Скачать статью в pdf-формате

Дата публикации: 01.06.2025
DOI: 10.24412/2588-0500-2025_09_02_33
УДК 61:796/799

ЭВОЛЮЦИЯ ПОДХОДОВ К РАЗРАБОТКЕ МОДЕЛЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ, ОЦЕНКИ И КОНТРОЛЯ ПАРАМЕТРОВ ФИЗИЧЕСКОЙ РАБОТОСПОСОБНОСТИ ПРОФЕССИОНАЛЬНЫХ СПОРТСМЕНОВ (ОБЗОР)

А.С. Самойлов, В.В. Петрова, П.А. Шулепов

Федеральное государственное бюджетное учреждение «Государственный научный центр Российской Федерации – Федеральный медицинский биофизический центр имени А.И. Бурназяна», г. Москва, Россия

Аннотация. Прогностические (в том числе риск-ориентированные) модели в спортивной науке могут включать в себя разнообразные подходы и методики, созданные для анализа клинических данных, их оценки с точки зрения спортивной и восстановительной медицины, контроля уровня физических нагрузок в течение тренировочного или восстановительного периодов, а также предсказания результатов, связанных с достижениями в спорте. Целью настоящего обзора является определение перспектив и возможностей существующих исследований и методов, используемых для оценки уровня спортивной готовности, прогнозирования и ранней профилактики травматизма профессиональных спортсменов для повышения качества принятия решений в спортивной медицине.

Ключевые слова: математическая модель, спорт высших достижений, физическая работоспособность, контроль уровня нагрузок, прогноз, риск-ориентированный подход.

APPROACHES OF MATHEMATICAL MODELS DEVELOPMENT FOR FORECASTING, ASSESSING AND MONITORING PHYSICAL PERFORMANCE OF ATHLETES (REVIEW)

A.S. Samojlov, V.V. Petrova, P.A. Shulepov

State Research Center – Burnasyan Federal Medical Biophysical Center of Federal Medical Biological Agency, Moscow, Russia

Abstract. Predictive (including risk-oriented) models in sports science may include a variety of approaches and methods developed for the analysis of clinical data, their assessment from the point of view of sports and rehabilitation medicine, monitoring the level of physical activity during training or recovery periods, as well as predicting sports results. The purpose of this review is to identify the prospects and capabilities of existing studies and methods used to assess the level of sports achievements, predict and early prevent injuries in professional athletes to improve the quality of decision-making in sports medicine.

Keywords: mathematical model, high-performance sports, physical performance, physical activity level control, forecast, risk-oriented approach.

Введение. Создание математических моделей для прогнозирования, оценки и контроля физиологических показателей профессиональных спортсменов имеет дол­гую историю, тесно связанную как с раз­витием спорта, так и с прогрессом в анали­тических методах.

В 1980-х годах спортивные физиологи и тренеры обратили внимание на значи­тельный прогресс в женских марафонских дистанциях по сравнению с мужскими, где результаты улучшались медленнее. В экс­пертном сообществе были выдвинуты две гипотезы: первая предполагала, что жен­щины могут превзойти мужчин в беге на длинные дистанции, например, в марафоне на 42,2 километра; вторая – что динамика спортивных достижений нелинейна. Однако последующие исследования показали, что такая экстраполяция данных и прогнозиро­вание могут быть ошибочными [1].

В настоящее время для анализа и прог­нозирования спортивной результативности используются достижения статистического моделирования, что трансформировало под­ходы и методологии исследований в этой области по всему миру. Исторически спор­тивная наука опиралась на традиционные статистические методы, но недавние инно­вации привнесли более сложные модели, такие как алгоритмы машинного обучения и иерархическое моделирование. Эти инструменты позволяют исследователям выявлять сложные взаимосвязи в медицинских и спортивных данных, способствуя более глу­бокому пониманию предикторов снижения работоспособности и оптимизации трениро­вочных стратегий [2, 3].

Научные исследования в этой области в основном были направлены на понимание индивидуальных и общих тенденций в дина­мике показателей общей и специфической физической работоспособности. Например, исследования беговой деятельности спорт­сменов проводились в трех направлениях: объяснение физиологических предпосылок достижения мировых рекордов, разработка систем подсчета и прогноза результатов забега, а также моделирование индивидуальных физиологических параметров орга­низма легкоатлета. Несмотря на эти работы, комплексная модель, которая могла бы охватить и сопоставить все эти аспекты, до недавнего времени оставалась недостижи­мой целью, что подчеркивает существенный пробел в исследовательской деятельности.

С другой стороны, интеграция и анализ больших объемов данных повышают точ­ность прогнозов результативности в спорте. Например, исследование, основанное на онлайн-базе данных о выступлениях бри­танских спортсменов с 1954 по 2013 год, позволило создать простую модель, охва­тывающую ключевые характеристики до­стигнутых результатов каждого спортсмена, сохраняя эмпирическую закономерность. Эта модель показала низкую среднюю оши­бку прогнозирования достижения опреде­ленного результата, что стало важным ша­гом к объединению понимания спортивных достижений через анализ данных [4].

