InleidingBlessures zijn een groot probleem voor hardlopers. Zo raakt jaarlijks 64% van de midden-lange afstandslopers, 32% van de lange afstandslopers en 52% van de marathonlopers geblesseerd (1). Blessures veroorzaken niet alleen persoonlijk leed, maar hierdoor kunnen hardlopers ook niet (goed) trainen om hun prestatiedoel te bereiken. Daarom is het van groot belang om te bepalen wat de risicofactoren zijn om een blessure te krijgen. Een van de risicofactoren waar sporters en coaches zelf invloed op hebben is de trainingsbelasting (2). Daarom is in deze studie onderzocht of er patronen zijn in de trainingsbelasting die voorafgaan aan een blessure. Daarnaast is uitgezocht in hoeverre de blessures te voorspellen zijn op basis van deze patronen. MethodeDe trainingsbelasting en blessures van 23 hardlopers is twee jaar lang bijgehouden. Deze gegevens zijn met verschillende datamining technieken onderzocht om patronen te herkennen. Er is gekozen om dagelijkse acute trainingsbelasting (over 7 dagen) te delen door dagelijkse chronische trainingsbelasting (over 28 dagen), genaamd acute:chronic ratio (2). Dit is per hardloper over 720 dagen bepaald. Daarbij is specifiek gekeken naar het patroon van verandering in acute:chronic ratio over vier weken voorafgaand aan elke blessure. ResultatenDe resultaten laten zien dat de hardlopers twee weken voorafgaand aan een blessure hun acute:chronic ratio met gemiddeld 11,5% verhoogden ten opzichte van de twee weken daarvoor. Met deze verhoging van 11,5% is het relatieve risico op een blessure significant verhoogd met 9,4. De sensitiviteit van voorspellingen is 0,51 en de specificiteit is 0,94.DiscussieDit betekent dat een toename van 11,5% of meer in trainingsbelasting gedurende twee weken een verhoogde kans geeft op blessures bij hardlopers. Ondanks het verhoogde risico is de voorspelling van een blessure nog niet goed mogelijk met alleen trainingsgegevens. Toch kunnen hardlopers het risico op blessures misschien verkleinen door individueel goed te kijken naar verhogingen in trainingsbelasting.(1) Kluitenberg B et al. (2015) What are the Differences in Injury Proportions Between Different Populations of Runners? A Systematic Review and Meta-Analysis. Sport Med. 45(8):1143–61.(2) Gabbett, TJ. (2016) The training-injury prevention paradox: should athletes be training smarter and harder?. Br J Sports Med, bjsports-2015.
De daadwerkelijke trainingsbelasting van een sporter komt vaak niet overeen met de door de coach beoogde trainingsbelasting. Bekende oorzaken zijn een verkeerde inschatting van de belastbaarheid van de sporter en moeite met het gebruik van de RPE schaal. Op basis van recent onderzoek wordt het belang van een goede instructie bij het gebruik van de RPE schaal benadrukt.
LINK
In het RAAK-project, genaamd Groningen MAPS, is er veel data en kennis vergaard van waaruit antwoorden zijn geformuleerd op verschillende vragen rondom belasting en belastbaarheid van (top)sporters. Het onderzoek naar de factoren die invloed hebben op de prestaties en het blessurerisico van sporters heeft opgeleverd dat we nu meer inzicht hebben in de informatie die nodig is om gericht te zoeken naar verbanden tussen belasting en belastbaarheid. We hebben echter nog niet gekeken naar de data vanuit een datamining perspectief. Datamining is het gericht zoeken naar verbanden in een database met als doel het opstellen van profielen. Deze profielen kunnen nieuwe inzichten geven waardoor sporters van nog betere feedback voorzien kunnen worden. Het doel van het Top-up project is om kennis te ontwikkelen over het automatiseren van de verwerking en analyse van datastromen. Dit zal leiden tot een datasysteem wat automatisch analyses uitvoert achter de schermen. Met dit datasysteem kan de Groningen MAPS-data verder geanalyseerd worden (door middel van datamining) om nieuw inzicht te verkrijgen op het gebied van patronen in belasting en belastbaarheid van (top)sporters.
