Ezt az oldalt automatikusan lefordították, és a fordítás pontossága nem garantált. Kérjük, olvassa el a angol verzió forrásszöveghez.

Machine Learning-Guided Training for Elite Athletes (MLGT) (MLGT)

2026. június 27. frissítette: Dr. Arefayne Mesfen Dessye, Debre Berhan University

A Machine Learning-Guided Training Approach to Reduce Injuries and Enhance Performance in Elite Athletes: A Prospective Cohort Evaluation

Plaintext The purpose of this study is to evaluate whether a personalized training protocol driven by machine learning can successfully reduce time-loss sports injuries and enhance athletic performance in elite athletes.

During a 9-month competitive sports season, a group of elite athletes was divided into two training

A tanulmány áttekintése

Állapot

Befejezve

Körülmények

Beavatkozás / kezelés

Részletes leírás

This study evaluated the efficacy of an adaptive, machine learning-driven training protocol compared to traditional athletic preparation over a full 9-month competitive sports season. The primary objective was to determine if a dynamic, technology-led approach to training load management could minimize time-loss injuries while concurrently optimizing athletic performance markers.

Participants were elite athletes randomly allocated into two parallel groups:

  1. The Experimental Group, which underwent training regimens dynamically adjusted using a machine learning algorithm that analyzed individual biomechanical data and historical workload parameters to optimize training volume and intensity.
  2. The Control Group, which followed standard, predetermined high-performance athletic training protocols typical for competitive season preparation.

Throughout the 9-month intervention period, daily tracking was maintained by technical and coaching staff. Data collection focused on the incidence, severity, and duration of all time-loss sports injuries. Concurrently, sport-specific performance parameters were periodically assessed to evaluate physical conditioning and competitive readiness. Statistical analyses were subsequently conducted to compare cumulative injury rates, total days lost to injury, and net performance adaptations between the two cohorts.

Tanulmány típusa

Beavatkozó

Beiratkozás (Tényleges)

120

Fázis

  • Nem alkalmazható

Kapcsolatok és helyek

Ez a rész a vizsgálatot végzők elérhetőségeit, valamint a vizsgálat lefolytatásának helyére vonatkozó információkat tartalmazza.

Tanulmányi helyek

  • Etiópia
    • Shewa
      • Debre Berhan, Shewa, Etiópia, 445
        • Dr. Arefayne
      • Debre Berhan, Shewa, Etiópia, 445
        • M Dessye

Részvételi kritériumok

A kutatók olyan embereket keresnek, akik megfelelnek egy bizonyos leírásnak, az úgynevezett jogosultsági kritériumoknak. Néhány példa ezekre a kritériumokra a személy általános egészségi állapota vagy a korábbi kezelések.

Jogosultsági kritériumok

Tanulmányozható életkorok

  • Felnőtt

Egészséges önkénteseket fogad

Igen

Leírás

Inclusion Criteria:

  1. Must be a competitive, elite-level or sub-elite track and field athlete specializing in short-to-mid distance running events.
  2. Aged between 18 and 35 years old.
  3. Actively participating in structured athletic training programs for at least 2 years prior to enrollment.
  4. Free from any acute musculoskeletal injuries or medical conditions that prevent full participation in high-intensity training protocols.
  5. Capable and willing to provide written informed consent to participate in the study.

Exclusion Criteria: 1. Current or recent (within the past 3 months) major lower-limb injury or surgery that restricts maximal sprint or aerobic performance.

2. Concurrent use of performance-enhancing drugs or medications that influence metabolic or cardiovascular responses.

3. Inability to maintain consistent participation in the designated training protocols due to scheduling conflicts or travel.

4. Any underlying cardiovascular, respiratory, or systemic condition that creates a health risk during exhaustive exercise testing.

Tanulási terv

Ez a rész a vizsgálati terv részleteit tartalmazza, beleértve a vizsgálat megtervezését és a vizsgálat mérését.

Hogyan készül a tanulmány?

Tervezési részletek

  • Elsődleges cél: Megelőzés
  • Kiosztás: Véletlenszerűsített
  • Beavatkozó modell: Párhuzamos hozzárendelés
  • Maszkolás: Nincs (Open Label)

