Le machine learning (ML) et l’intelligence artificielle (IA) en rééducation, où en est-on ?

Publié le : 11 juillet 2023 à 16h08

Article rédigé par Thibaut GARÇON - MKDE

Introduction

Les blessures sont fréquentes que ce soit dans les sports individuels ou collectifs et peuvent avoir des conséquences physiques, psychosociales et financières importantes. L’enjeu principal dans ces sports est donc la prévention des blessures pour optimiser tous les aspects sportifs et économiques des clubs ou des fédérations. Rossi et ses collaborateurs en 2018 (5) ont estimé par exemple qu'un club de football professionnel dépensait au minimum 11 583 euros par joueur au cours d'une saison dans le cadre des soins. En ce sens, le développement de certaines technologies pour anticiper l'avenir a encouragé les scientifiques du sport à utiliser des modèles de prédiction pour essayer d'aider les entraîneurs dans la prise de décision et la conception de l'entraînement, dans le but de réduire le nombre de blessures musculaires graves et de mettre en évidence les caractéristiques les plus prédictives. En outre, aider à mettre en place des actions en lien avec certains facteurs de risque dans ce domaine.

Cependant, la compréhension des facteurs de risque de blessure et de leurs interactions reste l’un des éléments clés de la prévention des futures blessures.

De nombreuses recherches ont tenté d'identifier les facteurs de risque de blessure. Toutefois, les blessures sportives sont la conséquence d'interactions complexes entre de multiples facteurs de risque et évènements déclencheurs, d'où la nécessité d'un modèle complet. Ce modèle doit tenir compte des évènements qui ont conduit à la situation de blessure et inclure une description de la biomécanique du corps et des articulations au moment de la blessure. En raison des nombreuses interactions entre les facteurs de risque intrinsèques et extrinsèques, ainsi que de leur nature parfois très imprévisible (par exemple, le contact avec un autre joueur), il est difficile de prévoir la survenue d’une situation précise amenant à la blessure.

Par conséquent, la modélisation prédictive ne doit pas seulement se concentrer sur la prédiction de la survenue d'une blessure, mais elle doit également tenter d'identifier le risque de blessure au niveau individuel et de mettre en œuvre des interventions pour atténuer le niveau de risque.

L’intelligence artificielle et le machine learning

Ces dernières années, l'utilisation de méthodes avancées d'intelligence artificielle (IA) a fait son apparition en médecine du sport pour réduire le nombre de blessures et donc inévitablement s'attaquer à l’optimisation de la réussite économique et sportive des clubs. Les méthodes d'IA ont déjà été utilisées avec succès en sciences du sport dans le domaine de l'analyse du jeu, de la tactique, de l'analyse des performances et des prévisions de résultats. Cependant, pour les cliniciens et le monde de la rééducation, l'application et la compréhension de l'IA ne s’est pas encore beaucoup développée.

Comment définir une intelligence artificielle ? L'IA se réduit le plus souvent aux méthodes d'apprentissage automatique, bien qu'il s'agisse d'un concept très large qui englobe tous les aspects de l'imitation de l'intelligence humaine.

Quant au machine learning (ML), il s’agit de l'étude des algorithmes capables d'apprendre automatiquement à partir de données pour prendre de nouvelles décisions. Les données disponibles pour le ML doivent être de haute qualité et peuvent être n'importe quelles données jugées utiles pour la prédiction des blessures. Nous vous invitons à lire l’article (1) dans notre partie « source » pour plus d’informations concernant la mise en place d’un apprentissage automatique.

Peut-on prédire et prévenir les blessures grâce à la technologie ?

Dans sa revue systématique de 2021 (1), van Eetvelde et ses collaborateurs ont inclus 11 études mettant en avant des outils de ML utilisés pour prévenir ou prédire les blessures dans le sport.

Les résultats les plus prometteurs pour prédire le risque de blessure ont été obtenus chez les jeunes footballeurs d'élite sur la base de mesures anthropométriques, de coordination motrice et de performance physique avec une précision élevée pouvant atteindre les 85 %, et chez les footballeurs professionnels sur la base d'une évaluation de « screening » (testing global souvent utilisé en présaison) avec une sensibilité (77,8 %) et une spécificité (83,8 %) élevées. Ces résultats sont prometteurs dans la mesure où les futurs modèles pourraient aider les entraîneurs, les préparateurs physiques et les médecins à prendre des décisions en matière de prévention des blessures.

Dans la revue systématique de Rico-González et ses collaborateurs en 2023 (2), centrée sur l’application de ces technologies dans le football, on nous explique que les algorithmes les plus puissants sont essentiellement basés sur des données d’entrée, telles que :

L’incidence des blessures et les facteurs de risque personnels, psychologiques et
Les données anthropométriques d'avant-saison (taille, poids…).
L’évaluation de la condition physique (force, souplesse, vitesse, agilité et endurance).
La charge d'entraînement (distance parcourue à différentes intensités, distance totale, course à grande vitesse et distance explosive).
Les caractéristiques liées à la charge métabolique.
Les accélérations/décélérations.
Le stress dynamique et l'indice de fatigue.

