Maskinlæring i profesjonell fotball: Kan man ved hjelp av multidimensjonale modeller predikere ikke-kontakt skader i et norsk eliteserielag i fotball?

Abstract

Bakgrunn: Skader i fotball er ansett å være en stor byrde for klubber og spillere, og kan ha en negativ påvirkning på prestasjon og langsiktig utvikling. Det har blitt diskutert at ved å implementere en mer kompleks tilnærming til idrettsskadeforskning, vil det bidra til å forstå og forhindre skader. De fleste eksisterende studier er mono-dimensjonale, som vil si de bare bruker en variabel for å estimere skaderisiko. Predikere skader i fotball er utfordrende da skadene ikke oppstår i en lineær kombinasjon av ulike faktorer. Årsakene til fotballskader er multifaktoriale og komplekse. For å kunne håndtere denne kompleksiteten trengs det en multidimensjonal fremgangsmåte som kan forstå og forhindre skade.

Metode: Prosjektet er en prospektiv kohort studie med 32 (18 til 34 år) mannlige fotballspillere fra eliteserien i Norge. Det ble samlet inn data som representerer playerload, acceleration load, total distanse, V4, V5 og høyhastighetsløp gjennom hele 2019 sesongen ved bruk av Catapult OptimEyeX4. Basert på belastningsdataen prøvde vi å predikere ikke-kontakt skade med hjelp av maskinlæringsmodeller. Resultater: Det ble registrert 34 ikke-kontakt skader gjennom sesongen. Ved bruk av innhøstede data, klarte maskinlæringsmodellene Support vector machine, Decision tree, Random forest og Logistisk regresjon predikerte 0 % av skadene.

Konklusjon: Ingen av maskinlæringsmodellene klarte å predikere ikke-kontaktskader i fotball basert på datagrunnlaget en sesong. GPS-data i seg selv ikke er nok for å kunne predikere et så sammensatt problem.