精确运动医学：用机器学习预测青少年20米往返跑测试成绩的不利状况和发展

candysmile

目的：评估使用机器学习（随机森林（RF）分类器）预测青少年20米往返跑测试（20MSRT）中个体不利未来状态和发展的能力。

方法：数据来自一项为期2年的观察研究（2013-2015年，12.4±1.3年，n=633，50%的女孩），包括48项基线特征（问卷：人口统计、生理、心理、社会和生活方式因素）、客观测量（人体测量、健身特征、体育活动、身体成分和学业成绩），用于预测：（任务1）不利的未来 20MSRT状态（确定2年后处于最低20MSRT三分位数的个体），和（任务2）不利的20MSRT发展（确定基线20MSRT低于中值水平的青少年中，20MSRT发展水平最低的个体）。

结果：在女孩和男孩中，未来20MSRT状态（任务1）的预测性能（受试者操作特征曲线下面积，AUC）分别为83%和76%，敏感性分别为80%和60%，特异性分别为78%和79%。20个变量显示了男孩的预测能力，14个变量显示了女孩的预测能力，包括健康特征、体育活动、学业成绩、肥胖、生活享受、父母支持、学校社会地位和健康感知。对未来发展的预测表现（任务2）较低，仅在女孩中与随机水平存在统计学差异（AUC 68%，女孩和男孩分别为40%）。

结论：RF分类器预测了20MSRT未来的不利状态，并根据整体概况（14-20个基线特征）确定了潜在的干预个体。采用本研究的RF分类器的MATLAB脚本和函数可用于未来精确运动医学研究。

参考文献：Joensuu L ,  Rautiainen I ,  Yrm S , et al. Precision exercise medicine: predicting unfavourable status and development in the 20-m shuttle run test performance in adolescence with machine learning[J]. BMJ Open Sport & Exercise Medicine, 2021, 7(2):e001053.