Анализ исследований, посвященных разработке и применению прогностических математических моделей в спортивной медицине и спорте, опубликованных за последние 10 лет, показывает, что боль­шинство из них сосредоточены либо на прогнозе травматизма в различных видах спорта, либо на прогнозе достижения запланированного результата. Исследова­ния, направленные на поиск взаимосвязей между наличием (отсутствием) диагнозов у спортсменов высокого класса и их влиянием на снижение показателей физической рабо­тоспособности, не обнаружены.

С развитием исследований в области нейросетей и машинного обучения многие ученые, включая международные коллек­тивы, объединяют усилия для изучения взаимодействия физиологических и психо­логических факторов, влияющих на спор­тивные достижения. При этом целью явля­ется оптимизация тренировочных режимов посредством использования прогностичес­ких моделей, способных учитывать динами­ческую природу спортивных результатов и поиск их взаимосвязи с физиологическими процессами в организме спортсмена.

Методы и организация исследования. Исследование включало в себя анализ лите­ратурных источников по теме разработки и использования прогностических математи­ческих моделей в медицине, физиологии и спортивной медицине. Поиск источников включал в себя ключевые слова «математи­ческая модель», «спорт высших достиже­ний», «физиология», «физическая работо­способность» и проводился по электронным базам данных: реферативная база PubMed на сайте www.pubmed.com, фонды ЦНМБ ММА им. И.М. Сеченова на сайте www.scsml.rssi.ru, РГБ на сайте www.rsl.ru; www.medline.ru; www.elibrary.ru; сеть Интернет.

Результаты исследования и их обсуждение. Разновидности прогностичес­ких моделей. Прогностические (в том числе риск-ориентированные) модели в спортив­ной науке могут включать в себя разно­образные подходы и методы, созданные как для анализа клинических данных, так и для предсказания результатов, связанных с достижениями в спорте [5]. Эти модели могут быть классифицированы в зависи­мости от используемой методологии, типа данных или приложения в конкретных сферах спортивной деятельности.

Классификация прогностических моде­лей по используемой методологии. В основе прогностического моделирования лежит использование 2-х методологий: статисти­ческие алгоритмы и методы машинного обучения. Эти подходы применяются для выявления закономерностей, тенденций и взаимосвязей в обширных массивах данных, включающих текущую статистику спорт­сменов в конкретном соревновании, предыдущие результаты спортсмена или ис­следуемого вида спорта в целом, а также набор физиологических показателей, сня­тых единоразово или наблюдаемых в дина­мике. Используя эти методы, разрабатыва­ются предиктивные модели, способные выдвигать предположения относительно будущих результатов, будь то исход игр (в игровых видах спорта), достигаемый результат спортсмена (в индивидуальных видах спорта) и вероятность получения травмы того или иного спортсмена.

Алгоритмы статистического анализа яв­ляются уже классическими и давно исполь­зуются в спортивном анализе, включая та­кие методы, как регрессионный анализ и ана­лиз временных рядов. Модели на этой осно­ве оказываются весьма полезными для мони­торинга спортивных достижений конкрет­ных атлетов с течением времени, что позво­ляет выявлять тенденции, сигнализирующие о периодах повышенного риска получения травм или снижения их результативности.

Недавние успехи в области машинного обучения позволили расширить методоло­гические подходы, которые реализовались в таких методах как «дерево решений», «случайный лес» и «нейронные сети». Эти новые алгоритмы способны выявлять в данных сложные закономерности, которые ускользают при применении традиционных методов, что обеспечивает более точные прогнозы спортивных достижений и веро­ятности травм. Внедрение этих передовых моделей предоставляет спортивным специ­алистам возможность принимать решения, основанные на объективных данных, что может оказать положительное влияние на существующие тренировочные стратегии и скорректировать управление состоянием здоровья спортсменов [6].

Классификация прогностических моде­лей по предметной области. Существую­щие прогностические модели в профессио­нальном спорте (исключая тотализаторы и букмекеров) используются либо для прог­нозирования получения травм, либо для прогнозирования достигаемых спортивных результатов.

Модели прогнозирования травм кон­центрируются на анализе разнообразных источников данных, таких как показатели физической работоспособности спортсме­нов, их биомеханические параметры и данные о полученных ранее травмах, чтобы оценить и минимизировать риски. Изучая закономерности прошлых травм и связан­ные с ними факторы, эти модели способны предложить тренерам и спортивным врачам ценные рекомендации в целях охраны здоровья спортсменов.

Модели прогнозирования параметров физической работоспособности направлены на предсказание будущих достижений спортсмена, опираясь как на его текущие, так и на прошлые данные. Помимо прямых данных физической работоспособности они включают в себя анализ интенсивности тре­нировок и внешних факторов, таких как по­годные условия и ответные физиологичес­кие реакции спортсмена. Полученные прог­нозы способствуют созданию оптимальных тренировочных стратегий и постановке более реалистичных целей достигаемых параметров физической работоспособности как на тренировке, так и во время прове­дения ответственных соревнований [7].

Классификация моделей по разновид­ности входных данных. Эффективность прогностических моделей в значительной мере определяется качеством, полнотой и корректностью собранных данных. Данные, используемые в моделях, подразделяются по следующим типам:

  1. Показатели, оценивающие физичес­кую работоспособность спортсмена, вклю­чая показатели сердечно-сосудистой систе­мы, а также информацию об интенсивности, продолжительности и частоте тренировок [8].
  2. Биомеханические параметры фаз движения в упражнении спортсменов, вклю­чающие данные, полученные при фото- или видеозахвате в процессе тренировок и соревнований.
  3. Анамнез травм, охватывающий дан­ные о предыдущих травмах, включая сте­пень повреждения и сроки восстановления.

