Forskere har udviklet en ny AI-model, der kan forudsige skadesrisiko og præstation hos tennisspillere ved at kombinere data fra wearables, søvn, spørgeskemaer og videoanalyse. Modellen, kaldet Predictive Athlete Readiness for Tennis (PART), er beskrevet i et nyt paper på arXiv og adresserer et centralt problem i sportsbranchen: at forudsige skader og præstationer har hidtil været begrænset af manglende data og afhængighed af subjektive vurderinger.
PART adskiller sig ved at integrere flere datakilder, herunder fysiologiske målinger, trænings- og kampdata, søvninformation fra wearables, selvrapporterede spørgeskemaer, vertikale springtest og bevægelsesanalyse fra kampvideoer. Modellen bruger en vægtet ensemble-læringsstrategi, hvor forskellige machine learning- og deep learning-modeller hver især analyserer specifikke aspekter som generel velvære, skadesrisiko, fysisk kapacitet og spilstil. Ved at tildele adaptiv vægt til hver model baseret på dens pålidelighed, opnår PART en mere robust prædiktion.
For beslutningstagere i sportsbranchen — fra klubber og trænere til producenter af sportsudstyr og investorer — er potentialet markant. I evalueringen med data fra ni college-tennisspillere demonstrerede PART stærk ydeevne i at overvåge atleters velvære og estimere skadesrisiko på kort sigt. Modellen viser også lovende resultater for motionister, hvilket åbner for et bredere marked inden for personlig sportsanalyse og skadesforebyggelse.
Selvom der er tale om et tidligt forskningsresultat, peger det på en retning, hvor AI kan gøre skadesforebyggelse og præstationsoptimering mere datadrevet og mindre afhængig af subjektive vurderinger. For virksomheder, der udvikler wearables, sportsanalyseplatforme eller træningsapps, kan sådanne modeller blive en konkurrenceparameter. For sportsorganisationer kan det betyde bedre beslutninger om spillerbelastning og skadesforebyggelse — og dermed økonomiske gevinster ved at reducere skadesrelaterede tab.
