De balans tussen de belastbaarheid van sporters en de belasting moeten zo goed mogelijk afgestemd zijn om optimale trainingseffecten te realizeren. Er wordt onderscheid gemaakt tussen externe en interne trainingsbelasting, wat duidt op de belasting die extern of intern door de sporter wordt ervaren. Het sturen en bewaken van de balans wordt bij professionele sporters doorgaans verzorgd door (para)medische professionals en/of sportwetenschappers. Doordat er tegenwoordig vele manieren van test- en meettechnologie zijn om o.a. interne en externe belasting te meten is er een grote hoeveelheid aan data beschikbaar in de praktijk, waarvan het verwerken en analyseren arbeidsintensief is. Daarom is er vanuit de praktijk de behoefte om deze data snel inzichtelijk te maken. Vanuit het project is daarom een belastingsmonitor ontwikkeld o.b.v. big data technologieën. Het doel van dit rapport is een praktijkvalidatie van de belastingmonitor. Hierbij wordt enerzijds gekeken naar de verzamelde data door de praktijkpartners en anderzijds wordt onderzocht of veranderingen in ratio's tussen interne:externe belasting een valide manier is om veranderingen in fysieke fitheid te meten?Data door de praktijkpartners zijn op diverse manieren en voor diverse variabelen verzameld. De variabelen zijn onder te delen in de kopjes: (I) individuele kenmerken, (II) externe belasting, (III) interne belasting, (IV) herstel en (V) psychosociale stress. Doordat de diverse sportclubs variabelen verzamelen die zij van belang achten is het niet mogelijk geweest om 1 database op te stellen welke alle variabelen bevat. Hierin zou immers duidelijk moeten zijn wat per variabelen de definitie is, welke per sportclub kan verschillen. Voor toekomstige projecten is het wenselijk om hier uniformiteit in aan te brengen voor aanvang van het project. Dit zal eenvoudiger zijn naarmate ruwe data beschikbaar is, omdat het onwaarschijnlijk is dat de sportclubs hun definities aanpassen. De gebruikte meetinstrumenten en -methodes zijn voor het overgrote deel overeenkomstig uit de wetenschappelijke literatuur en tevens overeenkomstig met de wetenschappelijke standaard. Kanttekening is dat er voor dit rapport geen zicht is op de daadwerkelijke uitvoering van de betreffende metingen.De vraag of de veranderingen in ratio's tussen interne:externe belasting een valide manier is om veranderingen in fysieke fitheid te meten is beantwoord door gebruik te maken van een dataset van 1 voetbalclub (van 3 teams) over 2 seizoenen. Er gekeken of veranderingen in ratio's opgesteld uit diverse maten voor interne belasting (ervaren mate van inspanning en load) en externe belasting (totaal gelopen afstand en totaal gelopen afstand op hoge snelheid) met diverse tijdsintervallen een relatie vertoonden met veranderingen in fysieke fitheid, gemeten met gestandaardiseerde submaximale inspanningstesten. Uit de resultaten bleek dat er geen relatie is gevonden tussen vooraf genoemde variabelen. Er blijken diverse obstakels te zijn waardoor de verandering in ratio’s mogelijk niet correleren met de verandering in interne belasting tijdens fysieke testen. De belastingsmonitor kan dus niet gebruikt worden om fysieke fitheid van sporters inzichtelijk te maken wanneer gekeken wordt naar de opgestelde ratio’s tussen interne en externe belasting. Fysieke testen blijven hiervoor nog steeds noodzakelijk, omdat deze het beste beeld geven van de huidige fysieke fitheid van de sporters. De belastingsmonitor is daarom, voor nu, alleen geschikt voor het afzonderlijk inzichtelijk maken van de diverse variabelen uit de dataset.
Bij overtraindheid is er sprake van een disbalans tussen fysieke en psychosociale stress en het herstel op deze vlakken. De belangrijkste symptomen zijn een afname van het prestatieniveau en een uitgesproken vermoeidheid. Een diagnostische test om overtraindheid aan te tonen dan wel uit te sluiten is tot op heden nog niet voorhanden. Daarom is het belangrijk om ander onderliggend somatisch lijden uit te sluiten. Wel lijken er intra-individuele verschillen te zijn in scores op vragenlijsten zoals de Ervaren Mate van Herstel (EMH) en de Ervaren Mate van Inspanning (EMI). Deze scores kunnen in de huisartspraktijk inzicht verschaffen in het herstel en de trainingsbelasting van de atleet en kunnen ondersteuning geven bij het verantwoord en gedoseerd opbouwen van sportieve activiteiten.