Используя разнообразные наборы данных и применяя различные методы прогностического моделирования, исследо­ватели могут значительно углубить свое понимание принципов спортивных достиже­ний, что, в свою очередь, способствует со­вершенствованию тренировочных методик и стратегий предотвращения травм [9, 10].

Параметры физической работоспособ­ности. Понимание ключевых параметров фи­зической работоспособности играет решаю­щее значение для раскрытия спортивного потенциала и увеличения вероятности достижения призового места на спортивных соревнованиях. К числу наиболее важных параметров относятся сила, мощность, ско­рость, ловкость и выносливость, каждый из которых вносит значительный вклад в ито­говые результаты выступлений спортсмена [11].

Сила является фундаментом спортив­ных достижений, лежа в основе любой атле­тической деятельности. Исследования пока­зывают, что в различных нагрузочных тес­тах как абсолютные показатели максималь­ной силы, так и относительные показатели силы в соотношении с массой тела имеют положительную корреляцию с результатами в беге и общей физической работоспособ­ностью [12, 13].

Силовые тренировки не только необхо­димы для повышения физической работо­способности, но также применяются в целях предотвращения травм и назначении про­грамм восстановления, что подчеркивает их значимость в спортивной подготовке.

Было доказано, что силовые тренировки с высокой нагрузкой и малым числом пов­торений в долгосрочной перспективе при­носят пользу в том числе и спортсменам циклических видов спорта, тренирующих выносливость, что свидетельствует о приме­нимости силовых упражнений в различных видах спорта [14].

Выносливость определяется способнос­тью организма поддерживать напряженную физическую активность на протяжении дли­тельных периодов. В первую очередь она оценивается через показатель максималь­ного потребления кислорода (МПК или VO2max), который отражает способность спортсмена к аэробным нагрузкам.

Высокие показатели VO2max в сочетании с минимальными затратами энергии, кото­рые можно рассчитать, используя формулы основного обмена, служат надежными предикторами успеха в видах спорта на выносливость, таких как бег на длинные дистанции [15].

Тренировочные программы, направлен­ные на повышение выносливости, как пра­вило, включают комбинацию аэробных нагрузок и специализированных силовых тренировок. Это способствует улучшению как общей, так и специфической работо­способности, необходимых для достижения высоких результатов.

Параметр «скорость» показывает быст­роту движения, необходимую спортсменам для достижения наилучших результатов в разнообразных спортивных дисциплинах. Ловкость, или способность мгновенно изме­нять направление движения, сохраняя при этом контроль, объединяет в себе скорость с равновесием и координацией, что делает ее критически важным элементом во многих видах спорта.

При полной оценке физической рабо­тоспособности тесты на скорость и ловкость являются обязательным компонентом, кото­рый позволяют выявить сильные и слабые стороны спортсмена, направляя разработку персонализированных трениро­вочных программ на совершенствование данных качеств.

Мощность, понимаемая как способ­ность вырабатывать максимальную силу в кратчайшие сроки, является еще одним клю­чевым показателем физической работоспо­собности. Она приобретает особое значение в спортивных дисциплинах, требующих кратковременных, но интенсивных выбро­сов энергии, таких как легкая атлетика или командные виды спорта, например, футбол и баскетбол [16].

Тренировки, направленные на развитие мощностных качеств спортсмена, с исполь­зованием таких методов, как взрывные и плиометрические упражнения, могут зна­чительно повысить работоспособность. Спортсмены могут увеличить свою мощ­ность, акцентируя внимание на скорости выполнения движений, а не только на сокращении мышц, что способствует более эффективному вовлечению быстро сокра­щающихся мышечных волокон [17].

Практическое применение прогности­ческих моделей. Развитие прогностических математических моделей значительно расширило горизонты возможностей для создания персонализированных трениро­вочных программ для спортсменов. Тра­диционные тренерские установки по типу «одна методика на всех» часто не удовлетворяли разнообразные потребности отдельных спортсменов, что вызвало рас­тущий спрос на более индивидуальные решения. Генеративно-состязательные сети (GAN) (алгоритмы машинного обучения без учителя) стали надежной основой для разработки контекстно-зависимых трениро­вочных программ. Они интегрируют коли­чественные физиологические параметры, такие как возраст и частота сердечных сокращений, с характеристиками и парамет­рами движений спортсмена, зафиксиро­ванных с помощью систем видеоанализа.

Такой подход не только позволяет создавать индивидуальные тренировочные планы по изучению правильных движений, но и обеспечивает дальнейшее их совер­шенствование через постоянный процесс повторений путем соревнования спортсмена с самим собой.

