Разработка прогностических математических моделей параметров физической работоспособности в спорте и спортивной медицине

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.

1. Бадтиева ВА, Шарыкин АС, Павлов ВА. Спортивная кардиология. Руководство для кардиологов, педиатров, врачей функциональной диагностики и спортивной медицины, тренеров. М.: ИКАР, 2017.

2. Мазитова ГИ. Роль исследования гемодинамических характеристик покоя в прогнозе физической работоспособности. Теория и Практика Физической Культуры. 2008;1:83–5. EDN: NBMIJL

3. Петрова ВВ, Киш АА, Брагин МА. Прогноз физической работоспособности по показателям комплексной оценки состояния спортсменов. Медицинская Наука и Образование Урала. 2019;1(97):155–9. EDN: ZDRHUT

4. Петрова ВВ, Назарян СЕ, Киш АА, Орлова НЗ, Прудников ИА. Анализ существующих методов оценки психологического состояния спортсмена для выявления наиболее информативных показателей, влияющих на его результативность. Вестник Неврологии, Психиатрии и Нейрохирургии. 2017;9:43–56.

5. Rojas-Valverde D, Gómez-Ruano MA, Ibañez SJ, Nikolaidis PT. Editorial: New technologies and statistical models applied to sports and exercise science research: methodological, technical and practical considerations. Frontiers in Sports and Active Living. 2023;5:1267548. https://doi.org/10.3389/fspor.2023.1267548

6. Wang Z, Zhang Q, Lan K, Yang Z, Gao X, Wu A, et al. Enhancing instantaneous oxygen uptake estimation by non-linear model using cardio-pulmonary physiological and motion signals. Frontiers in Physiology. 2022;13:1–14. https://doi.org/10.3389/fphys.2022.897412

7. Бахмейер М, Смоленский АВ, Митюшкина ОА. Профессиональные риски в спорте высших достижений. Вестник Новых Медицинских Технологий. Электронное издание. 2015;3:9. EDN: UJXHPZ

8. Праскурничий ЕА, Юстова ВД. Методология оценки сердечно-сосудистого риска у летного состава гражданской авиации. Авиакосмическая и Экологическая Медицина. 2020;54(5):50–6 EDN: CHLUFU

9. Heazlewood T. Prediction versus reality: the use of mathematical models topredict elite performance in swimming and athletics at the Olympic games. Journal of Sports Science and Medicine. 2006;5(4):480–7.

10. Blythe DAJ, Király FJ. Prediction and Quantification of Individual Athletic Performance of Runners. PLOS ONE. 2016;11(6):e0157257. https://doi.org/10.1371/journal.pone.0157257

11. Brown AW, Kaiser KA, Allison DB. Issues with data and analyses: errors, underlying themes, and potential solutions. Proceedings of the National Academy of Science of the USA. 2018;115(11):2563–70. https://doi.org/10.1073/pnas.1708279115

12. Le Hyaric A, Aftalion A, Hanley B Modelling the optimization of world-class 400 m and 1,500 m running performances using high-resolution data. Frontiers in Sports and Active Living. 2024;6:1293145. https://doi.org/10.3389/fspor.2024.1293145

13. Фудин НА, Хадарцев АА. Медико-биологическое обеспечение физической культуры и спорта высших достижений. Вестник Новых Медицинских Технологий. 2010;1:149–50. EDN: NWGJLN

14. Carey DL, Ong K, Whiteley R, Crossley KM, Crow J, Morris ME. Predictive modelling of training loads and injury in Australian football. International Journal of Computer Science in Sport. 2018;17(1):49–66. https://doi.org/10.2478/ijcss-2018-0002

15. Khan NJ, Ahamad G, Naseem M, Sohail SS. Computational efficiency in sports talent identification — systematic review. International Journal of Applied Decision Sciences. 2023;16(3):358–84. https://doi.org/10.1504/IJADS.2023.130600