Earticle

초록

영어

Recently, research on predicting sports injuries using machine learning has been actively conducted, but most of them focus on predicting the severity of long-term injuries or comparing differences in predictive models according to the timing of information acquisition. The purpose of this study is to develop a CatBoost-based long-term injury prediction model using injury data of European professional soccer players, and to compare and analyze the performance of a prognostic prediction model using post-injury information and an early prediction model that can be used immediately after injury. For the study, 15,603 European professional football player injury data collected from 2020 to 2025 were used. Long-term injuries were defined as cases where the number of days of absence was more than 28 days, and two predictive models were constructed using the CatBoost algorithm. Model performance was evaluated using Accuracy, Precision, Recall, F1-score, and ROC-AUC, and the influence of major predictors was analyzed through SHAP (Shapley Additive Explanations) analysis. As a result of the study, the prognostic prediction model showed very good predictive performance as it recorded Accuracy 90.0%, F1-score 86.4%, and ROC-AUC 96.4%. The early prediction model was shown to be Accuracy 68.4%, F1-score 64.0%, and ROC-AUC 76.8%, and the performance was slightly lower than that of the prognostic prediction model, but the possibility of it as a predictive model that can be used immediately after the actual injury occurred was confirmed. In addition, in the results of variable importance and SHAP analysis, Games missed and Injury were found to be key variables that determine long-term injury, and in the early prediction model, the Injury variable was identified as the most important explanatory variable. This study is differentiated from previous studies in that it simultaneously compared and analyzed prognosis and early prediction models for predicting long-term injuries. These results can be used to establish rehabilitation plans for sports medical staff and coaching staff, to determine when to return to players, and to support data-based decision-making.

한국어

최근 기계학습을 활용한 스포츠 부상 예측 연구가 활발히 이루어지고 있으나, 대부분 부상 발생 여부 예측에 초점을 두고 있으며 장기부상 심각도를 예측하거나 정보 획득 시점에 따른 예측모델의 차이를 비교한 연구는 상대적으로 부족하다. 본 연구의 목적은 유럽 프로축구 선수들의 부상 데이터를 활용하여 CatBoost 기반 장기부상 예측모델을 개발하고, 부상 이후 정보를 활용한 예후예측 모델과 부상 발생 직후 활용 가능한 조기예측 모델의 성능을 비교 및 분석하는 것이다. 연구를 위해 2020년부터 2025년까지 수집된 유럽 프로축구 선수 부상 데이터 15,603건을 활용하였다. 장기부상은 결장일수(Days)가 28일 이상인 경우로 정의하였으며, CatBoost 알고리즘을 이용하여 두 가지 예측 모델을 구축하였다. 모델 성능은 Accuracy, Precision, Recall, F1-score 및 ROC-AUC를 이용하여 평가하였으며, SHAP(Shapley Additive Explanations) 분석을 통해 주요 예측요인의 영향력을 해석하였다. 연구 결과를 보면, 예후 예측 모델은 Accuracy 90.0%, F1-score 86.4%, ROC-AUC 96.4%를 기록하여 매우 우수한 예측 성능을 보였다. 조기예측 모델은 Accuracy 68.4%, F1-score 64.0%, ROC-AUC 76.8%로 나타나 예후예측 모델보다 성능은 다소 낮았으나, 실제 부상 발생 직후 활용 가능한 예측모델로서 가능성을 확인하였다. 또한 변수 중요도와 SHAP 분석 결과에서는 Games missed와 Injury가 장기부상 여부를 결정하는 핵심 변수로 나타났으며, 특히 조기예측 모델에서는 Injury 변수가 가장 중요한 설명변수로 확인되었다. 본 연구는 장기부상 예측을 위해 예후예측과 조기예측 모델을 동시에 비교 및 분석하였다는 점에서 기존 연구와 차별화 된다. 이러한 연구 결과는 스포츠 의료진과 코칭스태프의 재활 계획 수립, 선수 복귀 시점 결정 및 데이터 기반 의사결정 지원에 활용될 수 있을 것이다.

저자

• 심갑식 [ Sim Gabsig ]

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  The Journal of the Convergence on Culture Technology (JCCT) [문화기술의 융합]

• 간기

  격월간

• pISSN

  2384-0358

• eISSN

  2384-0366

• 수록기간

  2015~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 600 DDC 700