Er ontstaan in Nederland veel blessures als gevolg van overbelasting in alle lagen van de sport. Hoe kunnen deze blessures worden voorkomen? Insteek van dit project is het gebruik van (sensor)technologie en big data analyse voor het vroegtijdig detecteren van signalen van overbelasting en daarmee het voorkomen van blessures. Een grote hoeveelheid technologie wordt momenteel al gebruikt voor het meten aan sporters (quantified self). Professionele sportclubs investeren in dure systemen. Diepte-interviews tonen echter aan dat er twee grote problemen zijn: ten eerste de grote hoeveelheid data en ten tweede de kennis voor een juiste interpretatie van de data benodigd voor een omzetting naar een trainingsadvies. Computermodellen opgebouwd uit systematische data-analyse van de enorme hoeveelheden trainingsdata en aangevuld met domeinkennis kunnen deze problemen oplossen. Er is behoefte aan een systeem waarin informatie uit verschillende bronnen in één systeem wordt opgeslagen en toegankelijk gemaakt om vervolgens geïntegreerd geanalyseerd te kunnen worden. Individuele profielen moeten gebouwd worden uit de data voor een snelle, automatische interpretatie. Hiermee kan grensbewaking voor overbelasting plaatsvinden en kunnen trainingsaanpassingen gedaan worden waar nodig. Vanuit deze behoefte richt het project zich op de praktijkvraag “Hoe kunnen we een praktisch toepasbaar gereedschap ontwikkelen dat valide de externe en interne trainingsbelasting kan meten, de (para)medische staf en/of fysiek trainer helpt bij het detecteren van (potentiële) overbelasting en daarmee helpt bij het plegen van de juiste interventies voor het voorkomen van blessures?”. Het principe van een dergelijke ‘belastingmonitor’ is al aangetoond. Voor een volwaardig prototype zal echter zowel het computermodel als de gebruikersapplicatie technisch gezien moeten worden doorontwikkeld, geoptimaliseerd, uitgebreid en vooral getest. Daar richten de onderzoeksvragen van dit project zich op. De focus ligt in eerste instantie op het (betaalde) voetbal, maar kan ook naar andere teamsporten en de breedtesport vertaald worden.
Trainers van sporttalenten hebben een complexe taak. Sporttalenten moeten vaak hard trainen om de volgende stap te maken in hun sportcarrière of om de aansluiting bij de top te halen. Complexe taken waarmee de trainer te maken krijgt zijn onder andere: het vinden van juiste balans tussen techniek, tactiek, mentale en andere trainbare factoren; grenzen aan fysieke en mentale vermogen van sporters; pieken in groei, lichamelijk en mentaal bij jeugdigen; trainingsbelasting in relatie tot (individuele) belastbaarheid; afstemmingsproblemen tussen studie, sport en privéleven. Het risico van een disbalans tussen belasting en belastbaarheid is continu aanwezig met alle negatieve gevolgen van dien. Hierbij valt te denken aan sportblessures of het niet optimaal presteren als gevolg van over- of ondertraining. Om goede sturing te kunnen geven aan dit proces, monitoren veel trainers de individuele belasting en belastbaarheid van hun sporters. Echter ontbreekt het hen aan de kennis, knowhow en tijd om de verzamelde data te verwerken, interpreteren en om te zetten naar trainingsaanpassingen daar waar nodig. Deze praktijkvraag van de trainer is vertaald naar de volgende onderzoeksvraag die centraal staat in het huidige project:Hoe kunnen trainers beter toegerust worden om een optimale balans tussen individuele belasting en belastbaarheid van sporttalenten te realiseren met gebruikmaking van feedback van trainingsdata en trainingssturing.In dit project gaan we mede op basis van input van trainers een scholing ontwikkelen ter bevordering van trainingssturing. Parallel hieraan wordt een feedback dashboard ontwikkeld (Coach in Control dashboard) die data van individuele sporter geautomatiseerd en betekenisvol rapporteert, visualiseert en beschikbaar maakt voor trainers. Dit gebeurt in de context van de cyclische sporten hardlopen, roeien en schaatsen plus shorttrack in het bijzonder. Trainer worden betrokken actief betrokken bij de ontwikkeling en het testen van prototypes van de scholing (blended) en het feedback dashboard.
