Ανάπτυξη έξυπνου συστήματος πρόληψης τραυματισμών σε δρομείς αναψυχής με μεθόδους μηχανικής μάθησης

Abstract

This thesis examines the development and evaluation of digital decision support systems for injury prevention and rehabilitation in recreational runners. In this context, an information system was designed and implemented which was initially based on an expert rule-based model, with rules defined by trainers, coaches and physiotherapists with many years of experience in the field of prevention and rehabilitation. These rules were integrated into a web-based platform in the form of if-then decisions and led to the categorization of discomforts, injuries and the display of corresponding exercises via video. A second version of the system was then developed using machine learning algorithms (Naive Bayes). The system was trained and evaluated from the data collected by the above implementation (rule-based system). Decision making in this system is based on data already labeled by experts (labeling), without the need to write new code. This approach allowed to extend the system with additional features while maintaining usability for the end user.Data collection was performed using a structured questionnaire and 170 records were collected, of which 137 included active musculoskeletal complaints. The pilot implementation of the platform showed high user acceptance, significant time spent on the instruction page and frequent repetition of the suggested exercises. The ability to save the link to the results allowed continuous access to the rehabilitation without repeating the process. The results of the study demonstrate that digital technology, combined with expertise and modern data analysis methods, can provide functional and personalized tools to recreational runners, improving compliance, self-care and ultimately quality of life. The system does not replace the specialist, but works supportively, reducing dependency and increasing early intervention. In the future, extending the system to other sporting activities and incorporating metadata such as exercise time, geographic location and climate factors could lead to even more advanced prediction and adaptation models, with the help of secondary machine learning algorithms.

Η παρούσα διατριβή εξετάζει την ανάπτυξη και αξιολόγηση ψηφιακών συστημάτων υποστήριξης αποφάσεων για την πρόληψη και αποκατάσταση τραυματισμών σε δρομείς αναψυχής. Στο πλαίσιο αυτό, σχεδιάστηκε και υλοποιήθηκε ένα πληροφοριακό σύστημα το οποίο βασίστηκε αρχικά σε μοντέλο με κανόνες που ορίστηκαν από γυμναστές, προπονητές και φυσιοθεραπευτές με πολυετή εμπειρία στον χώρο της πρόληψης και αποκατάστασης. Οι κανόνες αυτοί, ενσωματώθηκαν σε διαδικτυακή πλατφόρμα και οδήγησαν σε κατηγοριοποίηση των ενοχλήσεων, τραυματισμών και προβολή αντίστοιχων ασκήσεων μέσω βίντεο. Στη συνέχεια, αναπτύχθηκε μια δεύτερη εκδοχή του συστήματος, με χρήση αλγορίθμων μηχανικής μάθησης (Naive Bayes). Το σύστημα εκπαιδεύτηκε και αξιολογήθηκε από τα δεδομένα που συγκεντρώσαμε η παραπάνω υλοποίηση (σύστημα κανόνων) . Η λήψη απόφασης στο σύστημα αυτό γίνεται με βάση δεδομένα που έχουν ήδη επισημανθεί από τους ειδικούς (labeling), χωρίς την ανάγκη συγγραφής νέου κώδικα. Η προσέγγιση αυτή επέτρεψε την επέκταση του συστήματος με επιπλέον χαρακτηριστικά, ενώ διατήρησε την ευχρηστία για τον τελικό χρήστη. Η συλλογή των δεδομένων πραγματοποιήθηκε με χρήση δομημένου ερωτηματολογίου και συγκεντρώθηκαν 170 εγγραφές, εκ των οποίων οι 137 περιλάμβαναν ενεργές μυοσκελετικές ενοχλήσεις. Η πιλοτική εφαρμογή της πλατφόρμας έδειξε υψηλή αποδοχή από τους χρήστες, σημαντικό χρόνο παραμονής στη σελίδα των οδηγιών και συχνή επανάληψη των προτεινόμενων ασκήσεων. Η δυνατότητα αποθήκευσης του συνδέσμου με τα αποτελέσματα επέτρεψε συνεχή πρόσβαση στην αποκατάσταση χωρίς επανάληψη της διαδικασίας. Τα αποτελέσματα της μελέτης καταδεικνύουν ότι η ψηφιακή τεχνολογία, σε συνδυασμό με την τεχνογνωσία και τις σύγχρονες μεθόδους ανάλυσης δεδομένων, μπορεί να προσφέρει λειτουργικά και εξατομικευμένα εργαλεία σε δρομείς αναψυχής, βελτιώνοντας τη συμμόρφωση, την αυτοφροντίδα και τελικά την ποιότητα ζωής. Το σύστημα δεν αντικαθιστά τον ειδικό, αλλά λειτουργεί υποστηρικτικά, μειώνοντας την εξάρτηση και αυξάνοντας την έγκαιρη παρέμβαση. Μελλοντικά, η επέκταση του συστήματος και σε άλλες αθλητικές δραστηριότητες, αλλά και η ενσωμάτωση μεταδεδομένων, όπως ώρα άσκησης, γεωγραφική θέση και κλιματικοί παράγοντες, θα μπορούσε να οδηγήσει σε ακόμη πιο προηγμένα μοντέλα πρόβλεψης και προσαρμογής, με τη βοήθεια δευτερογενών αλγορίθμων μηχανικής μάθησης.