Estimation du risque de blessures en utilisant le machine learning basée sur le monitoring de la perception des états physiques et mentaux des athlètes : étude préliminaire sur 110 athlètes de haut niveau suivis sur une période de 18 mois / Jeanne Tondut in Journal de traumatologie du sport, Vol 40, n°2 (juin 2023)

Public ISBD [article]  inJournal de traumatologie du sport > Vol 40, n°2 (juin 2023) . - p. 74-80 Titre : Estimation du risque de blessures en utilisant le machine learning basée sur le monitoring de la perception des états physiques et mentaux des athlètes : étude préliminaire sur 110 athlètes de haut niveau suivis sur une période de 18 mois Type de document : texte imprimé Auteurs : Jeanne Tondut ; et al. Année de publication : 2023 Article en page(s) : p. 74-80 Langues : Français (fre) Mots-clés : Athlètes  Traumatismes sportifs  Prévention des accidents Résumé : Afin de mieux prévenir les blessures en sport, les mesures de prévention offrent aujourd’hui de nouveaux outils, comme le machine learning, pour accéder à une estimation du risque de blessures. Cet article s’attache à estimer le risque de blessures de 110 athlètes pratiquant des sports impliquant des répétitions de sprints (rugby à 7, athlétisme, bobsleigh). Les facteurs de risque mesurés quotidiennement (données d’entrées du modèle) étaient les perceptions des états physiques et psychologiques des athlètes, autorapportés chaque matin et chaque soir dans une application dédiée. Les données de sortie correspondaient aux blessures recensées par les athlètes. Un modèle de Decision Tree a été entraîné et optimisé pour réaliser la prédiction de la survenue d’une blessure en fonction des facteurs mesurés. Les performances du modèle ont été évaluées sur un nouveau jeu de données qui permettait d’atteindre les scores de performance suivants (accuracy=0,91 [0,02] ; précision=0,15 [0,04] ; recall=0,18 [0,05] ; spécificité=0,95 [0,02] ; ROC AUC=0,56 [0,02]). L’estimation du risque de blessures est rendue particulièrement difficile, notamment en raison du déséquilibre entre le nombre de blessures et le nombre d’observations. L’interprétation du modèle de prédiction montrait que les facteurs les plus influents étaient les facteurs physiques et les émotions positives. Permalink : ./index.php?lvl=notice_display&id=111809 [article] Estimation du risque de blessures en utilisant le machine learning basée sur le monitoring de la perception des états physiques et mentaux des athlètes : étude préliminaire sur 110 athlètes de haut niveau suivis sur une période de 18 mois [texte imprimé] / Jeanne Tondut ; et al. . - 2023 . - p. 74-80. Langues : Français (fre) in Journal de traumatologie du sport > Vol 40, n°2 (juin 2023) . - p. 74-80 Mots-clés : Athlètes  Traumatismes sportifs  Prévention des accidents Résumé : Afin de mieux prévenir les blessures en sport, les mesures de prévention offrent aujourd’hui de nouveaux outils, comme le machine learning, pour accéder à une estimation du risque de blessures. Cet article s’attache à estimer le risque de blessures de 110 athlètes pratiquant des sports impliquant des répétitions de sprints (rugby à 7, athlétisme, bobsleigh). Les facteurs de risque mesurés quotidiennement (données d’entrées du modèle) étaient les perceptions des états physiques et psychologiques des athlètes, autorapportés chaque matin et chaque soir dans une application dédiée. Les données de sortie correspondaient aux blessures recensées par les athlètes. Un modèle de Decision Tree a été entraîné et optimisé pour réaliser la prédiction de la survenue d’une blessure en fonction des facteurs mesurés. Les performances du modèle ont été évaluées sur un nouveau jeu de données qui permettait d’atteindre les scores de performance suivants (accuracy=0,91 [0,02] ; précision=0,15 [0,04] ; recall=0,18 [0,05] ; spécificité=0,95 [0,02] ; ROC AUC=0,56 [0,02]). L’estimation du risque de blessures est rendue particulièrement difficile, notamment en raison du déséquilibre entre le nombre de blessures et le nombre d’observations. L’interprétation du modèle de prédiction montrait que les facteurs les plus influents étaient les facteurs physiques et les émotions positives. Permalink : ./index.php?lvl=notice_display&id=111809

Exemplaires (1)

Cote	Support	Localisation	Section	Disponibilité
Revue	Revue	Centre de Documentation HELHa Campus Montignies	Armoires à volets	Document exclu du prêt - à consulter sur place Exclu du prêt

La prédiction des blessures en sport : fiction ou réalité ? / Jeanne Tondut in Journal de traumatologie du sport, Vol 40, n°2 (juin 2023)

