Forecasting injuries in sport

ROSSI ALESSIOalessio.rossi@unimi.it

Phone +39 3472339050

PREVEDERE GLI INFORTUNI SPORTIVI

CON I DATI

E’ possibile prevedere gli infortuni dai

dati di allenamento?

24,360 Giorni di assenza

16.23% of season absence

188,058,072 €

Alto costo

“[…] any illness related to training load are commonly viewed as preventable”

Gabbett, 2016

In letteratura come interpretano il problema?Analisi monodimensionaliGabbett 2016 and Rogalski B et al. 2013

Il problema di predizione degli infortuni

lo interpretiamo comeclassification problem

FeaturesFeatures di allenamento (GPS)

• Total Distance • High Speed Running (>19.8 km/h)• Metabolic Distance (>20W/kg)

• High Metabolic Load Distance (>25.5 W/Kg) • High Metabolic Load Distance Per Minute • Explosive Distance (>25 W/kg <19.8 Km/h)

• Accelerations >2m/s2

• Accelerations >3m/s2 • Decelerations >2m/s2 • Decelerations >3m/s2

• Dynamic Stress Load (>2g) • Fatigue Index (Dynamic Stress Load/Speed Intensity)

Features dei calciatori• Age• Height• Weight• Role

• Previous injuries

• Injury

Numero di infortuni che un giocatore ha avuto fino a quel momento.

0 = no-infortunio1 = infortunato

FeaturesFeatures di allenamento (GPS)

• Total Distance • High Speed Running (>19.8 km/h)• Metabolic Distance (>20W/kg)

• High Metabolic Load Distance (>25.5 W/Kg) • High Metabolic Load Distance Per Minute • Explosive Distance (>25 W/kg <19.8 Km/h)

• Accelerations >2m/s2

• Accelerations >3m/s2 • Decelerations >2m/s2 • Decelerations >3m/s2

• Dynamic Stress Load (>2g) • Fatigue Index (Dynamic Stress Load/Speed Intensity)

Features dei calciatori• Age• Height• Weight• Role

• Previous injuries

• Injury

Numero di infortuni che un giocatore ha avuto fino a quel momento.

0 = no-infortunio1 = infortunato

Moving average

Best window: 6 sessions

Decision Tree

Scenario 1 Scenario 2 Scenario 3 Scenario 4 Scenario 5 Scenario 6 Scenario 7

Previous injuries ≤ 1.36 ≤ 1.36 ≤ 1.08 ≥ 2.05 ≥ 1.08 ≤ 1.51 ≤ 0.40

Acceleration above 2 m·s-2 ≤ 53.96 ≤ 57.93 ≤ 49.20 ≤ 57.96 ≤ 78.42 ≤ 77.16 ---

HML per min --- ≥ 7.53 ≤ 6.80 --- --- --- ---

Acceleration above 3 m·s-2 --- --- --- ≥ 16.67 --- --- ---

Probability of injury 80% 50% 33% 33% 12% 9% 6%

Number of injury observed 3 1 1 2 1 2 11

Number of injury predicted 1 1 1 1 0 1 8

Injury scenarios

Potentially avoided injuries ≥ 43%

Take home message•Data mining è utile per la predizione degli infortuni• In questo dataset la variabile Previous injuries

influenza gli infortuni successivi

• In uno scenario teorico noi otteniamo F1-score = 0.78• In uno scenario reale noi otteniamo un massimo di

F1-score = 0.40

ROSSI ALESSIOalessio.rossi@unimi.it

Phone +39 3472339050

GRAZIE DELL’ATTENZIONE