To develop and evaluate an AI-assisted framework integrating deep learning for injury risk prediction and adaptive physical conditioning in youth basketball players.

Biometric data, historical injury records, and training performance metrics were collected from youth basketball players across multiple sessions. Data preprocessing included cleaning and Z -score normalization, with Principal Component Analysis (PCA) used for feature extraction. A Dynamic Pity Beetle-mutated Residual Bidirectional Long Short-Term Memory (DPB-Res-Bi-LSTM) network predicted temporal and spatial patterns associated with elevated injury risk. Key performance indicators, including jump height, sprint speed, agility, and endurance, were assessed using paired T -tests before and after AI-guided conditioning interventions. Model performance was evaluated against multimodal baseline architectures.

High predictive performance was attained by the DPB-Res-Bi-LSTM model, with accuracy, F1-score, recall, and precision ranging from 92 to 95%. AI-guided conditioning interventions were linked to improvements in physical performance metrics that were tracked. Python 3.10.1 was used to carry out the investigations, allowing for dynamic training plan modification, progressive overload, appropriate recovery, and reduced injury risk.

The proposed DPB-Res-Bi-LSTM framework shows potential as a predictive and decision-support tool for coaches, trainers, and sports medicine professionals, supporting personalized training strategies to enhance performance and reduce injury risk in youth basketball.

Élaborer et évaluer un cadre assisté par IA, intégrant l’apprentissage profond pour prédire le risque de blessure et adapter la condition physique chez les jeunes joueurs de basketball.

Des données biométriques, des dossiers d’accidents passés et des indicateurs de performance en entraînement ont été recueillis auprès de jeunes basketteurs lors de plusieurs séances. L’étape de prétraitement des données incluait un nettoyage et une normalisation par Z -score, avec l’analyse en composantes principales (ACP) employée pour l’extraction des caractéristiques. Un réseau de mémoire bidirectionnelle à long terme et court terme résiduelle mutée du scarabée dynamique Pity a prédit des motifs temporels et spatiaux associés à un risque accru de blessure. Avant et après, les interventions de conditionnement guidées par l’IA et des tests T appariés ont été utilisés pour évaluer les indicateurs de performance clés tels que la hauteur de saut, la vitesse de sprint, l’agilité et l’endurance. La performance du modèle a été évaluée par rapport à des architectures de référence multimodales.

Le modèle DPB-Res-Bi-LSTM a démontré une performance prédictive élevée, avec des taux de précision, F1-score, rappel et précision variant entre 92 et 95 %. Des interventions de conditionnement guidées par l’IA ont été associées à des améliorations dans les indicateurs de performance physique surveillés. Les expériences ont été réalisées en utilisant Python 3.10.1, ce qui permet d’ajuster dynamiquement les programmes d’entraînement, de favoriser la surcharge progressive, d’assurer une récupération adéquate et de réduire le risque de blessure.

Le cadre DPB-Res-Bi-LSTM proposé a un potentiel en tant qu’outil prédictif et d’aide à la décision pour les entraîneurs, les formateurs et les professionnels de la médecine sportive, soutenant des stratégies d’entraînement personnalisées pour améliorer la performance et diminuer le risque de blessure dans le basketball chez les jeunes.