Public ISBD [article]  inJournal de traumatologie du sport > Vol 40, n°2 (juin 2023) . - p. 62-68 Titre : La prédiction des blessures en sport : fiction ou réalité ? Type de document : texte imprimé Auteurs : Jeanne Tondut ; Pierre-Eddy Dandrieux ; L. Navarro ; Christophe Ley ; Pascal Edouard Année de publication : 2023 Article en page(s) : p. 62-68 Langues : Français (fre) Mots-clés : Traumatismes sportifs  Plaies et blessures Résumé : La blessure en sport représente aujourd’hui une grande problématique pour les athlètes et leur entourage. Des mesures de prévention sont développées et sont à disposition du milieu sportif. Parmi elles, l’émergence de nouvelles technologies et d’approches d’analyse des données offrent de nouvelles opportunités. Compte tenu du fait que ces méthodes de prédiction tendent à se développer, il nous a semblé important que les acteurs autour de l’athlète et, en particulier les professionnels de santé, aient des notions pour mieux comprendre ces approches et pouvoir interpréter les travaux présentant des analyses de prédiction (estimation du risque) des blessures. À travers cet article de mise au point, s’appuyant sur une revue narrative de la littérature, nous avons présenté le Machine Learning (ML) ainsi que ses applications et ses limites. Le ML, ou « apprentissage automatique » en français, est un outil dérivé des statistiques, apparenté à l’intelligence artificielle qui permet de construire, à partir de données d’entrée (variables prédictives) et de sortie (variables à prédire), des modèles capables de prédire un évènement. Ainsi, comme toute analyse, le ML peut présenter certaines limites et certains risques qu’il convient d’éviter, mais aussi de connaître et détecter quand on lit des articles/travaux utilisant le ML ou quand on veut l’utiliser. En conclusion, en traumatologie du sport, les modèles de Machine Learning offrent l’opportunité : 1) d’aider le diagnostic de blessures ou 2) d’optimiser l’entraînement des athlètes en estimant leur risque de blessure, à la fois dans un contexte de screening et de monitoring. Toutefois, cet outil de prédiction ne peut s’adapter à toutes les situations sans risque et peut parfois conduire à de fausses prédictions. Ainsi, le Machine Learning offre des perspectives intéressantes avec la possibilité d’avoir un outil d’aide à la décision pour les acteurs de terrain, mais il convient de prendre en compte les limites et les risques de cette approche afin de les utiliser au mieux et d’en tirer les meilleurs avantages. Le Machine Learning n’est pas une boule de cristal qui permet de voir le futur, mais une méthode d’analyse de données qui s’appuie sur des données mesurées et dépend donc de la qualité de ces dernières. Permalink : ./index.php?lvl=notice_display&id=111812 [article] La prédiction des blessures en sport : fiction ou réalité ? [texte imprimé] / Jeanne Tondut ; Pierre-Eddy Dandrieux ; L. Navarro ; Christophe Ley ; Pascal Edouard . - 2023 . - p. 62-68. Langues : Français (fre) in Journal de traumatologie du sport > Vol 40, n°2 (juin 2023) . - p. 62-68 Mots-clés : Traumatismes sportifs  Plaies et blessures Résumé : La blessure en sport représente aujourd’hui une grande problématique pour les athlètes et leur entourage. Des mesures de prévention sont développées et sont à disposition du milieu sportif. Parmi elles, l’émergence de nouvelles technologies et d’approches d’analyse des données offrent de nouvelles opportunités. Compte tenu du fait que ces méthodes de prédiction tendent à se développer, il nous a semblé important que les acteurs autour de l’athlète et, en particulier les professionnels de santé, aient des notions pour mieux comprendre ces approches et pouvoir interpréter les travaux présentant des analyses de prédiction (estimation du risque) des blessures. À travers cet article de mise au point, s’appuyant sur une revue narrative de la littérature, nous avons présenté le Machine Learning (ML) ainsi que ses applications et ses limites. Le ML, ou « apprentissage automatique » en français, est un outil dérivé des statistiques, apparenté à l’intelligence artificielle qui permet de construire, à partir de données d’entrée (variables prédictives) et de sortie (variables à prédire), des modèles capables de prédire un évènement. Ainsi, comme toute analyse, le ML peut présenter certaines limites et certains risques qu’il convient d’éviter, mais aussi de connaître et détecter quand on lit des articles/travaux utilisant le ML ou quand on veut l’utiliser. En conclusion, en traumatologie du sport, les modèles de Machine Learning offrent l’opportunité : 1) d’aider le diagnostic de blessures ou 2) d’optimiser l’entraînement des athlètes en estimant leur risque de blessure, à la fois dans un contexte de screening et de monitoring. Toutefois, cet outil de prédiction ne peut s’adapter à toutes les situations sans risque et peut parfois conduire à de fausses prédictions. Ainsi, le Machine Learning offre des perspectives intéressantes avec la possibilité d’avoir un outil d’aide à la décision pour les acteurs de terrain, mais il convient de prendre en compte les limites et les risques de cette approche afin de les utiliser au mieux et d’en tirer les meilleurs avantages. Le Machine Learning n’est pas une boule de cristal qui permet de voir le futur, mais une méthode d’analyse de données qui s’appuie sur des données mesurées et dépend donc de la qualité de ces dernières. Permalink : ./index.php?lvl=notice_display&id=111812

Exemplaires (1)

Cote	Support	Localisation	Section	Disponibilité
Revue	Revue	Centre de Documentation HELHa Campus Montignies	Armoires à volets	Document exclu du prêt - à consulter sur place Exclu du prêt

---

1 (1 - 2 / 2)