Инструменты и приложения на основе искусственного интеллекта произвели нас­тоящую революцию в сфере игровых видов спорта, предоставляя возможность трени­ровок с биологически обратной связью в реальном времени. Используя алгоритмы машинного обучения, эти инновационные инструменты на основе видеоанализа и носимых датчиков способны анализировать многомерные данные, включая физиоло­гические показатели, чтобы динамично корректировать тренировочную нагрузку прямо во время тренировки в соответствии с индивидуальными потребностями спорт­сменов. К примеру, такие тренировочные системы как Athletica и WIMU SVIVO предоставляют мгновенную обратную связь по результатам выступлений спортсмена, позволяя в реальном времени коррек­тировать интенсивность тренировок [18].

Такая возможность оперативных изме­нений имеет неоценимое значение для тренера при принятии решений касательно тренировочного процесса и спортивного врача при назначении поддерживающей терапии в целях снижения риска получения травм.

Тактика использования прогности­ческих моделей управления рисками получения травм нашла свое применение в космической и авиационной медицине, где помимо физиологических факторов, необ­ходимо учитывать риски отказа крити­ческого оборудования системы жизнеобес­печения полета [19-21].

В спорте подобная тактика наиболее применима в легкой атлетике, где травми­рование спортсмена чаще всего происходит не от случайных факторов, таких, например, как столкновение с другими спортсменами на игровом поле в игровых видах спорта, а в строгой зависимости от достигнутых пока­зателей физической работоспособности. Чем выше процент используемых резервов организма, тем выше вероятность получе­ния травмы. Используя передовые модели машинного обучения, такие как деревья решений и нейронные сети, исследователи могут оценивать вероятность травм с бес­прецедентной точностью [22].

Мониторинг разнообразных показате­лей, включая достигнутый уровень физичес­кой нагрузки, время дальнейшего восста­новления и затраченные в процессе реаби­литационно-восстановительного лечения энергетические траты спортсмена, позволя­ет выявлять закономерности и потенциаль­ные факторы риска. Общепопуляционные сведения о величинах основного обмена (ВОО), в зависимости от пола, возраста и массы тела приведены в методических рекомендациях «Нормы физиологических по­требностей в энергии и пищевых веществах для различных групп населения Российской Федерации, 2021 г.». Помимо того, что ВОО спортсменов отличается от общепопуляци­онных значений в сторону увеличения, в период острой травмы и начальных этапов медицинской реабилитации, ввиду вынуж­денной продолжительной гиподинамии эта величина может разительно снижаться, в то время как в период спортивной реабили­тации при повышенном объеме трениро­вочных нагрузок ВОО увеличивается, так как интенсивность обмена веществ при этом значительно повышается [23]. Эти риски могут быть устранены посредством целе­направленных вмешательств как тренера, так и спортивного врача. Таким образом, отслеживая изменения в основном обмене (например, с помощью методики непрямой калориметрии) и динамику морфофункцио­нальных показателей спортсмена (напри­мер, таких как индекс массы тела; окруж­ности плеча, бедра и голени; толщина жиро­вой складки на задней и внутренней поверх­ности плеча, бедра и голени, а также в области живота) возможно варьировать мышечную нагрузку, снижая вероятность развития соматических осложнений, локо­моторной перегрузки в процессе реабили­тационных мероприятий и возникновения риска повторного получения травмы.

Кроме того, алгоритмы искусственного интеллекта анализируют биомеханические данные для проактивного выявления потен­циальных травм, что способствует своевре­менному медицинскому вмешательству и предотвращению повреждений до их возникновения.

Внедрение прогностических моделей и инструментов искусственного интеллекта способствовало повышению вовлеченности спортсменов не только в достижение результата на ответственных соревно­ваниях, но и в тренировочный процесс, предоставляя им доступ к своим данным о достигнутых физиологических показателях и отчетах об их изменениях в динамике. Это чувство причастности добавляет элемент к мотивации и позволяет спортсменам сле­дить за улучшениями, осознавать свои сильные и слабые стороны и активно участвовать в тренировочном процессе наравне с тренером и спортивным врачом.

Практические примеры с участием элитных марафонцев и профессиональных футбольных команд наглядно демонстри­руют эффективность ИИ в оптимизации тре­нировочного процесса и снижении уровня травматизма посредством использования полученных аналитических данных [24].

Слабые стороны и ограничения про­гностических моделей. Разработка прогно­стических математических моделей для оценки параметров физической работоспо­собности спортсменов сопряжено с рядом значительных вызовов и ограничений.

Одним из главных препятствий являют­ся методологические трудности, связанные с применением новых технологий. Исследо­ватели должны тщательно планировать раз­мещение датчиков, чтобы обеспечить точ­ность и надежность измерений. Кроме того, объединение нескольких массивов данных в единую структуру порождает сложные задачи в их управлении и дальнейшей обработке, которые могут оказать влияние на итоговую интерпретацию результатов.

Дополнительные сложности вызывает достоверность и обоснованность получен­ных данных. Исследования свидетельст­вуют о том, что во многих опубликованных научных работах отсутствует скрупулезный анализ надежности, а значительная часть из них не предоставляет сведений о таких оценках. Этот недостаток вызывает озабо­ченность, поскольку такие факторы, как ошибки при ручном вводе данных и недо­статочная квалификация наблюдателей, могут негативно сказаться на надежности систем обозначений. В результате могут быть сделаны ошибочные выводы и при­няты некорректные решения относительно выбора тренировочных стратегий повы­шения физической работоспособности [25].

