Makine öğrenmesi kullanılarak koşuya bağlı yaralanmaların çok disiplinli tahmini

Koşucular için bunun neden önemi var

Dayanıklılık koşusu formda kalmanın en popüler yollarından biridir, ancak düzenli koşucuların neredeyse yarısı her yıl önemli bir yaralanma yaşar. Bu tür sorunlar antrenmanı sekteye uğratabilir, yaşam kalitesini düşürebilir ve sağlık giderlerini artırabilir. Bu çalışma keskin araçlarla pratik bir soruyu gündeme getiriyor: koşucunun vücudu, yaşam tarzı ve antrenmanıyla ilgili bilgileri birleştirerek henüz gerçekleşmeden yaralanma yönünde olduklarını haber veren bir bilgisayar modeli oluşturabilir miyiz?

Sadece ayakkabılara değil, tüm koşucuya bakmak

Çoğu önceki çalışma koşu yaralanalarını tek bir faktöre bağlamaya çalıştı—örneğin antrenman hacmi, ayakkabı tipi veya tek bir kuvvet ölçümü gibi. Oysa gerçek dünyadaki yaralanmalar genellikle genetik, önceki yaralanmalar, kas gücü, hareket desenleri, vücut yapısı, beslenme ve antrenman yükünün zaman içindeki değişimi gibi birbiriyle iç içe geçmiş etkenlerden doğar. Bu çalışmada araştırmacılar 14–50 yaş arası 142 rekabetçi dayanıklılık koşucusunun nadir ve ayrıntılı bir görünümünü bir araya getirdi ve bunları bir yıl boyunca izledi. Her koşucu için kemik ve kasın laboratuvar ölçümleri, koşu stilinin hareket analizi, kuvvet testleri, vücut kompozisyonu taramaları, beslenme verileri, doku sağlığıyla ilişkili genetik markerlar ve haftalık antrenman ile yaralanma raporlarının ayrıntıları toplandı. Toplamda, koşucunun ne olduğu ve ne yaptığı ile koşuya bağlı bir sorun geliştirip geliştirmediği arasında ilişki kuran altı binden fazla haftalık anlık görüntü üretildi.

Bilgisayarlara yaralanma riskini öğretmek

Bu veri setiyle ekip, bir koşucunun belirli bir haftada yeni bir koşuya bağlı yaralanma bildireceğini tahmin etmek için birkaç tür makine öğrenmesi modeli eğitti. Bazı modeller lojistik regresyon gibi basit ve yorumlanması kolayken; diğerleri random forest, boosting yöntemleri, destek vektör makineleri ve sinir ağları gibi daha esnek ancak daha kapalı kutu yaklaşımlardı. Araştırmacılar iki ana versiyonlu tahmin görevi kurdu. Birincisi cinsiyet, yaş, önceki yaralanma günleri, belirli kuvvet ve hizalanma ölçümleri, temel antrenman yükü metrikleri ve seçilmiş gen varyantları gibi güçlü bilimsel desteğe sahip risk faktörlerini kullandı. Diğer versiyon ise model performansının daha fazla bilgi sağlandığında iyileşip iyileşmeyeceğini görmek için daha geniş ve daha keşifsel bir ek faktör seti de ekledi.

Modellerin yapabildikleri ve yapamadıkları

En iyi performans gösteren yaklaşım, haftalık yaralanma riskini tahmin ederken orta düzeyde doğruluk (eğri altı alan yaklaşık 0,78) elde eden bir topluluk yöntemi olan random forest idi. Bu performans, yalnızca antrenman verilerine odaklanan önceki çalışmaları biraz aşmakta ve karma pist/alan sporcularında bildirilen daha iyi sonuçlarla karşılaştırılabilir düzeydeydi. İlginç biçimde, çoğu model daha zayıf kanıtlara sahip daha fazla değişken eklemekten fayda sağlamadı: dikkatle seçilmiş bir liste mi yoksa daha büyük, tam özellik seti mi kullanıldığına bakılmaksızın doğrulukları yaklaşık aynı kaldı. Kayda değer bir istisna, görece basit bir yöntem olan lojistik regresyon oldu; daha geniş değişken havuzu verildiğinde belirgin şekilde iyileşerek alt sıralardan daha iyi performans gösterenler arasına yükseldi. Buna karşılık, değişkenler arasında güçlü bağımsızlık varsayımlarına dayanan olasılıksal modeller kötü performans gösterdi; bu muhtemelen birçok risk faktörünün korelasyonlu olması veya karmaşık etkileşimlere girmesinden kaynaklanıyor.

Bugünün sınırlamaları, yarının araçları için potansiyel

Özenli tasarıma rağmen modeller henüz klinik kullanım veya kesin antrenman kararları için yeterince doğru değil. Bunun başlıca nedeni ölçek: 142 koşucu ve biraz üzerinde 6000 haftalık örnek, özellikle yaş, rekabet düzeyi, tercih edilen mesafeler ve koşu zemini çeşitliliği göz önünde bulundurulduğunda bu kadar karmaşık bir problem için küçük sayılardır. Çalışma ayrıca öz-bildirim yaralanmalara ve ara sıra tutulan besin günlükleri gibi bazı seyrek ölçümlere dayandı; bu da önemli kısa vadeli değişiklikleri bulanıklaştırabilir. Ayrıca modeller yalnızca bu tek koşucu grubunda test edildiğinden, yeni popülasyonlara ne ölçüde genellenebilecekleri belirsizdir. Yazarlar, daha büyük, birleştirilmiş veri setleri ile giyilebilir cihazlar ve otomatik beslenme ya da uyku takibi akışlarının birleştirilmesinin, makine öğrenmesi modellerinin daha güçlü ve güvenilir tahminler sunması için gereken daha zengin ve daha sık bilgiyi sağlayabileceğini öne sürüyorlar.

Günlük koşucular için bunun anlamı

Şimdilik bu araştırma size tam olarak ne zaman yaralanacağınızı söyleyen hazır bir uygulama sunmuyor. Bunun yerine, diğer bilim insanlarının geliştirebileceği bir taslak ve açık bir veri seti sağlıyor. Bilgisayarların genetik, fiziksel ve antrenman bilgilerini kapsayan geniş, gerçekçi bir karışımdan anlamlı örüntüler öğrenebileceğini gösteriyor, ancak koşu yaralanmalarını tahmin etmenin doğası gereği zor olduğunu da vurguluyor. Gelecekte daha fazla koşucu, daha iyi sensörler ve daha derin analizler eklendikçe, bu çalışma kişiye özel ne kadar sert antrenman yapılması gerektiği, ne zaman azaltılması gerektiği ve hangi değiştirilebilir faktörlerin—örneğin kuvvet veya beslenme—ağrıdan uzak koşu için daha fazla dikkat gerektirdiği konusunda koşuculara rehberlik eden karar destek araçlarını güçlendirebilir.

Atıf: 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

Anahtar kelimeler: koşu yaralanmaları, makine öğrenmesi, spor hekimliği, yaralanma tahmini, dayanıklılık koşusu