Fegyverek és beavatkozások

Résztvevő csoport / kar
Beavatkozás / kezelés
Aktív összehasonlító: Control Cohort
Elite adolescent sprinters who followed standard, predetermined high-performance athletic training protocols typical for competitive season preparation. This group received structured training volume and intensity matching standard athletic coaching guidelines, without any machine learning interventions or adaptive workload adjustments.
Viselkedési: Adaptive Machine Learning Workload Optimization
A personalized, data-driven training intervention where athletic workloads are dynamically adjusted based on predictive modeling. The protocol continuously tracks individual physiological markers, biomechanical data, and workload history to optimize training volume and intensity. This adaptive approach aims to maximize performance gains while minimizing the risk of overtraining and injury during the competitive season.
Kísérleti: Algorithmic Cohort
Elite adolescent sprinters who received a personalized training protocol dynamically optimized by a machine learning algorithm. The framework evaluated individual biomechanical variables, morning heart rate variability (HRV), sleep quality, and physiological fatigue metrics to adjust training volume and intensity.
Viselkedési: Adaptive Machine Learning Workload Optimization
A personalized, data-driven training intervention where athletic workloads are dynamically adjusted based on predictive modeling. The protocol continuously tracks individual physiological markers, biomechanical data, and workload history to optimize training volume and intensity. This adaptive approach aims to maximize performance gains while minimizing the risk of overtraining and injury during the competitive season.

Mit mér a tanulmány?

Elsődleges eredményintézkedések

Eredménymérő
Intézkedés leírása
Időkeret
Changes in Sprint Performance Time
Időkeret: 12 weeks
Sprint performance will be assessed using electronic timing gates to record running times over a specific distance from a stationary start. Lower times indicate improved sprint performance. Measurements will be taken at baseline and at the conclusion of the training intervention period to evaluate the impact of the workload protocols.
12 weeks

Együttműködők és nyomozók

Itt találhatja meg a tanulmányban érintett személyeket és szervezeteket.

Szponzor

Debre Berhan University

Nyomozók

  • Kutatásvezető: Dr. Arefayne M Dessye, PhD, Debre Berhan Univeristy

Tanulmányi rekorddátumok

Ezek a dátumok nyomon követik a ClinicalTrials.gov webhelyre benyújtott vizsgálati rekordok és összefoglaló eredmények benyújtásának folyamatát. A vizsgálati feljegyzéseket és a jelentett eredményeket a Nemzeti Orvostudományi Könyvtár (NLM) felülvizsgálja, hogy megbizonyosodjon arról, hogy megfelelnek-e az adott minőség-ellenőrzési szabványoknak, mielőtt közzéteszik őket a nyilvános weboldalon.

Tanulmány főbb dátumok

Tanulmány kezdete (Tényleges)

2023. január 1.

Elsődleges befejezés (Tényleges)

2023. szeptember 30.

A tanulmány befejezése (Tényleges)

2023. szeptember 30.

Tanulmányi regisztráció dátumai

Először benyújtva

2026. június 27.

Először nyújtották be, amely megfelel a minőségbiztosítási kritériumoknak

2026. június 27.

Első közzététel (Tényleges)

2026. július 6.

Tanulmányi rekordok frissítései

Utolsó frissítés közzétéve (Tényleges)

2026. július 6.

Az utolsó frissítés elküldve, amely megfelel a minőségbiztosítási kritériumoknak

2026. június 27.

Utolsó ellenőrzés

2026. június 1.

Több információ

A tanulmányhoz kapcsolódó kifejezések

Kulcsszavak

További vonatkozó MeSH feltételek

Egyéb vizsgálati azonosító számok

  • DBU-SS-2023-008
  • IRB#DBU-SS-2023-008 (Registry Identifier: ClinicalTrials.gov)

Terv az egyéni résztvevői adatokhoz (IPD)

Tervezi megosztani az egyéni résztvevői adatokat (IPD)?

NEM

IPD terv leírása

Individual participant data (IPD) will not be shared publicly to maintain the confidentiality of the elite athletes involved and to protect proprietary training protocols. Aggregated study results and statistical analyses will be available through academic publication.

Gyógyszer- és eszközinformációk, tanulmányi dokumentumok

Egy amerikai FDA által szabályozott gyógyszerkészítményt tanulmányoz

Nem

Egy amerikai FDA által szabályozott eszközterméket tanulmányoz

Nem

Ezt az információt közvetlenül a clinicaltrials.gov webhelyről szereztük be, változtatás nélkül. Ha bármilyen kérése van vizsgálati adatainak módosítására, eltávolítására vagy frissítésére, kérjük, írjon a következő címre: register@clinicaltrials.gov. Amint a változás bevezetésre kerül a clinicaltrials.gov oldalon, ez a webhelyünkön is automatikusan frissül. .

Klinikai vizsgálatok a Sportos sérülések

Keressen hasonló próbaverziókban

Szponzorok és közreműködők

Egészségi állapot

Kábítószer-beavatkozások

CROs by country

CROs in Mexico

Körülmények

Ritka betegségek

Kábítószer-beavatkozások

Táplálék-kiegészítők

Szponzor / közreműködők

Helyek

3
Iratkozz fel