کاربرد هوش مصنوعی و فناوری های مرتبط در ارزیابی ترکیب بدنی، تحلیل بیومکانیک و پیشگیری از آسیب های ورزشی: یک مرور روایتی هدفمند

مقدمه: توسعه سریع هوش مصنوعی (AI)، یادگیری ماشین (ML)، بینایی ماشین (CV) و فناوری های پوشیدنی (WT) فرصت های جدیدی برای جمع آوری، پردازش و تحلیل داده در علوم ورزشی ایجاد کرده است. این فناوری ها می توانند داده های حرکتی، بیومکانیکی، فیزیولوژیکی و فردی را در مقیاس وسیع تحلیل کرده و در حوزه هایی مانند ارزیابی عملکرد، تحلیل حرکت، ترکیب بدنی، پیش بینی، آسیب، توانبخشی و شخصی سازی مداخلات مورد استفاده قرار گیرند. با وجود گسترش سریع این فناوری ها، شواهد موجود از نظر نوع، داده، الگوریتم، روش اعتبارسنجی و شرایط اجرای مطالعه ناهمگون است و هنوز مشخص نیست قابلیت های فنی این ابزارها تا چه اندازه به کاربردهای معتبر و قابل اعتماد در شرایط واقعی ورزش قابل انتقال است. بر این اساس، سوال اصلی این مقاله بررسی ظرفیت AI و فناوری های مرتبط برای بهبود جمع آوری و تحلیل داده، ارزیابی بیومکانیک و ترکیب بدنی، تحلیل حرکت و پیشگیری و مدیریت آسیب های ورزشی و همچنین شناسایی محدودیت ها و خلاهای پژوهشی موجود بود. روش: این مطالعه با رویکرد مرور روایتی هدفمند (Focused Narrative Review) انجام شد. جست وجوی منابع در پایگاه های Google Scholar، ScienceDirect، Web of Science، Scopus، PubMed با تمرکز بر مطالعات منتشر شده در سال های ۲۰۲۲ تا ۲۰۲۶ انجام گرفت. کلیدواژه هایی شامل Sports، WT، CV، ML، AI، Injury، Sports Injury، Body Composition، Pose Estimation، Motion Analysis، Biomechanics، Injury Prevention، Prediction و Sports Rehabilitation با استفاده از عملگرهای AND و OR به کار رفتند. پس از بررسی ارتباط موضوعی و کیفیت منابع، حدود ۲۰ تا ۳۰ مطالعه پژوهشی و مروری برای تحلیل نهایی انتخاب و یافته های آنها به صورت توصیفی و موضوع محور بررسی شدند. یافته ها: شواهد بررسی شده نشان دادند که AI و ML می توانند داده های چندمنبعی را برای شناسایی الگوهای حرکتی، تخمین برخی متغیرهای بیومکانیکی، پیش بینی خطر آسیب و پایش روند توانبخشی تحلیل کنند. WT امکان جمع آوری داده در شرایط واقعی را فراهم می کنند و ترکیب آنها با ML می تواند ارزیابی مداوم تر وضعیت ورزشکار را امکان پذیر کند. همچنین، CV و Pose Estimation ظرفیت مناسبی برای تحلیل حرکت و ارزیابی وضعیت بدن بدون وابستگی کامل به تجهیزات آزمایشگاهی نشان دادند. با این حال، تفاوت کیفیت داده ها، محدودیت اعتبارسنجی خارجی، وابستگی عملکرد مدل به جمعیت و شرایط مطالعه، خطاهای حسگرها و دشواری تفسیر خروجی مدل ها از مهم ترین محدودیت های شناسایی شده بودند. در حوزه پیش بینی آسیب نیز مشخص شد که شناسایی خطر به تنهایی به معنای پیش بینی قطعی آسیب یا تعیین بهترین مداخله نیست. نتیجه گیری: AI ظرفیت قابل توجهی برای توسعه ارزیابی های داده محور و شخصی سازی شده در علوم ورزشی دارد، اما فاصله میان توسعه فناوری و شواهد لازم برای استفاده عملی آن همچنان قابل توجه است. پژوهش های آینده باید بر مطالعات طولی و مداخله ای، اعتبارسنجی مدل ها در شرایط واقعی، ترکیب داده های WT، بیومکانیک و عملکرد، استانداردسازی داده ها و بررسی تفسیرپذیری، امنیت و تعمیم پذیری مدل ها تمرکز کنند. در حال حاضر AI بیشتر باید به عنوان ابزار تصمیم یار در کنار متخصص علوم ورزشی و کادر پزشکی در نظر گرفته شود نه جایگزین ارزیابی تخصصی.

کلیدواژه ها:

Artificial Intelligence ، Exercise ، Biomechanics ، Exercise Injury ، Body Composition