Другое существенное ограничение свя­зано с качеством данных, используемых в предиктивном моделировании. Данные низ­кого качества, в которых существуют неточ­ности, или в которых присутствует непол­нота и предвзятость, напрямую влияют на эффективность моделей искусственного ин­теллекта и машинного обучения. Неточные или неполные наборы данных могут при­вести к ошибочным прогнозам и решениям, что ставит под угрозу надежность модели и доверие заинтересованных сторон к ее вы­водам. Для обеспечения достоверных прог­ностических результатов необходимо при­менять эффективные методы оценки качест­ва данных, такие как анализ точности, полноты, согласованности и релевантности. Высококачественные данные играют важ­нейшую роль в выявлении закономерностей и составлении точных прогнозов, тогда как данные низкого качества могут снизить производительность модели и увеличить риск ошибок.

Для преодоления этих вызовов крайне важно наладить междисциплинарное сотруд­ничество между учеными-исследователями, специалистами по анализу данных и инже­нерами по искусственному интеллекту. Ус­пех такого сотрудничества зависит от чет­кой коммуникации и взаимного уважения методологий каждой из дисциплин. Иссле­дователи должны разбираться в основах искусственного интеллекта для корректной интерпретации результатов, тогда как инже­неры по искусственному интеллекту долж­ны учитывать особенности физиологичес­ких и спортивных данных. Неспособность создать надежные междисциплинарные структуры может привести к тому, что приложения искусственного интеллекта несмотря на их техническую надежность окажутся непрактичными или чрезмерно упрощенными для уникальных задач спорта высших достижений и спортивной меди­цины.

Заключение. Внедрение предиктивной аналитики и передовых технологий в спор­тивную сферу открывает путь к карди­нальным изменениям в оценке физической работоспособности спортсменов, их здоро­вья и предотвращения травматизма. С раз­витием технологий расширяются возмож­ности предиктивной аналитики, что позво­ляет глубже понимать как механику дости­жения высоких спортивных результатов, так и процессы поддержания оптимального состояния здоровья. Сочетание носимых технологий, машинного обучения и визу­ализации данных должно произвести нас­тоящую революцию в методах сбора и анализа данных в спорте.

Будущие достижения в области предик­тивного моделирования, вероятно, будут использовать алгоритмы машинного обу­чения для повышения точности прогнозов достигаемых параметров физической рабо­тоспособности и расчетов риска получения травм. Благодаря внедрению более широ­кого спектра источников данных, таких как биометрические датчики, видеосистемы отслеживания перемещений игроков и детализация условий окружающей среды, эти модели смогут предоставлять более комплексные рекомендации, которые будут учитывать всю сложность и специфичность конкретных видов спорта. Например, анализ данных, собираемых с носимых устройств в режиме реального времени, может помочь не только предсказывать возможные трав­мы, но и оптимизировать тренировочные нагрузки, предотвращая перегрузку и перенапряжение.

По мере того как объем генерируемых данных продолжает увеличиваться, эффек­тивные методы управления данными и их очистки будут приобретать все большее значение. Применение передовых методов очистки данных обеспечит построение пре­диктивных моделей на основе высокока­чественных наборов данных, что позволит минимизировать искажения и неточности. Разработка автоматизированных протоко­лов сбора данных и усовершенствованных процессов их маркировки еще больше укрепит надежность предиктивной анали­тики [26].

Роль инструментов визуализации дан­ных в спортивной аналитике невозможно переоценить. Будущие инновации в этой области упростят выявление закономернос­тей и тенденций в сложных наборах данных, что позволит тренерам и спортивным менед­жерам принимать взвешенные решения на основе всестороннего анализа.

Поскольку различные спортивные ко­манды и организации все активнее внедряют эти технологии, формирование культуры принятия решений на основе данных стано­вится важной тенденцией. Это включает в себя не только обучение персонала навыкам анализа данных, но и поощрение тесного сотрудничества между специалистами по сбору данных, тренерским и медицинским штабами, чтобы гарантировать эффективное применение возникающих идей на практике [27].

Внедряя прогностическую аналитику в спорт высших достижений, спортивные сборные команды могут опережать конку­рентов и повышать общий уровень здо­ровья, физической работоспособности и общей удовлетворенности спортсменов.

Конфликт интересов. Авторы заявляют об отсутствии конфликта интересов.
Conflict of interest. The authors declare no conflict of interest.