Par exemple, dans le travail de Ayala et ses collaborateurs en 2019 (6), l’utilisation d'un outil de ML supervisé et de caractéristiques personnelles, psychologiques et neuromusculaires, peut prédire plus de 78 % des blessures musculaires tandis que Rommers et al en 2017 (3) ont proposé un modèle qui prédit, avec 78-85 % de tentatives de prédiction, les joueurs qui présentent le risque de blessure le plus élevé. Tous ces auteurs, comme López-Valenciano et al. (2020) (4), rendent possible l'application du ML aux stratégies de gestion des risques de blessure afin de réduire l'incidence des blessures musculaires, ou même de prédire les changements dans une certaine partie du corps des joueurs.

Ces idées ne peuvent que nous conduire au fait que le ML comme option pour réduire l'incidence des blessures, en offrant des informations cruciales, peut être utilisé pour les stratégies de conception de l'entraînement pendant certains moments ou avec certains joueurs qui ont une plus grande probabilité de souffrir de blessures.

Pour aller plus loin

Lorsqu'il s'agit de prédire et de prévenir les blessures, il est important d'identifier les facteurs de risque particulièrement modifiables, qui peuvent être intrinsèques ou extrinsèques. Alors que certaines études ne fournissent aucune information sur l'importance ou l'influence relative d'un facteur de risque individuel, d'autres utilisent le nombre de fois qu'une variable considérée apparaît dans l'ensemble des arbres de décision et comment il influence ce dernier. Certaines études montrant que l’on peut perdre en performance prédictive si certaines valeurs sont oubliées ou exclues volontairement de leurs algorithmes. Il semble donc qu'il faille redoubler d'efforts pour comprendre le poids de certains facteurs de risque individuels sur le risque de blessure.

L'inclusion des données dans les outils de ML est encore limitée dans la littérature actuelle (par exemple, seules les mesures anthropométriques, de coordination motrice et de performance physique). Néanmoins, la précision obtenue étant assez élevée, les prédictions futures pourraient être encore plus élevées en utilisant des approches intelligentes d'apprentissage automatique ou en incorporant davantage de données (par exemple, en utilisant des capteurs, un suivi plus intense des athlètes). Les études futures devront affiner la cible de la prédiction des blessures avec l'IA/ML. Cet objectif pourrait être atteint :

En augmentant le nombre de blessures différentes affectant une population spécifique ou une cohorte d'étude.
En incluant de manière ciblée des blessures spécifiques ayant une incidence élevée, comme les lésions des ischio-jambiers ou une charge de morbidité élevée, comme les lésions du ligament croisé antérieur.

Conclusion

Les méthodes d'apprentissage automatique peuvent être utilisées pour identifier les athlètes présentant un risque élevé de blessure pendant la pratique d'un sport et peuvent être utiles pour identifier les facteurs de risque. Cependant, bien que la majorité des études analysées aient appliqué correctement les outils d'apprentissage automatique pour prédire les blessures, la qualité méthodologique de la littérature existante reste modérée à très faible, ne permettant pas d’affirmer leur fiabilité aujourd’hui à 100%. La prédiction des blessures sportives est un domaine en pleine expansion et il convient d'encourager les futurs développeurs dans ce domaine prometteur, compte tenu de l'énorme potentiel des méthodes d'IA ou de ML.

Tout le contenu de cet article est présenté à titre informatif. Il ne remplace en aucun cas l’avis ou la visite d’un professionnel de santé.

À lire également :

Sources :

(1) Van Eetvelde, H., De Michelis Mendonça, L., Ley, C., Seil, R., & Tischer, T. (2021). Machine learning methods in sport injury prediction and prevention: a systematic review. Journal of Experimental Orthopaedics, 8(1) – Article sous License Creative Commons BY-4.0

(2) Rico-González, M., Pino-Ortega, J., Mendez, A., Clemente, F. M., & Baca, A. (2023). Machine learning application in soccer: a systematic review. Biology of Sport, 40(1)

(3) Rommers, N., Rössler, R., Verhagen, E., Vandecasteele, F., Verstockt, S., Vaeyens, R., Lenoir, M., D’Hondt, E., & Witvrouw, E. (2020). A Machine Learning Approach to Assess Injury Risk in Elite Youth Football Players. Medicine and Science in Sports and Exercise, 52(8)

(4) López-Valenciano, A., Ayala, F. J., Puerta, J. M., De Ste Croix, M., Vera-Garcia, F. J., Hernández-Sánchez, S., Ruiz-Pérez, I., & Myer, G. D. (2017). A Preventive Model for Muscle Injuries. Med Sci Sports Exerc, 50(5)

(5) Rossi, A., Pappalardo, L., Cintia, P., Iaia, F. M., Fernández, J., & Medina, D. (2018). Effective injury forecasting in soccer with GPS training data and machine learning. PLOS ONE, 13(7), e0201264

(6) Ayala, F. J., López-Valenciano, A., Martín, J., De Ste Croix, M., Vera-Garcia, F. J., García-Vaquero, M. P., Ruiz-Pérez, I., & Myer, G. D. (2019). A Preventive Model for Hamstring Injuries in Professional Soccer: Learning Algorithms. International Journal of Sports Medicine, 40(05)

Kinésithérapeute à Toulouse, passionné par le sport de haut niveau et la performance notamment grâce au football, passé par le centre de formation du TFC et à l’heure actuelle joueur dans le club de l’US Castanet en région toulousaine.

Par le biais de NeuroXtrain, souhaite transmettre les données scientifiques pertinentes pour les étudiants ou professionnel de santé et de les rendre accessibles afin de promouvoir les nouvelles technologies et les nouvelles données en termes de performance et de rééducation du sportif.

Rejoignez son réseau LinkedIn : Thibaut GARÇON