Prédiction des blessures au Foot 5 à l’aide d’une méthode de machine learning / D. Jacob in Journal de traumatologie du sport, vol. 40, N°04 (decembre 2023)

Public ISBD [article]  inJournal de traumatologie du sport > vol. 40, N°04 (decembre 2023) . - p. 261-269 Titre : Prédiction des blessures au Foot 5 à l’aide d’une méthode de machine learning Type de document : texte imprimé Auteurs : D. Jacob ; M. Roudesli ; L. Cervoni ; R. Tievant Année de publication : 2023 Article en page(s) : p. 261-269 Langues : Français (fre) Mots-clés : Foot 5, Machine learning, Prévention, Blessures Résumé : Introduction Le Foot 5 est un sport qui gagne en popularité en France. Afin de mieux comprendre les facteurs à l’origine des blessures et de pouvoir développer un outil de prévention, nous proposons un modèle de machine learning. Méthode Un modèle de machine learning est un outil informatique qui, à partir d’une liste de variables d’entrées décrivant un participant, va pouvoir prédire si ce dernier se blessera ou non. L’algorithme utilisé dans cette étude est le Random Forest, et il est constitué de plusieurs centaines d’arbres de décision qui vont participer à prédire le risque de blessure d’un participant en fonction de certaines informations d’entrées. Le modèle a été développé sur une base de données d’une étude épidémiologique de 1827 participants. Résultats Le modèle a été optimisé sur 80 % du jeu de données, pour ensuite être évalué sur les 20 % restants. Le modèle possède une accuracy de 64,9 %. La précision est de 60,1 % et le recall de 70,3 %. Dans notre cas, ce sont les informations sur le temps de jeu et des caractéristiques anthropométriques qui participent à fournir les meilleures prédictions. Conclusion Le modèle développé propose des premiers résultats encourageants comme outil de prévention de la blessure. Deux pistes d’amélioration ont été identifiées : augmenter la taille de l’échantillon et améliorer le questionnaire (avoir des informations sur la qualité de leur sommeil, l’historique de leur blessure, affiner les données anthropométriques), avec ces 2 axes de progression la qualité de l’accuracy du modèle pourrait augmenter significativement. Permalink : ./index.php?lvl=notice_display&id=114813 [article] Prédiction des blessures au Foot 5 à l’aide d’une méthode de machine learning [texte imprimé] / D. Jacob ; M. Roudesli ; L. Cervoni ; R. Tievant . - 2023 . - p. 261-269. Langues : Français (fre) in Journal de traumatologie du sport > vol. 40, N°04 (decembre 2023) . - p. 261-269 Mots-clés : Foot 5, Machine learning, Prévention, Blessures Résumé : Introduction Le Foot 5 est un sport qui gagne en popularité en France. Afin de mieux comprendre les facteurs à l’origine des blessures et de pouvoir développer un outil de prévention, nous proposons un modèle de machine learning. Méthode Un modèle de machine learning est un outil informatique qui, à partir d’une liste de variables d’entrées décrivant un participant, va pouvoir prédire si ce dernier se blessera ou non. L’algorithme utilisé dans cette étude est le Random Forest, et il est constitué de plusieurs centaines d’arbres de décision qui vont participer à prédire le risque de blessure d’un participant en fonction de certaines informations d’entrées. Le modèle a été développé sur une base de données d’une étude épidémiologique de 1827 participants. Résultats Le modèle a été optimisé sur 80 % du jeu de données, pour ensuite être évalué sur les 20 % restants. Le modèle possède une accuracy de 64,9 %. La précision est de 60,1 % et le recall de 70,3 %. Dans notre cas, ce sont les informations sur le temps de jeu et des caractéristiques anthropométriques qui participent à fournir les meilleures prédictions. Conclusion Le modèle développé propose des premiers résultats encourageants comme outil de prévention de la blessure. Deux pistes d’amélioration ont été identifiées : augmenter la taille de l’échantillon et améliorer le questionnaire (avoir des informations sur la qualité de leur sommeil, l’historique de leur blessure, affiner les données anthropométriques), avec ces 2 axes de progression la qualité de l’accuracy du modèle pourrait augmenter significativement. Permalink : ./index.php?lvl=notice_display&id=114813

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 - 1 / 1)