Afin de mieux prévenir les blessures en sport, les mesures de prévention offrent aujourd’hui de nouveaux outils, comme le machine learning, pour accéder à une estimation du risque de blessures. Cet article s’attache à estimer le risque de blessures de 110 athlètes pratiquant des sports impliquant des répétitions de sprints (rugby à 7, athlétisme, bobsleigh). Les facteurs de risque mesurés quotidiennement (données d’entrées du modèle) étaient les perceptions des états physiques et psychologiques des athlètes, autorapportés chaque matin et chaque soir dans une application dédiée. Les données de sortie correspondaient aux blessures recensées par les athlètes. Un modèle de Decision Tree a été entraîné et optimisé pour réaliser la prédiction de la survenue d’une blessure en fonction des facteurs mesurés. Les performances du modèle ont été évaluées sur un nouveau jeu de données qui permettait d’atteindre les scores de performance suivants (accuracy=0,91 [0,02] ; précision=0,15 [0,04] ; recall=0,18 [0,05] ; spécificité=0,95 [0,02] ; ROC AUC=0,56 [0,02]). L’estimation du risque de blessures est rendue particulièrement difficile, notamment en raison du déséquilibre entre le nombre de blessures et le nombre d’observations. L’interprétation du modèle de prédiction montrait que les facteurs les plus influents étaient les facteurs physiques et les émotions positives.

In order to better prevent injuries in sport, prevention measures now offer new tools such as machine learning to access an estimation of the injury risk. This article attempts to estimate the injury risk of 110 athletes practicing sports involving repeated sprints (rugby at 7, athletics, bobsleigh). The risk factors measured daily (input data of the model) were the perceptions of the physical and psychological states of the athletes, self-reported each morning and evening in a dedicated application. The output data corresponded to the injuries identified by the athletes. A Decision Tree model was trained and optimized to predict the occurrence of an injury based on the measured factors. Model performance was evaluated on a new dataset that achieved the following performance scores (accuracy=0.91 [0.02]; precision=0.15 [0.04]; recall=0.18 [0.05]; specificity=0.95 [0.02]; ROC AUC=0.56 [0.02]). Estimating the risk of injury is made particularly difficult, especially because of the imbalance between the number of injuries and the number of observations. The interpretation of the prediction model showed that the most influential factors were physical factors and positive emotions.