Dissertação - Predição de lesões em cross training : um estudo comparativo com algoritmos de aprendizado de máquina

Autor: Joao Mateus Daltro de Athayde (Currículo Lattes)

Resumo

A prática de esportes envolve riscos, especialmente em modalidades intensas como o cross training. Essa prática combina exercícios de alta intensidade com movimentos funcionais e, embora proporcione condicionamento físico, também pode levar a lesões quando realizada de forma inadequada. A análise de dados esportivos com técnicas de Aprendizado de Máquina (AM) tem se mostrado promissora na minimização desses riscos, permitindo identificar padrões e sugerir ajustes no treinamento. Diante desse cenário, este trabalho tem como objetivo desenvolver e validar modelos de AM para a predição de risco de lesões em praticantes de cross training, com foco na comparação de diferentes algoritmos. O estudo partiu de uma base de dados composta por 673 amostras, provenientes de uma pesquisa anterior sobre lesões no treinamento funcional de alta intensidade. Foram testados alguns algoritmos supervisionados, incluindo Random Forest, Support Vector Machine, C4.5, entre outros. A avaliação dos modelos foi realizada com base em métricas como acurácia, precision, recall, F1-Score, área sob a curva ROC (AUC) e significância estatística. Embora os modelos não tenham apresentado desempenho expressivo em termos de acurácia geral, o algoritmo C4.5 destacou-se por alcançar os melhores resultados relativos e por sua interpretabilidade, o que motivou sua escolha para a etapa de validação. Para isso, foi desenvolvido um aplicativo WEB interativo, no qual os usuários preenchem um formulário com informações pessoais e de treino, recebendo como resposta a probabilidade de ocorrência de lesão. O sistema permitiu a avaliação das predições em confronto com os relatos reais. Apesar das limitações, como a amostra reduzida na validação e a natureza autodeclarada dos dados, os resultados indicam que modelos de AM possuem potencial para serem utilizados como ferramentas complementares em estratégias preventivas de lesões. Mesmo com desempenho modesto, o modelo demonstrou capacidade de classificar casos com razoável sensibilidade e utilidade prática para acompanhamento de risco. O estudo também aborda aspectos éticos importantes no uso de modelos preditivos, reforçando a necessidade de transparência, consentimento e uso responsável dos dados. Para trabalhos futuros, sugere-se ampliar a base de dados e incluir variáveis relacionadas a fatores externos, como sono e nutrição. Essa ampliação pode contribuir para modelos mais robustos e com maior aplicabilidade no contexto esportivo.

TEXTO COMPLETO

Palavras-chave: Engenharia de computaçãoAprendizado computacionalPrediçãoLesõesCross trainingAlgoritmos