基于机器学习构建高校运动员脑震荡后肌肉骨骼损伤风险模型：精准预测与风险防控新突破

《Sports Medicine》：A Machine Learning Model for Post-Concussion Musculoskeletal Injury Risk in Collegiate Athletes

脑震荡后高校运动员肌肉骨骼（MSK）损伤风险升高，但此前难以识别高危运动员。研究人员开展了基于机器学习构建脑震荡后 MSK 损伤风险模型的研究，开发出复合风险评分模型，AUC 达 0.82 ，有助于识别高危运动员，降低损伤风险。

　　在运动的世界里，脑震荡就像一颗隐藏的 “定时炸弹”，给运动员们带来诸多麻烦。过去二十年，虽然急性运动相关脑震荡的诊断有了显著进步，但判断运动员何时恢复却仍是个难题。脑震荡不仅影响认知功能、运动控制，还与多种躯体和心理症状相关。更令人担忧的是，近年来研究发现，脑震荡后的运动员在一年内肌肉骨骼（MSK）损伤的风险会提高约两倍。这一问题在不同人群中都有体现，包括高中运动员、高校运动员、军人和普通大众。MSK 损伤不仅在急性期给运动员带来痛苦，增加医疗成本、导致缺课或误工，还可能引发慢性疾病，降低生活质量。然而，由于潜在的风险因素众多，识别哪些运动员容易发生 MSK 损伤极具挑战性，此前开发 MSK 损伤预测模型的努力大多以失败告终。

为了解决这一难题，来自美国特拉华大学（University of Delaware）等机构的研究人员开展了一项重要研究。他们旨在通过机器学习整合多种变量，构建高校运动员脑震荡后 MSK 损伤风险模型。该研究成果发表在《Sports Medicine》杂志上。

研究人员采用了一系列关键技术方法。首先，招募了 211 名被诊断为运动相关脑震荡的美国国家大学体育协会（NCAA）学生运动员，其中 194 名符合研究标准。研究收集了丰富的变量信息，涵盖参与者的人口统计学特征、人体测量学数据、脑震荡损伤特定信息，以及在四个时间点（职业生涯前 “基线”、急性损伤期（<48 小时）、无症状期和恢复运动（RTP）期）的综合脑震荡评估数据。在统计分析方面，运用了体重证据法（WoE）对变量进行转换，结合逻辑回归分析构建风险模型。通过 WoE 转换，将连续和离散变量进行分箱处理，优化箱边界以增强变量的预测能力，同时自动处理缺失数据。此外，还使用了 L1 惩罚逻辑回归进行变量选择，通过 Akaike 信息准则（AIC）进行模型选择，并最终使用 L2 正则化逻辑回归拟合模型，以提高模型性能。

在研究结果部分：

1. 模型变量筛选：从最初的 135 个变量中，经 AIC 筛选，确定仅需 48 个变量就能构建有效模型。
2. 模型预测性能：基于 WoE 的模型表现出色，受试者工作特征曲线（ROC）下面积达到 0.82，在假阳性率为 6.67% 时，真阳性率（召回率 / 敏感性）可达 79%，精度（阳性预测值）为 95% ，表明该模型具有很强的区分 MSK 损伤和非损伤群体的能力。
3. 变量影响力分析：通过 Shapley 可加解释（SHAP）值分析，发现对模型贡献最大的变量包括认知、平衡和反应时间等在基线和急性时间点的测量指标，此外，运动类型和恢复时间也有重要影响。
4. 模型稳定性验证：对数据集进行 20 次随机训练 - 测试分割，结果显示模型性能稳定，ROC 曲线下面积均值为 0.79±0.05 ，且不同分割中选择的变量具有一致性。

研究结论和讨论部分表明，该研究成功开发出具有高预测准确性的临床可行模型，为体育医学临床工作提供了有力工具。通过识别高危运动员，临床医生能够针对性地实施损伤风险降低计划，减少脑震荡后 MSK 损伤的发生。然而，研究也存在一些局限性，如对基线数据的依赖、数据缺失问题、模型复杂性等。未来研究需要进一步验证模型在不同机构、不同年龄段运动员中的可重复性，并开发更简单易用的工具，提高模型的临床实用性。总体而言，这项研究为预防脑震荡后 MSK 损伤开辟了新的道路，有望改善运动员的健康状况，降低医疗成本，推动运动医学领域的发展。