Sistemi basati su modelli per squadre di calcio professionistiche, finalizzati all'ottimizzazione della salute e delle prestazioni (AIPROFB)

1. Introduzione L'approccio di questo progetto nasce dalla preoccupazione di utilizzare i sistemi di intelligenza artificiale e l'apprendimento automatico negli sport professionistici come assistenza per l'ottimizzazione della salute e delle prestazioni nei calciatori professionisti. Nello sport professionistico sono richiesti sforzi fisici, biologici e fisiologici crescenti e servono strumenti di aiuto.

A questo proposito, è stata sollevata la proposta di diverse pubblicazioni all'interno del progetto:

1. Rilevamento dell'inversione dell'onda T con l'apprendimento automatico per prevenire la morte improvvisa nei calciatori professionisti.

   I giocatori vengono sottoposti a vari test di screening pre-gara per valutare il loro stato di salute, nello specifico uno di questi è un elettrocardiogramma a 12 derivazioni a riposo. Sulla base dei risultati della forma d'onda in questo test complementare, è possibile classificare il rischio di un atleta professionista e la necessità di ulteriori test complementari (Drezner et al., 2017). La nostra proposta è di rianalizzare questi test e sottoporli a un modello matematico di apprendimento automatico in grado di rilevare le inversioni dell'onda T in tali derivazioni e presentare i risultati e le raccomandazioni in conformità con i criteri internazionali per lo studio elettrocardiografico negli atleti.

2. Machine learning applicato ai parametri biologici per il controllo e la consulenza nei calciatori professionisti.

   Durante la stagione vengono eseguite analisi di routine per controllare i parametri biochimici relativi alla salute e alle prestazioni che fluttuano o cambiano durante la stagione: vitamina D, vitamina B12, vitamina B9, ferritina, ecc. (Galan et al., 2012). Tali dati saranno sottoposti a una procedura di apprendimento automatico in grado di notificarci alterazioni nel pattern abituale dei giocatori e che possono causare alterazioni delle prestazioni, generando anche patologie.

3. Machine learning applicato ai sistemi di geolocalizzazione sportiva per la prevenzione degli infortuni nei calciatori professionisti.

I dati ottenuti durante le sessioni di allenamento e le partite riguardanti dati fisici come durata, distanza, distanza alle diverse velocità, densità di allenamento, ecc. Che sono forniti dai sistemi di geolocalizzazione sportiva, sono di grande importanza quando si studia il profilo dello sforzo e delle prestazioni di ciascun giocatore. Ottenendo il profilo prestazionale del giocatore standardizzato in base alla giornata di allenamento, possiamo rilevare situazioni avverse come: sovrallenamento o mancanza di condizione fisica. Possono essere progettati sistemi di avviso e allarme finalizzati alla prevenzione degli infortuni. (Rossi, Pappalardo, Marcello, Javier, & May, 2017).

2. Descrizione Gli studi saranno attuati implementando sistemi di intelligenza artificiale e machine learning sui dati fisici, biologici e fisiologici raccolti durante l'attività sportiva e sanitaria di routine dei calciatori professionisti negli anni 2019-20 e 2020-21, 2021-22 , stagioni 2022-23 e 2023-24.

2.1 Obiettivi generali

• Valutare l'installazione di sistemi di intelligenza artificiale come l'apprendimento automatico per ottenere modelli e risultati nell'interpretazione dei parametri fisici, biomedici e fisiologici dei giocatori.

• Sviluppare sistemi di consulenza/pubblicità nel settore della salute e delle prestazioni basati sui profili.

  3. Applicazione pratica Il progetto ha un grande potenziale di applicabilità pratica e potrebbe generare un cambio di paradigma, poiché si basa sulla generazione di modelli matematici e/o di programmazione che aiuteranno nei controlli sanitari e nei controlli del carico sportivo applicati ai calciatori professionisti . Un aspetto degno di nota è il possibile miglioramento nel calcolo dei pesi probabilistici dei fattori di rischio sulla salute e sulla performance.