Artrose is in Nederland de snelst groeiende chronische aandoening, waarbij de knie het meest vaak is aangedaan. Mensen met knieartrose ervaren forse beperkingen in het dagelijks functioneren. Mensen met knieartrose ervaren soms pijn en stijfheid in het kniegewricht als gevolg van herhaalde lokale overbelasting van de aangedane regio in de knie. De geadviseerde fysiotherapeutische behandeling voor knieartrose bestaat uit informeren, leefstijladviezen en oefentherapie, waarin het aanleren van een minder belastend looppatroon een rol speelt. Binnen de behandeling zijn therapietrouw en zelfmanagement, zoals bij elke chronische aandoening, zeer belangrijk en wordt veelal gevraagd dat men in de thuisomgeving oefentherapie uitvoert. Uit diverse studies blijkt dat therapietrouw veelal laag is bij deze groep. Dat beïnvloedt de behandeluitkomsten negatief, gezien de effectiviteit van fysiotherapeutische zorg is voor een groot deel afhankelijk van de mate van therapietrouw. Om de behandeluitkomsten te verbeteren is het belangrijk om therapietrouw en zelfmanagement te vergroten en patiënten thuis aan de slag gaan met beweegadviezen. Daarbij kan real-time feedback op het looppatroon, in de relevante context, in het dagelijks leven, patiënten helpen om hun looppatroon aan te passen. Daarmee zou behandeling van artrose-gerelateerde klachten in potentie effectiever en efficiënter ingericht kunnen worden. Binnen dit KIEM voorstel verkennen we als eerste welke gebruikerseisen en -wensen er bestaan ten aanzien van real-time feedback op het looppatroon, en onderzoeken we of het haalbaar is om met behulp van het dragen van een sensor om gunstige, en ongunstige looppatronen van elkaar te onderscheiden.
Blessures zijn één van de grootste problemen in de paralympische sport. Niet alleen is het aantal blessures hoog, maar ook de impact in het dagelijks leven is groot. In gesprekken met de beroepspraktijk (sporters, coaches, Embedded Scientist) komt de urgentie van dit probleem met name naar voren bij rolstoelsporters. In dit geval kan een blessure namelijk een acute bedreiging vormen voor de zelfredzaamheid, omdat zij in het dagelijks leven ook afhankelijk zijn van de rolstoel. Helaas is het voorkomen van blessures op dit moment moeilijk door de verscheidenheid aan blessures en onduidelijkheid over wat de oorzaken van deze blessures zijn. Hierbij speelt de complexiteit van het probleem een grote rol omdat allerlei factoren belangrijk kunnen zijn, zoals onder andere de belasting in het dagelijks leven, mentale aspecten en de slaapkwaliteit van de atleten. In dit project willen we de eerste stappen zetten om te achterhalen wat de risicofactoren zijn voor het oplopen van een overbelastingsblessure in rolstoelsporten. Om dit bereiken stellen we een integrale en data gedreven aanpak voor, waar Artificiële Intelligentie en Data Science een essentiële rol spelen. Op deze manier willen we de invloed van alle aspecten tegelijk bekijken en ook de mogelijke wisselwerkingen tussen de potentiële risicofactoren. In samenwerking met praktijkpartners, kennisinstellingen en bedrijven willen we verkennen wat noodzakelijk is voor onze integrale aanpak van blessurepreventie in rolstoelsporten. De opbrengst van dit project is een ingediende vervolgaanvraag met een goed afgebakende onderzoeksvraag en een sterk consortium. Ook zal een data-infrastructuur worden ontwikkeld, die gebruiksvriendelijk is voor de rolstoelsporter en de data gedreven aanpak naar blessurepreventie mogelijk maakt.
De maatschappelijke discussies over de invloed van AI op ons leven tieren welig. De terugkerende vraag is of AI-toepassingen – en dan vooral recommendersystemen – een dreiging of een redding zijn. De impact van het kiezen van een film voor vanavond, met behulp van Netflix' recommendersysteem, is nog beperkt. De impact van datingsites, navigatiesystemen en sociale media – allemaal systemen die met algoritmes informatie filteren of keuzes aanraden – is al groter. De impact van recommendersystemen in bijvoorbeeld de zorg, bij werving en selectie, fraudedetectie, en beoordelingen van hypotheekaanvragen is enorm, zowel op individueel als op maatschappelijk niveau. Het is daarom urgent dat juist recommendersystemen volgens de waarden van Responsible AI ontworpen worden: veilig, eerlijk, betrouwbaar, inclusief, transparant en controleerbaar.Om op een goede manier Responsible AI te ontwerpen moeten technische, contextuele én interactievraagstukken worden opgelost. Op het technische en maatschappelijke niveau is al veel vooruitgang geboekt, respectievelijk door onderzoek naar algoritmen die waarden als inclusiviteit in hun berekening meenemen, en door de ontwikkeling van wettelijke kaders. Over implementatie op interactieniveau bestaat daarentegen nog weinig concrete kennis. Bekend is dat gebruikers die interactiemogelijkheden hebben om een algoritme bij te sturen of aan te vullen, meer transparantie en betrouwbaarheid ervaren. Echter, slecht ontworpen interactiemogelijkheden, of een mismatch tussen interactie en context kosten juist tijd, veroorzaken mentale overbelasting, frustratie, en een gevoel van incompetentie. Ze verhullen eerder dan dat ze tot transparantie leiden.Het ontbreekt ontwerpers van interfaces (UX/UI designers) aan systematische concrete kennis over deze interactiemogelijkheden, hun toepasbaarheid, en de ethische grenzen. Dat beperkt hun mogelijkheid om op interactieniveau aan Responsible AI bij te dragen. Ze willen daarom graag een pattern library van interactiemogelijkheden, geannoteerd met onderzoek over de werking en inzetbaarheid. Dit bestaat nu niet en met dit project willen we een substantiële bijdrage leveren aan de ontwikkeling ervan.
