Tutkijat selvittivät, onko polvivammojen ennustaminen koneoppimisen avulla mahdollista - käytössä suurin alalla kerätty aineisto
Polven eturistisidevammat ovat yleisiä joukkuelajeissa sekä muissa lajeissa, joissa tapahtuu paljon nopeita suunnanmuutoksia ja kontakteja. Niiden ehkäiseminen on tärkeää sekä eliittiurheilijoiden että harrastelijoiden parissa. Useita vammariskitekijöitä on tunnistettu aiemmissa tutkimuksissa mutta eturistisidevamman varsinainen ennustaminen on yhä kyseenalaista.
Jyväskylän yliopiston Digitaalisen terveysälyn laboratoriossa pyrittiin koneoppimisen avulla ennustamaan polven eturistisidevamman riskiä yksittäisen urheilijan kohdalla.
– Tutkimuksessa käytetyt koneoppimismenetelmät onnistuivat ennustamaan vammoja noin 65 % kokonaistarkkuudella. Tulos oli tilastollisesti merkitsevä mutta käytännössä ennustusvoima on niin matala, ettei siitä ole hyötyä käytännön kliinisessä eturistisidevammojen arvioinnissa, tutkimuksen tehnyt Susanne Jauhiainen arvioi.
Tekoälysovellusten kehittäminen ja erilaisten kokeilujen suorittaminen koneoppimisen keinoin on nykyään suhteellisen helppoa työkalujen käytettävyyden ja saatavuuden vuoksi. Toisaalta niillä on myös tällöin helppo tuottaa sattumalta lupaavilta näyttäviä ennuste- ja luokittelumalleja.
– Tutkimuksen keskeinen osa oli kehittää myös tulosten laadun ja luotettavuuden varmistava prosessi tekoälymallien kattavaan testaamiseen. Lähestymistapaa on jo aiemmin sovellettu UKK-instituutin kanssa suoritetussa vammatutkimuksessa.
Tutkimuksessa käytetty data-aineisto alan suurin
Tutkimuksessa käytetty data on osa Norwegian School of Sports Science yliopiston laajaa vammatutkimushanketta ja on alalla suurin kerätty aineisto.
Tutkimusaineisto koostui käsipallon ja jalkapallon naisammattilaisista. Tutkittuja henkilöitä oli yhteensä 880.
Huolimatta suuresta ja kattavasta datasetistä ja monipuolisesta koneoppimismenetelmien hyödyntämisestä, tutkimuksessa ei pystytty ennustamaan eturistisidevammoja tarpeeksi hyvin käytännön kannalta.
– Vaikka tällä kertaa ikään kuin epäonnistuimmekin, ei voida sanoa, etteikö vammoja voida silti tulevaisuudessa ennustaa koneoppimisen ja tekoälyn keinoin. Tulos on hyödyllinen, koska se auttaa vammatutkijoita muuttamaan datan keräystä uudella tavalla relevantimpien mittausten suuntaan, Jauhiainen toteaa.
Koneoppimisen ja datan hyödyntäminen urheilu- ja liikuntasovellusten parissa lisääntyy vauhdilla ja nyt saavutetut tulokset antavat arvokasta tietoa menetelmäkehityksen mahdollisuuksista ja haasteista alalla.
Tutkimus toteutettiin IT-tiedekunnan Digitaalisen terveysälyn laboratoriossa yhteistyössä Oslo Sports Trauma Research Center, Norwegian School of Sport Sciences kanssa. Tutkimusta rahoittivat Jenny ja Antti Wihurin rahasto ja Emil Aaltosen säätiö.
³¢¾±²õä³Ù¾±±ð³Ù´ÇÂá²¹:
Susanne Jauhiainen
³Õä¾±³Ùö²õ°ì¾±°ùÂá²¹³Ù³Ü³Ù°ì¾±Âá²¹
susanne.m.jauhiainen@jyu.fi
´¡±ô°ì³Ü±è±ð°ùä¾±²õÂá³Ü±ô°ì²¹¾±²õ³Ü:
Jauhiainen, S., Kauppi, J. P., Krosshaug, T., Bahr, R., Bartsch, J., & Äyrämö, S. (2022). Predicting ACL Injury Using Machine Learning on Data From an Extensive Screening Test Battery of 880 Female Elite Athletes. The American Journal of Sports Medicine, 03635465221112095.