Prédiction des blessures des ischiojambiers en football à l’aide d’apprentissage automatique : étude préliminaire sur 284 footballeurs

La blessure des ischiojambiers est le premier diagnostic de blessure en football. L’une des pistes pour la réduction de ces blessures est l’identification des athlètes à haut risque. Dans cet article, nous avons mis en place des algorithmes d’apprentissage automatique pour l’estimation du risque de blessure chez 284 footballeurs masculins évoluant dans 16 équipes de football professionnel ou semi-professionnel de trois pays. Les prédicteurs (données d’entrée) des algorithmes consistaient en un ensemble de données de référence de l’athlète, incluant les antécédents de blessures des ischiojambiers lors de la saison précédente et des données mesurées lors d’un sprint maximal de 30 m. La donnée de sortie, binaire, était la survenue de blessure des ischiojambiers. Les trois modèles utilisés, la régression logistique, les forêts aléatoires et AdaBoost étaient comparés à un classificateur factice. Les résultats montraient qu’il était possible, dans une certaine mesure, de prédire la survenue de blessures avec ces modèles. La comparaison avec le classificateur factice, lorsque l’on considérait un ensemble de métriques, dont le score F1, montrait l’intérêt des trois modèles utilisés. En outre, l’importance relative des prédicteurs pouvait également être mesurée, ce qui pourrait aider à la compréhension des facteurs influençant le plus la blessure. Ces résultats suggèrent des pistes pour les stratégies de prévention des blessures des ischiojambiers. The hamstring injury is the number one injury diagnosis in football. One of the strategies for hamstring injury prevention is the identification of high-risk athletes. In this article, we implemented machine learning algorithms for injury risk estimation in 284 male footballers playing in 16 professional or semi-professional football teams from 3 countries. The predictors (input data) of the algorithms consisted of an athlete's baseline dataset, including hamstring injury history in the previous season and data measured during a maximum sprint of 30 m. The output data, binary, was the occurrence of hamstring injury. The three models used, logistic regression, random forests and AdaBoost, were compared to a dummy classifier. The results showed that it is possible, to a certain extent, to predict the occurrence of injury with these models. The comparison with the dummy classifier, when considering a set of metrics including F1-score, showed the interest of the three models used. Additionally, the relative importance of predictors can be measured, which can aid in understanding the predominant factors influencing injury. These results suggest avenues for hamstring injury prevention strategies.