Bilim adamları, sporla ilgili sarsıntılardan iyileşme süresini tahmin etmek için yapay zeka geliştirdi.
Kafa yaralanmasından sonra bir sporcunun spora ne zaman dönebileceğine karar vermek, sporla ilgili sarsıntıların tedavisini yönetmeyi çok karmaşık hale getirir. Bilim adamları, baş ağrısı, baş dönmesi ve yorgunluk gibi semptomlara dayalı olarak sporla ilgili sarsıntılardan iyileşme süresini nasıl tahmin edeceklerini makinelere öğretiyorlar. Çalışmalarının sonuçları, klinisyenlerin yaralı sporcular için kişiselleştirilmiş tedavi geliştirmelerine yardımcı olacak bir karar destek sisteminin temeli olarak kullanılabilir.
Sporda kafa sarsıntıları yaygınlığı iyi bilinmektedir. Aynı zamanda, klinisyenlerin ve diğerlerinin, bir sporcunun kafa travması sonrasında oyuna ne zaman dönebileceğine karar vermeleri gerektiğinde cevap bulmak çok zordur. Çoğu sporcu yaklaşık 7 ila 10 gün içinde sporla ilgili bir sarsıntıdan kurtulurken, bazılarının daha fazla zamana ihtiyacı vardır. Bu durum sporla ilgili sarsıntıların tedavisini yönetmeyi çok karmaşık hale getirmektedir.
Florida Atlantic University Mühendislik ve Bilgisayar Bilimleri Fakültesi’nden araştırmacılar ve Boca Raton’daki SIVOTEC Analytics ve ortak çalışanlar yeni bir çözüm buldular. Baş ağrısı, baş dönmesi ve yorgunluk gibi semptomlara dayanarak sporla ilgili sarsıntılardan iyileşme süresinin nasıl tahmin edileceğini makinelere öğretiyorlar. Amerikan Spor Hekimliği Koleji’nin Spor ve Egzersizde Tıp ve Bilim dergisinde yayınlanan çalışmaları, klinisyenlerin yaralı sporcular için kişiselleştirilmiş tedavi geliştirmelerine yardımcı olacak bir karar destek sisteminin temeli olarak kullanılabilir. Bu araştırma ayrıca, ekip tarafından çeşitli beyin sağlığı sorunlarının teşhis edilmesine, izlenmesine ve tedavisine yardımcı olacak makine öğrenme modelleri geliştirmek için devam eden daha büyük bir çabanın bir parçası olacak.
Araştırmacılar, lise öğrencisi sporculara yönelik bir yaralanma gözetim programı olan Ulusal Atletik Tedavi, Sakatlık ve Sonuçlar Ağı’ndan (NATION) verileri kullanarak, 22 sporda 2.004 sarsıntı olayı ile ilgili verileri inceleyerek yaralanmaların nerede gerçekleştiğini incelediler. Sarsıntıların yarısından fazlasının Amerikan futbolunda gerçekleştiğini buldular. Bu bilgilerle, güreş, çim hokeyi ve erkek ve kız çocuklarının basketbol, Amerikan futbolu içeren diğer temas sporlarının yanı sıra futbolda sarsıntılı yaralanmaların yeni bir veri kümesini oluşturdular. Bu yeni veri seti 922 futbol sarsıntısı ve diğer temas sporlarından 689 sarsıntıyı içeriyordu ve tüm temas sporlarından toplam 1.611 sarsıntı olayı vardı. Tüm temaslı sporların veri seti için, sporla ilgili sarsıntı olayı başına bildirilen toplam semptom sayısı sıfır ile 17 arasında değişmekte olup, öğrenci sporcuların yüzde 55’i beş veya daha fazla semptom bildirmiştir.
Araştırmacılar, sarsıntı ile ilişkili semptomların iyileşme süresini 7, 14 ve 28 gün içinde tahmin etmek için, gözetim altında makine öğrenimine dayalı bir modelleme yaklaşımı uyguladılar. Futbolda ve diğer temas sporlarında bu lise öğrencisi sporcularının maruz kaldığı üç yıllık sarsıntıları temsil eden veri kümesini kullanarak, tahmin modellerinin oluşturulmasında 10 sınıflandırma algoritmasının etkinliğini incelediler.
Sporla ilgili en yaygın bildirilen sarsıntı semptomunun baş ağrısı (yüzde 94,9), ardından baş dönmesi (yüzde 74,3) ve daha sonra konsantre olma zorluğu (yüzde 61,1) olduğunu gösteren veri seti, semptom bazlı tahmin modellerinde pratik klinik değer gösterdi. Sporla ilgili sarsıntı iyileşme süresinin tahmin edilmesi, sarsıntı vaka yönetimi ve hasta bakımında sağlık hizmeti sağlayıcıları için özellikle değerli olabilir. Klinik karar desteğinin ötesinde, bu anlayış akademik konaklama ve ekip ihtiyaçlarının planlanmasına da yardımcı olabilir.
FAU Mühendislik ve Bilgisayar Bilimleri Fakültesi dekanı Stella Batalama, “Spor sarsıntısı epidemiyolojisine yönelik denetimli makine öğreniminin bu yeni uygulaması, klinik olarak karmaşık bir durumu yönetme yaklaşımını ilerletmede önemli bir adımdır.” Dedi. “Denetimli makine öğrenimi, sarsıntı semptomlarının iyileşmesini ve aynı zamanda sarsıntıları yönetmede sayısız diğer yönleri tahmin etmek için karmaşık inter-bağımlı klinik belirleyiciler dizisine anlamlı kalıpları ve potansiyel olarak eşsiz hayati bilgileri daha etkin bir şekilde ortaya çıkarma potansiyeline sahiptir.”
