（滑动30秒跳过开头。为了播放流畅，文章经过提炼和润色。如需精读原文请从正规渠道购买正版书籍。）
听书是我生活的一部分，但各大平台缺少体能专业相关书籍的播放资源。于是我将利用公众号的“听全文”功能，持续分享体能相关专业的书籍，希望大家可以利用零散时间了解体能知识。
第五部分 数据分析与交付
第19章 损伤风险模型
让运动员随时以准备最充分的状态迎接比赛是科学训练师的重要责任。对于顶级体育俱乐部来说，损伤及其导致的停赛会为组织带来显著的经济负担。此外，在个人和团队运动项目情境中，提升运动员在运动表现上的可用性会增加成功的概率。因此，科学训练师应当认真考虑如何通过某种方式去筛选、监控和模拟运动员的数据，这种方式可以让科学训练师为在自己监督下的运动员健康和表现方面的有关决定提供信息。作为一项首要的原则，科学训练师应当致力于让自己的理论、数据收集和数据分析相一致，从而最终为自己的解读和报告提供信息，如图19.1所示。为了监控竞技体育的过程和结果，我们必须从为监控过程提供信息的理论框架开始。理论可帮助科学训练师决定要收集什么信息的详细数据以及以什么频率收集数据。最后，科学训练师可以实施合适的分析方法。本章将在该框架下讨论损伤风险建模，将为科学训练师阐明损伤模型在研究和应用背景下的含义。
第1节 损伤风险理论
自20世纪90年代以来，为损伤预防研究和实践提供信息的经典模型是范梅赫伦博士及其同事提出的1992损伤预防序列模型。该模型执行步骤可以总结如下。
•第1步：运动员现有什么样的损伤？通过损伤监控和流行病学的研究，确定问题的严重程度。
•第2步：这些损伤为什么会出现？通过病因学研究，找出相关的风险因素。
•第3步：制订和实施处理因果因素的策略。设计预防策略，解决第2步中找出的可改变的风险因素。
•第4步：观察干预是否奏效。按照第1步中的方式，重新评估损伤问题，以确定预防策略是否有效。
小节1.1： 理解会出现什么样的损伤
由于该模型起源于运动医学研究领域，科学训练师可以从中学到许多能用于实践的知识。模型的第1步所强调的起点是，要理解损伤的流行病学背景，即在竞技体育中以及在科学训练师所研究的具体运动员人群统计数据中，哪些损伤会带来最大的负担。该问题最好通过损伤负担来定义，即损伤发生率与损伤严重程度的乘积（见公式19.1）。
已经发表的流行病学文献将作为科学训练师进入新项目的基础，例如研究发现腘绳肌损伤可能会给职业男子足球运动员带来最大的负担，而膝盖和肩的问题会给青少年手球运动员带来最大的挑战。然而，科学训练师不应当止步于已经发表的流行病学文献，而是应当在自己的情境内与运动医学部门接触，以确保运动员的健康得到持续的监控和记录。开展损伤监控可以让科学训练师了解他们所在运动队不同损伤的情况，并且为评估将来的干预提供基准数据。一旦确认了这些损伤，科学训练师便需要理解它们的病因，即这些损伤为什么会出现。
小节1.2： 理解这些损伤为什么会出现
从根本上讲，当施加在特定组织上的力超过了组织的承载能力，并且出现生理故障时，损伤就会出现。这种故障产生的原因具有多因素性、负荷依赖性、组织特异性及复杂性。尽力去更好地理解每种原则将支撑科学训练师的测量和分析选择。
小节1.2.1： 损伤的多因素性
损伤具有多因素性。这种概念是损伤因果分析的核心，由默维斯博士于1994年提出，强调的是运动员的内在因素和外在因素在决定运动员对损伤的倾向性和易感性时发挥着重要的作用。最终结果就是导致损伤这种突发事件在某个时间点出现。正如在后续基于该原始多因素模型的综述中所描述的，这些概念对于数据应该如何被收集和分析来说具有重要的意义。
小节1.2.2： 损伤的负荷依赖性
