La prédiction des blessures en sport : fiction ou réalité ?

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.