Comparação de modelos estatísticos para prever o risco de lesões de membros inferiores em jogadores de futebol

• Ano de defesa: 2025
• Autor(a) principal: Pennone, Juliana
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Carga de treinamento; Football; Futebol; GPS; Injury Prediction; Machine Learning; Previsão de lesões; Training Load
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/5/5160/tde-21102025-152332/

A incidência crescente de lesões musculares indiretas em membros inferiores representa um desafio para o futebol profissional, impactando o desempenho das equipes e gerando altos custos financeiros. Essa tese comparou a efetividade de algoritmos de aprendizado de máquina (ML) e teoria dos valores extremos (TVE), na predição do risco de lesão em jogadores de futebol profissional. O Estudo 1 analisou dados coletados nas pré-temporadas de 2022 e 2023 do Guarani Futebol Clube, incluindo idade, composição corporal e componentes da capacidade física (força, velocidade, agilidade e resistência aeróbia). A amostra incluiu 35 jogadores profissionais (média ± DP; 28,36 ± 4,02 anos; 178,92 ± 7,14 cm; 79,34 ± 6,98 kg). Embora não tenham sido encontradas diferenças estatisticamente significantes entre jogadores lesionados e não lesionados, os modelos de ML demonstraram potencial para identificar padrões de risco. O modelo de Suport Vector Machine (SVM) obteve a melhor performance (acurácia: 73,68%; precisão: 83,33%), destacando-se na identificação de jogadores sob maior risco, mas apresentou um recall de 66,7%, classificando incorretamente alguns jogadores lesionados como sem risco. O Estudo 2 utilizou dados de GPS coletados em treinos e jogos das mesmas temporadas para avaliar a carga de treinamento e o planejamento técnico. A amostra incluiu 86 jogadores (26,9 ± 4,3 anos; 177,5 ± 10,9 cm; 76,1 ± 10,9 kg). A razão aguda-crônica de carga foi comparada entre jogadores lesionados e não lesionados em dois períodos (quatro e uma semana antes da lesão), mas não apresentou diferença significativa (p > 0,05), reforçando o ceticismo sobre sua aplicabilidade. A inclusão de variáveis relacionadas ao planejamento técnico também não melhorou a performance dos modelos de ML, enquanto métricas tradicionais derivadas do GPS, como carga externa de treino, acelerações e sprints, permaneceram os preditores mais relevantes. Modelos como Regressão Logística, Naïve Bayes e SVM alcançaram acurácia em torno de 60% e precisão de 50%. Porém, o overfitting permaneceu um desafio: o modelo XGBoost obteve 80% de acurácia, mas análises detalhadas revelaram que capturava mais ruído do que padrões reais de risco de lesão, destacando a necessidade de validar os modelos além das métricas de desempenho. Além disso, a TVE foi aplicada para verificar se lesões poderiam ser associadas a valores extremos de composição corporal ou desempenho físico. No entanto, os resultados mostraram que essa abordagem não foi eficaz na predição de risco de lesão, pois os valores extremos não refletiam padrões compatíveis com a realidade de atletas profissionais. Os achados desta tese reforçam o potencial da inteligência artificial como ferramenta de suporte à tomada de decisão na prevenção de lesões no futebol. No entanto, a interpretação clínica e a aplicabilidade prática desses modelos ainda representam desafios. A elevada taxa de falsos negativos e a inconsistência de alguns parâmetros analisados destacam a necessidade de abordagens mais abrangentes, integrando múltiplas variáveis e ampliando o tamanho das amostras. O estudo contribui para a evolução das estratégias de monitoramento de risco de lesão no esporte de alto rendimento, enfatizando a importância de modelos mais robustos e aplicáveis à realidade do futebol profissional.