EUVIMEDEUVIMED entdecken
Systematische ÜbersichtOpen Access · CC BY 4.0

Machine Learning Applications in Non-Contact Lower Limb Sports Injury Prediction: A Systematic Review

Anwendungen von Machine Learning zur Vorhersage nicht kontaktbedingter Sportverletzungen der unteren Extremität: systematische Übersicht

Jin Yuan, Quanwen Zeng, Anjie Wang, Yong Zhang, Jun Li

Journal of Sports Science and Medicine · 01.03.2026 · 172-194

DOI: 10.52082/jssm.2026.172 ↗

Auf einen Blick

Die Übersichtsarbeit fasste Studien zu ML-Modellen zur Vorhersage nicht kontaktbedingter Verletzungen der unteren Extremität zusammen. Tree-basierte Verfahren zeigten in 6 Studien die stärkste Vorhersageleistung.

Fragestellung

Wie gut sagen Machine-Learning-Modelle nicht kontaktbedingte Sportverletzungen der unteren Extremität voraus?

Methode

Systematische Übersicht nach PRISMA 2020; Suche in Web of Science, PubMed und SPORTDiscus bis 20. Januar 2025; Biasbewertung mit PROBAST.

Ergebnisse

15 Studien wurden eingeschlossen. AUC wurde in 14 Studien berichtet; das höchste Ergebnis zeigte ein CHAID-Entscheidungsbaum mit AUC 0,91. Sensitivität erreichte in 8 Studien bis 0,92.

Einschränkungen

Die praktische Aussagekraft hängt von Balance zwischen Genauigkeit, Transparenz und Zuverlässigkeit ab; eine breite prospektive Validierung fehlt laut Autor:innen.

Schlussfolgerung der Autor:innen

ML zeigt beträchtliches Potenzial zur Vorhersage nicht kontaktbedingter Verletzungen der unteren Extremität, die praktische Nutzung erfordert aber ein Gleichgewicht aus Genauigkeit, Transparenz und Zuverlässigkeit.

Kernaussagen

  • 15 Studien zur ML-Vorhersage nicht kontaktbedingter Verletzungen der unteren Extremität
  • Höchste AUC: 0,91 mit einem CHAID-Entscheidungsbaum
  • Interpretierbarkeit wurde in 87 % der eingeschlossenen Studien adressiert

Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.

Kurz gefasst

Systematische Übersicht in der Zeitschrift Journal of Sports Science and Medicine, online erschienen am 01.03.2026. Verfasst von Jin Yuan und 4 weiteren Autor:innen. Beteiligte Einrichtung: School of Physical Education, Anhui Polytechnic University, Wuhu, 241000, Anhui, China. Hauptthemen laut MEDLINE: Athletic Injuries, Machine Learning, Lower Extremity. Die Arbeit wurde bisher 8-mal zitiert (Crossref) und nennt 69 Literaturangaben. Der Volltext ist frei zugänglich (Open Access, CC BY 4.0).

Auf einen BlickAbstractSchlagwörterBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Non-contact Lower limb sports injuries represent some of the most prevalent and impactful conditions within athletic populations, prompting increasing interest in predictive approaches that can inform prevention and rehabilitation strategies. With its capacity to manage high-dimensional and complex datasets, machine learning (ML) has emerged as a promising tool for injury risk prediction. This systematic review, conducted in accordance with PRISMA 2020 guidelines, synthesized evidence from studies retrieved through Web of Science, PubMed, and SPORTDiscus (EBSCO). The literature search was conducted on January 20, 2025. Following independent screening and risk of bias assessment using the PROBAST tool, 15 studies were included from an initial pool of 92. The majority of study populations comprised adult athletes, with basketball and football (soccer) being the most frequently investigated sports. Random Forest and logistic regression were the most commonly applied algorithms, while tree-based approaches yielded the strongest predictive performance in 6 studies. Across 14 studies, area under the curve (AUC) values were reported, with one CHAID-based decision tree achieving the highest performance (AUC = 0.91), and sensitivity values reaching up to 0.92 in eight studies. Importantly, model interpretability was addressed in 87% of included studies, underscoring its emerging importance for clinical translation. Overall, ML exhibits considerable potential in predicting non-contact lower-limb injuries, but its practical value depends on achieving a balance between accuracy, transparency, and reliability. Future research should emphasize the integration of multi-source data and large-scale prospective validation to advance the translation of ML models into precision injury prevention and rehabilitation practice.

Schlagwörter

MeSH-Schlagwörter (MEDLINE)

Athletic InjuriesMachine LearningLower ExtremityHumansRandom ForestRisk AssessmentPredictive Learning ModelsPrediction AlgorithmsClassification AlgorithmsLogistic ModelsDecision Trees

Stichwörter der Autor:innen

Predictive analyticspredictive modelsrehabilitationrisk assessmentrisk factorssports medicine

Autor:innen und Institutionen

  • School of Physical Education, Anhui Polytechnic University, Wuhu, 241000, Anhui, China.
  • School of Athletic Performance, Shanghai University of Sport, Shanghai, 200438, China.

Zitieren

APA

Yuan, J., Zeng, Q., Wang, A., Zhang, Y., & Li, J. (2026). Machine Learning Applications in Non-Contact Lower Limb Sports Injury Prediction: A Systematic Review. Journal of Sports Science and Medicine, 172-194. https://doi.org/10.52082/jssm.2026.172

Vancouver

Yuan J, Zeng Q, Wang A, Zhang Y, Li J. Machine Learning Applications in Non-Contact Lower Limb Sports Injury Prediction: A Systematic Review. Journal of Sports Science and Medicine. 2026:172-194. doi:10.52082/jssm.2026.172

BibTeX
@article{Yuan2026,
  author = {Yuan, Jin and Zeng, Quanwen and Wang, Anjie and Zhang, Yong and Li, Jun},
  title = {Machine Learning Applications in Non-Contact Lower Limb Sports Injury Prediction: A Systematic Review},
  journal = {Journal of Sports Science and Medicine},
  year = {2026},
  pages = {172--194},
  doi = {10.52082/jssm.2026.172}
}
Kostenlos starten →