Петрова Виктория Викторовна, канд. мед. наук
Москва
Victoria V. Petrova, Cand. Sci. (Med.)
Moscow
Введение. Прогностическое моделирование в здравоохранении — новая развивающаяся отрасль научного знания, находящаяся на стыке информационных технологий и медицины. Для спортивной медицины наличие точного прогноза параметров физической работоспособности в ответ на изменяющиеся условия внешней среды сложно переоценить, а для спортсмена подобная информация даст необходимое конкурентное преимущество при проведении ответственных соревнований.
Цель. Разработка методов и подходов к анализу клинических данных углубленного медицинского обследования (УМО) спортсменов.
Материалы и методы. Проведен анализ обезличенных медицинских данных результатов УМО для 6222 спортсменов высокого класса (3792 мужчины и 2430 женщин) (средний возраст 23,3 ± 5,1 года). Данные были распределены по полу и в соответствии с группами видов спорта: циклические виды спорта (1376 спортсменов, из них 861 мужчина и 515 женщин); сложнокоординационные виды спорта (1342 спортсмена, из них 761 мужчина и 581 женщина); игровые виды спорта (1618 спортсменов, из них 980 мужчин и 638 женщин) и спортивные единоборства (1886 спортсменов, из них 1190 мужчин и 696 женщин). Анализу подверглись как клинические данные по наличию (отсутствию) нозологических единиц, выявленных в ходе осмотров врачами-специалистами, так и физиологические показатели нагрузочного тестирования на велоэргометре. Статистический анализ проведен с использованием программы StatTech v. 4.6.0 (разработчик — ООО «Статтех», Россия).
Результаты. В результате на основе метода регрессионного анализа были построены достоверные (p < 0,001) прогностические модели группы параметров физической работоспособности, которые выявили наличие более 40 связей с клиническими диагнозами врачей-специалистов. Больше всего взаимосвязей было зафиксировано между группой показателей физической работоспособности и проставленными диагнозами стоматолога. Дальнейшая работа будет направлена на разработку математической модели прогнозирования снижения результативности у спортсменов спорта высших достижений, основанной на анализе рисков развития заболеваний.
Выводы. Разработанные и примененные подходы к анализу клинических данных углубленного медицинского обследования спортсменов высокого класса позволили, применяя метод линейной регрессии, создать эффективные прогностические математические модели параметров физической работоспособности с учетом наличия/отсутствия выявленного диагноза. Предложенные модели обеспечивают комплексную оценку функционального состояния спортсменов, что способствует более точному прогнозированию уровня физической работоспособности и позволяет оптимизировать профессиональную деятельность, минимизируя риски перетренированности и травматизма.
Introduction. Predictive modeling in healthcare is a rapidly evolving field of scientific knowledge at the intersection of information technology and medicine. In sports medicine, the importance of accurate forecasting of physical performance parameters in response to changing environmental conditions cannot be overstated. For athletes, such information provides a crucial competitive advantage before major competitions.
Objective. Development of methods and approaches to analyze clinical data obtained through comprehensive medical examinations of athletes.
Materials and methods. An analysis of anonymized medical data from comprehensive medical examinations was conducted for 6222 world-class athletes (3792 males and 2430 females) with a mean age of 23.3 ± 5.1 years. The data were stratified by sex and according to sports categories: cyclic sports (1376 athletes, including 861 males and 515 females); complex coordination sports (1342 athletes, including 761 males and 581 females); team sports (1618 athletes, including 980 males and 638 females); and combat sports (1886 athletes, including 1190 males and 696 females). The analysis included both clinical data on the presence (or absence) of pathological conditions identified during specialist medical examinations and physiological parameters from bicycle ergometer stress testing. Statistical analysis was performed using the Stat-Tech v. 4.6.0 software (StatTech, Russia).
Results. Using regression analysis, statistically significant (p < 0.001) predictive models for a set of physical performance parameters were developed, which revealed over 40 associations with clinical diagnoses made by medical specialists. The strongest correlations were observed between physical performance indicators and dental diagnoses. Future research will focus on creating a mathematical model to predict performance decline in world-class athletes, based on an analysis of disease development risk factors.
Conclusions. The developed and implemented approaches for analyzing clinical data from comprehensive medical examinations of world-class athletes enabled the creation of effective predictive mathematical models of physical performance parameters using linear regression methodology, while accounting for the presence/absence of identified diagnoses. The proposed models provide a comprehensive assessment of athletes’ functional status, thus allowing accurate prediction of physical performance levels and optimization of professional training by minimizing risks of overtraining and sports-related injuries.
The authors declare that there are no conflicts of interest present.