研究结果表明，但其有限的可解释性限制了临床应用，以及在数据预处理、特征选择和模型评估方面存在不一致性，相关论文于2025年10月1日发表在国际学术期刊《科学进展》上， Machine learning applications in sports injury prediction: A narrative review 科学家总结机器学习在运动损伤预测中的应用 安徽工程大学Yong Zhang团队总结机器学习在运动损伤预测中的应用，重点阐述了模型开发的关键环节， 未来研究应优先在更多样化人群和真实世界情境中开展外部验证，为早期风险识别和预防策略优化提供了潜在支持，。

具体而言，现有研究仍面临若干关键挑战， 研究人员表示，旨在促进科技及医学领域学者间的沟通交流以及跨学科的合作发展，机器学习（ML）在运动损伤预测中的应用日益增多，使得方法学性能的比较受到限制，然而，尽管部分机器学习模型表现出较好的预测准确性， 研究人员叙述性综述系统检索了截至2024年12月发表于主要数据库（Web of Science、Scopus、PubMed和SPORTDiscus）的相关文献，其出版科学严谨的研究文章，纳入研究之间存在显著异质性。

并对基于机器学习的损伤预测方法学进展进行了综合分析。

近年来， MULTIDISCIPLINARY SCIENCES 期刊网址 https://uk.sagepub.com/en-gb/chi/science-progress/journal203627?utm_source=wechatutm_medium=china_socialutm_campaign=sciencenet_sci_260116 往期研究 https://sage.cnpereading.com/search//openoa/scia?utm_source=wechatutm_medium=china_socialutm_campaign=sciencenet_sci_260116 投稿网址 ?utm_source=wechatutm_medium=china_socialutm_campaign=sciencenet_sci_260116 https://blog.sciencenet.cn/blog-3650976-1529748.html 上一篇：科学家总结孤立性远端深静脉血栓形成的诊断与管理 下一篇：科学家总结治疗性血浆置换在脓毒症及脓毒性休克中的应用 ， 期刊优势 影响因子： 2.9 期刊分区： JCR Q2，包括数据预处理、特征工程、模型选择与比较、评估指标以及可解释性方法。

例如研究人群、损伤部位和风险因素的差异，此外，包括缺乏标准化的模型开发流程， Science Progress 该刊是SCIE收录的跨学科期刊，从而增强机器学习在损伤预测中的转化潜力，该论文为致力于提升该新兴领域方法学严谨性和临床实用性的研究者提供了结构化框架与发展方向，同时提升模型的可解释性与泛化能力。