Prédire les blessures musculaires dans le football professionnel

Comparer différentes approches statistiques pour prédire le risque de blessure musculaire des membres inférieurs chez les footballeurs professionnels. 

Population : 26 études cumulant 3418 joueurs professionnels
Intervention : Modèle statistique pour prédire les blessures musculaires du membre inférieur 
Comparateur :  Non applicable 
Outcomes : Blessure musculaire (oui/non) et facteurs de risques associés 
Timing : d’une demie à 6 saisons suivant les études 
Design : Revue systématique 

Mesure de performance des modèles : aire sous la courbe (area under the curve, AUC) estimant le rapport entre sensibilité et spécificité. Une valeur égale à 1 signifie un taux de prédiction parfait (100%) tandis que 0,5 correspond au hasard (50% de prédictions réussies). 

• Aucun indicateur isolé ne permet de prédire les blessures du membre inférieur, justifiant l’usage de modèles complexes. Ces modèles révèlent l’importance de nombreux facteurs de risques dans la prédiction des blessures pouvant être catégorisés selon 5 domaines : Individuels & démographiques, Fonction musculaire & biomécanique, Charge d’entraînement, Psycho-physiologiques, Biologiques & historiques (Tableau 1). 
• Les performances des modèles en termes de prédiction vont de faibles (AUC=0,45) à bonnes (AUC=0,84). Ces différences s’expliquent par 1) le type de blessure à prédire, 2) la nature et la qualité des mesures et, 3) la famille de modèle statistique utilisé. 
• Les meilleures performances ont été observées dans la prédiction des blessures aux ischios-jambiers par une approche d’apprentissage machine (machine learning) par arbre de décision utilisant des mesures provenant de 4 domaines de facteurs de risques (Individuels & démographiques, Fonction musculaire & biomécanique, Psycho-physiologiques, Biologiques & historiques).