СПИСОК ЛИТЕРАТУРЫ

  1. MacIntosh, B.R. Physiological Determinants of Athletic Performance / B.R. MacIntosh, J.R. Fletcher // Open Textbook of Exercise Physiology. – 2024.
  2. Editorial: New technologies and statistical mo­dels applied to sports and exercise science research: methodological, technical and practical considera­tions / D. Rojas-Valverde, M.A. Gómez-Ruano, S.J. Ibañez, P.T. Nikolaidis // Front. Sports Act. Living. – 2023. – No. 5. DOI: 10.3389/fspor.2023.1267548.
  3. Blythe, D.A.J. Prediction and Quantification of Individual Athletic Performance of Runners / D.A.J. Blythe, F.J. Király // PLOS ONE. – 2016. – No. 11(6). DOI: 10.1371/journal.pone.0157257.
  4. Le Hyaric, A. Modelling the optimization of world-class 400 m and 1,500 m running perfor­mances using high-resolution data / A. Le Hyaric, A. Aftalion, B. Hanley // Front. Sports Act. Living. – 2024. – No. 6. DOI: 10.3389/fspor.2024.1293145.
  5. Бахмейер, М. Профессиональные риски в спорте высших достижений / М. Бехмейер, А.В. Смоленский, О.А. Митюшкина // Вестник новых медицинских технологий. Электронное издание. – 2015. – № 3(2-1). URL: http://www.medtsu.
    tula.ru/VNMT/Bulletin/E2015-3/5208.pdf (дата об­ращения: 01.02.2025). DOI: 10.12737/12131.
  6. Predictive and Cross-Validation Analysis of Ae­robic and Anaerobic Performance Based on Maxi­mum Strength / A.S. Sá Filho, P.A. Inacio, V. Ap­rigliano [et al.] // Applied Sciences. – 2025. – No. 15(2). – P. 693. DOI: 10.3390/app15020693.
  7. Chen, J.Y. Decoding the Game: Forecasting NBA Champions with Neural Network Algorithms // Bruin Sports Analytics. – 2023. – URL: https://www.bruinsportsanalytics.com/post/nba-champs-neural-network (дата обращения: 01.02.2025).
  8. Мазитова, Г.И. Роль исследования гемодина­мических характеристик покоя в прогнозе физи­ческой работоспособности / Г.И. Мазитова // Теория и практика физической культуры. – 2008. – № 1. – С.83-85.
  9. Петрова, В.В. Прогноз физической работоспо­собности по показателям комплексной оценки состояния спортсменов / В.В. Петрова, А.А. Киш, М.А. Брагин // Медицинская наука и образова­ние Урала. – 2019. – Т. 20. – № 1(97). – С. 155-159.
  10. Анализ существующих методов оценки пси­хологического состояния спортсмена для выяв­ления наиболее информативных показателей, влияющих на его результативность / В.В. Петро­ва, С.Е. Назарян, А.А. Киш [и др.] // Вестник неврологии, психиатрии и нейрохирургии. – 2017. – № 9. – С. 43-56.
  11. Фудин, Н.А. Медико-биологическое обес­печение физической культуры и спорта высших достижений / Н.А. Фудин, А.А. Хадарцев // Вестник новых медицинских технологий. – 2010. – № 1. – С. 149-150.
  12. Matt Wattles. Sports Performance Metrics: Why the Numbers Matter! // Competitive Edge. – 2019. – URL: https://edgemeridian.com/sports-performance-metrics (дата обращения: 01.02.2025).
  13. Rubén Redondo Sánchez. How To Know the Key Performance Indicators in Sport // Vitruve. – 2021. – URL: https://vitruve.fit/blog/how-to-know-the-key-performance-indicators-in-sport (дата об­ращения: 01.02.2025).
  14. Бадтиева, В.А. Спортивная кардиология. Ру­ководство для кардиологов, педиатров, врачей функциональной диагностики и спортивной ме­дицины, тренеров / В.А. Бадтиева, А.С. Шары­кин, В.И. Павлов. – М.: ИКАР, 2017. – 328 с.
  15. Гаврилова, Е.А. Клинические и экспертные вопросы электрокардиографии в спортивной ме­дицине: монография / Е.А. Гаврилова. – Москва: Издательство «Спорт», 2019. – 272 с.
  16. Tan, J. Generating context-specific sports trai­ning plans by combining generative adversarial networks / J. Tan, J. Chen // PLOS ONE. – 2025. – No. 20(1). – P. e0318321. DOI: 10.1371/journal.pone.0318321.
  17. Спортивная медицина: национальное руко­водство / под ред. акад. РАН и РАМН С.П. Ми­ронова, проф. Б.А. Поляева, проф. Г.А. Макаро­вой. – Москва: ГЭОТАР-Медиа, 2012. – 1184 с.
  18. Empowering the Sports Scientist with Artificial Intelligence in Training, Performance, and Health Management / N. Mateus, E. Abade, D. Coutinho [et al.] // Sensors. – 2025. – No. 25(1). – P. 139. DOI: 10.3390/s25010139.
  19. Праскурничий, Е.А. Медицинские и авиаме­дицинские риски безопасности полетов: моно­графия / Е.А. Проскурничий. – Москва: ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России, 2021. – 192 с.
  20. Авиамедицинские аспекты управления фак­торами риска для безопасности полетов / Е.А. Праскурничий, В.В. Книга, А.Г. Быстрова, В.Д. Юстова // Авиакосмическая и экологическая ме­дицина. – 2016. – Т. 50(2). – С. 21-27.
  21. Праскурничий, Е.А. Методология оценки сердечно-сосудистого риска у летного состава гражданской авиации / Е.А. Праскурничий, В.Д. Юстова // Авиакосмическая и экологическая ме­дицина. – 2020. – Т. 54(5). – С. 50-56.
  22. Kyte, J. Ensuring Reliability and Validity in Sports Performance Analysis / J. Kyte // Graduate School of Sport and Professional Practice. – 2023. – URL: https://blog.bham.ac.uk/gsspp-blog/2023/09/14/ensuring-reliability-and-validity-in-sports-performance-analysis (дата обращения: 01.02.2025).
  23. Практические рекомендации по стандар­тизации измерения метаболизма покоя методом непрямой калориметрии: литературный обзор / В.А. Бадтиева, Д.Б. Никитюк, Е.А. Рожкова [и др.] // Спортивная медицина: наука и практика. – 2022. – Т. 12. – № 2. – С. 96-104.
  24. Zukiewicz, P. Estimating NBA in-game win probability with a (not so) deep neural network / P. Zukiewicz // Medium. – 2023. – URL: https://medium.com/@zukiewicz.piotr/estimating-nba-in-game-win-probability-with-a-not-so-deep-neural-network-f6731a2e0ea9 (дата обращения: 01.02.2025).
  25. Измеров, Н.Ф. Оценка профессиональных рисков для здоровья в системе доказательной медицины / Н.Ф. Измеров, И.В. Бухтияров, Э.И. Денисов // Вопросы школьной и университетс­кой медицины и здоровья. – 2016. –№1.–С.14-20.
  26. Whitehead, R. The impact of data analytics on the sporting world / R. Whitehead // The Institute of Analytics. – 2024. – URL: https://ioaglobal.org/blog/impact-of-data-analyitcs-on-sports/ (дата об­ращения: 01.02.2025)
  27. Integration of machine learning XGBoost and SHAP models for NBA game outcome prediction and quantitative analysis methodology / Y. Ouyang, X. Li, W. Zhou, W. Hong, W. Zheng [et al.] // PLOS ONE. – 2024. – No. 19(7). – P. e0307478. DOI: 10.1371/journal.pone.0307478.

