La prédiction des blessures en sport : fiction ou réalité ?

Abstract

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.

Today, injury in sport represents a major problem for athletes and their entourage. Prevention measures are developed and are available to the sports community. Among them, the emergence of new technologies and data analysis approaches offer new opportunities. Given the fact that these prediction methods tend to develop, it seemed important to us that the actors around the athlete, and in particular health professionals, have notions to better understand these approaches and to be able to interpret the work presenting injury prediction (risk estimation) analyses. Through this article, based on a narrative review of the literature, we have presented Machine Learning (ML), as well as its applications and limitations. ML, or “machine learning”, is a tool derived from statistics, related to artificial intelligence, which makes it possible to build, from input data (predictive variables) and output data (variables to be predicted), models capable of predicting an event. Thus, like any analysis, ML can present certain limitations and risks that should be avoided, but also to know and detect when reading articles/works using ML, or when you want to use it. In conclusion, in sports traumatology, Machine Learning models offer the opportunity: 1) to help diagnose injuries or; 2) to optimize athletes’ training by estimating their risk of injury, both in a screening and monitoring context. However, this prediction tool cannot adapt to all situations without risk and can sometimes lead to false predictions. Thus, Machine Learning offers interesting perspectives with the possibility of having a decision support tool for field actors, but it is necessary to take into account the limits and risks of this approach in order to use them best and get the best benefits. Machine Learning is not a crystal ball that allows us to see the future, but a method of data analysis that relies on measured data and therefore depends on the quality of the latter.