanie nie przynosi gotowej aplikacji, która dokładnie powie, kiedy się zranisz. Zamiast tego daje plan działania i publiczny zbiór danych, na którym inni naukowcy mogą budować. Pokazuje, że komputery są w stanie nauczyć się istotnych wzorców z szerokiego, realistycznego zestawu informacji genetycznych, fizycznych i treningowych, ale też że przewidywanie urazów biegowych jest z natury trudne. W miarę jak przyszłe badania dodadzą więcej biegaczy, lepsze czujniki i głębsze analizy, ta linia badań może w końcu zasilić narzędzia wspomagające decyzje, które dadzą biegaczom spersonalizowane wskazówki, jak intensywnie trenować, kiedy odpuścić i na które modyfikowalne czynniki — na przykład siłę czy żywienie — warto zwrócić szczególną uwagę, aby biegać bez bólu.

Cytowanie: 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

Słowa kluczowe: urazy biegowe, uczenie maszynowe, medycyna sportowa, predykcja urazów, bieganie wytrzymałościowe