REFERENCES

  1. MacIntosh B.R., Fletcher J.R. Physiological Determinants of Athletic Performance. Open Textbook of Exercise Physiology, 2024.
  2. Rojas-Valverde D., Gómez-Ruano M.A., Ibañez S.J., Nikolaidis P.T. Editorial: New technologies and statistical models applied to sports and exercise science research: methodological, technical and practical considerations. Front. Sports Act. Living, 2023, no. 5. DOI: 10.3389/fspor.2023.1267548.
  3. Blythe D.A.J., Király F.J. Prediction and Quantification of Individual Athletic Performance of Runners. PLOS ONE, 2016, no. 11(6). DOI: 10.1371/journal.pone.0157257.
  4. Le Hyaric A., Aftalion A., Hanley B. Modelling the optimization of world-class 400 m and 1,500 m running performances using high-resolution data. Front. Sports Act. Living, 2024, no. 6. DOI: 10.3389/fspor.2024.1293145.
  5. Behmejer M., Smolenskij A.V., Mitjushkina O.A. Professional risks in high-performance sports. Bulletin of New Medical Technologies. Electronic publication, 2015, no.3, pp. 2-1, URL: http://www.medtsu.tula.ru/VNMT/Bulletin/E2015-3/5208.pdf (accessed: 01.02.2025), DOI: 10.12737/12131. (in Russ.)
  6. Sá Filho A.S., Inacio P.A., Aprigliano V. et al. Predictive and Cross-Validation Analysis of Aero­bic and Anaerobic Performance Based on Maxi­mum Strength. Applied Sciences, 2025, no. 15(2), p.693. DOI: 10.3390/app15020693.
  7. Chen J.Y. Decoding the Game: Forecasting NBA Champions with Neural Network Algorithms. Bruin Sports Analytics, 2023. URL: https://www.bruinsportsanalytics.com/post/nba-champs-neural-network (accessed: 01.02.2025).
  8. Mazitova G.I. The role of the study of hemo­dynamic characteristics of rest in the prognosis of physical performance. Theory and practice of phy­sical education, 2008, no. 1, pp. 83-85. (in Russ.)
  9. Petrova V.V., Kish A.A., Bragin M.A. Forecast of physical performance based on indicators of a comprehensive assessment of the athletes' condi­tion. Medical science and education of the Urals, 2019, no. 1(97), pp. 155-159. (in Russ.)
  10. Petrova V.V., Nazarjan S.E., Kish A.A., Orlova N.Z., Prudnikov I.A. Analysis of existing methods for assessing the psychological state of an athlete to identify the most informative indicators that affect his performance. Bulletin of Neurology, Psychiatry and Neurosurgery, 2017, no. 9, pp. 43-56. (in Russ.)
  11. Fudin N.A., Hadarcev A.A. Medical and biological support for physical education and high-performance sports. Bulletin of New Medical Technologies, 2010, no. 1, pp. 149-150. (in Russ.)
  12. Wattles M. Sports Performance Metrics: Why the Numbers Matter! Competitive Edge, 2019. URL: https://edgemeridian.com/sports-performance-metrics (accessed: 01.02.2025)
  13. Sánchez R.R. How To Know the Key Perfor­mance Indicators in Sport. Vitruve, 2021. URL: https: //vitruve.fit/blog/how-to-know-the-key-performance-indicators-in-sport (accessed: 01.02.2025).
  14. Badtieva V.A., Sharykin A.S., Pavlov V.I. Sports cardiology. Guide for cardiologists, pediatricians, doctors of functional diagnosticsand sports medicine, trainers. Moscow: “IKAR”, 2017, 328 p. (in Russ.)
  15. Gavrilova E.A. Clinical and expert issues of electrocardiography in sports medicine: monog­raph. Moscow: “Sport”, 2019, 272 p. (in Russ.)
  16. Tan J., Chen J. Generating context-specific sports training plans by combining generative adversarial networks. PLOS ONE, 2025, no. 20(1), p. e0318321. DOI: 10.1371/journal.pone.0318321.
  17. Sports Medicine: National Guidelines edited by Academician of the Russian Academy of Sciences and Russian Academy of Medical Sciences Mironov S.P., Prof. Polyaev B.A., Prof. G.A. Makarova G.A. Moscow: “GEOTAR-Media”, 2012, 1184 p. (in Russ.)
  18. Mateus N., Abade E., Coutinho D. Empowering the Sports Scientist with Artificial Intelligence in Training, Performance, and Health Management. Sensors, 2025, no. 25(1). p. 139. DOI: 10.3390/s25010139.
  19. Praskurnichij E.A. Medical and aeromedical risks of flight safety: monograph. Moscow: “FGBU GNC FMBC im. A.I. Burnazjana FMBA Rossii”, 2021, 192 p. (in Russ.)
  20. Praskurnichij E.A., Kniga V.V., Bystrova A.G., Justova V.D. Aeromedical aspects of flight safety risk management. Aerospace and environmental medicine, 2016, no. 50(2), pp. 21-27. (in Russ.)
  21. Praskurnichij E.A., Justova V.D. Methodology for assessing cardiovascular risk in civil aviation flight personnel. Aerospace and environmental medicine, 2020, no. 54(5), pp. 50-56. (in Russ.)
  22. Kyte J. Ensuring Reliability and Validity in Sports Performance Analysis. Graduate School of Sport and Professional Practice, 2023. URL: https://blog.bham.ac.uk/gsspp-blog/2023/09/14/ensuring-reliability-and-validity-in-sports-performance-analysis (accessed: 01.02.2025).
  23. Badtieva V.A., Nikitjuk D.B., Rozhkova E.A. Antonov A.G., Vybornov V.D. et al. Practical recommendations for standardization of resting metabolism measurement by indirect calorimetry: a literature review. Sports Medicine: Science and Practice, 2022, no. 12(2), pp. 96-104. (in Russ.)
  24. Zukiewicz P. Estimating NBA in-game win probability with a (not so) deep neural network. Medium, 2023. URL: https://medium.com/@zukiewicz.piotr/estimating-nba-in-game-win-probability-with-a-not-so-deep-neural-network-f6731a2e0ea9 (accessed: 01.02.2025)
  25. Izmerov N.F., Buhtijarov I.V., Denisov Je.I. Assessment of occupational health risks in the system of evidence-based medicine. School and university medicine and health issues, 2016, no. 1, pp. 14-20. (in Russ.)
  26. Whitehead R. The impact of data analytics on the sporting world. The Institute of Analytics, 2024. URL: https://ioaglobal.org/blog/impact-of-data-analyitcs-on-sports/ (accessed: 01.02.2025)
  27. Ouyang Y., Li X., Zhou W. Integration of machine learning XGBoost and SHAP models for NBA game outcome prediction and quantitative analysis methodology. PLOS ONE, 2024, no. 19(7), p. e0307478. DOI: 10.1371/journal.pone.0307478. 

СВЕДЕНИЯ ОБ АВТОРАХ:
Александр Сергеевич Самойлов – генеральный директор ФГБУ ГНЦ ФМБА им. А.И. Бурназяна ФМБА России, Москва, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript..
Виктория Викторовна Петрова – заведующий лабораторией экспериментальной спортивной медицины ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России, Москва, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript..
Павел Алексеевич Шулепов – старший научный сотрудник лаборатории экспериментальной спортивной медицины ФГБУ ГНЦ ФМБЦ им. А.И. Бурназяна ФМБА России, Москва, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript.. 

INFORMATION ABOUT THE AUTHORS:
Aleksandr S. Samojlov – General Director, State Research Center – Burnasyan Federal Medical Biophysical Center of Federal Medical Biological Agency, Moscow, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript..
Viktoria V. Petrova – Head of the Laboratory of Experimental Sports Medicine, State Research Center – Burnasyan Federal Medical Biophysical Center of Federal Medical Biological Agency, Moscow, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript..
Pavel A. Shulepov – Senior Researcher of the Laboratory of Experimental Sports Medicine, State Research Center – Burnasyan Federal Medical Biophysical Center of Federal Medical Biological Agency, Moscow, e-mail: Адрес электронной почты защищен от спам-ботов. Для просмотра адреса в вашем браузере должен быть включен Javascript..  

Для цитирования: Самойлов, А.С. Эволюция подходов к разработке моделей для прогнозирования, оценки и контроля параметров физической работоспособности профессиональных спортсменов (обзор) / А.С. Самойлов, В.В. Петрова, П.А. Шулепов // Современные вопросы биомедицины. – 2025. – Т. 9. – № 2(32). DOI: 10.24412/2588-0500-2025_09_02_33
For citation: Samojlov A.S., Petrova V.V., Shulepov P.A. Approaches of mathematical models development for forecasting, assessing and monitoring physical performance of athletes (review). Modern Issues of Biomedicine, 2025, vol. 9, no. 2(32). DOI: 10.24412/2588-0500-2025_09_02_33