运动员的训练负荷以及后续的适应是训练科学最基本的原则。训练负荷建模及外在与内在训练负荷的概念在本书的第2章和第5部分已得到了较为详细的讨论。大部分传统的训练负荷研究处理的都是运动表现建模或者设计诸如间歇训练计划之类的练习。自2000年以来，探究训练负荷-损伤关系的研究出现了指数式的增长，这里总结了关键的概念和考虑因素。
在有关篮球运动员、橄榄球运动员、棒球投球手和板球运动员的早期研究中，运动员的总训练负荷与损伤相关。这些研究大部分都是在团队层面上开展的，并且发现当团队接受更高的训练负荷时，在某个时间段内，团队中更多的运动员会出现损伤。这些独立的研究结果面临的挑战是，所有的运动员都被放在了一起，从而消除了可能面对不同损伤风险的运动员之间的所有差异，并且唯一合理的预防策略是最小化负荷。
大约自2010年以来，负荷的变化一直是训练负荷-损伤研究的主要关注点。训练负荷递变的速率，例如训练负荷在周与周之间的变化，可以通过若干种方式加以量化。然而，训练负荷递变最常见的指标一直是急性负荷：慢性负荷，ACWR，Acute:Chronic Workload Ratio，的某种变式。ACWR将近期，通常是1周执行的训练量与较长时间，通常是1个月执行的训练量进行对比。总而言之，大部分调查了训练负荷递变速率的研究表明，损伤风险会随着递变速率的增加而增加。
尽管针对团队层面的研究发现，负荷越高，损伤率越高，并且运动员可能具有可以忍受的理论负荷上限，但是训练可以让运动员为比赛做好准备，并且培养出更好的身体素质。因此，在个人层面上，人们认为较高的长期负荷在若干种情景下会起到保护作用，也并不令人意外。周训练量较大的跑步运动员参加马拉松时，损伤的可能性是训练量较少的跑步运动员的一半。长期负荷较高的盖尔式足球运动员更有能力应对给定的负荷增长，并且在某些情况下，赛季前训练量较大的运动员已经表现出了较低的赛季内损伤风险。
训练负荷-损伤模型（见图19.2）构建在损伤病因模型的基础上，明确将训练负荷对后续损伤风险的影响纳入其中。运动员会带着损伤风险去参加活动，包括他们既往损伤史以及一系列内在的风险因素。其中有些因素是可以改变的，并且会随着赛季的推移而变化。其他因素是不可改变的。运动员会在特定的风险状况下参与训练或比赛，训练或比赛就是在施加给定的负荷。这种负荷是运动员接触外界因素的媒介。
在训练或比赛环节结束之后，运动员在给定的激发事件中可能会或者可能不会产生损伤，并且会重新进入循环。然而，对于后续活动来说，他们的风险状况现在发生了改变，因为根据训练量、所施加的负荷强度以及运动员对负荷的耐受性，训练或比赛的作用会对他们身上可以改变的内在特征产生影响。其中有些改变可能是负面的，例如比赛之后疲劳的运动员对神经肌肉的控制会减弱。而随着身体素质的发展，通过逐渐适应施加的负荷，运动员的风险状况也会随着时间的推移而改善。总的来说，训练负荷-损伤模型描述了负荷与运动损伤风险相关的3种方法，具体如下。
•方法1： 训练负荷是运动员据以接触外界风险因素的媒介，因此接触得越多或者负荷越大，损伤的整体可能性就会越大。
•方法2： 训练负荷可以通过积极适应和良好发展的身体素质改善运动员的风险状况，从而降低随后的受伤风险。这可能有助于解释为什么有些研究结果表明，更高的长期负荷与损伤风险的降低有关。
•方法3： 那些会增加运动员疲劳的负荷，或者负面改变运动员可改变风险因素的训练负荷，可能会增加运动员后续损伤的风险。这可能有助于解释负荷的激增会增加后续损伤风险这一研究结果。
小节1.2.2.1： 调整 ACWR 及负荷递变的计算
ACWR描述的是运动员的近期训I练负荷相对于其较长时间执行的训练负荷的大小。它近似于运动员实际完成负荷与运动员可以完成负荷的比值。人们已经提出了若干种ACWR的迭代方法，例如耦合和非耦合的差异，或采用滚动平均值或者指数加权移动平均值，EWMA，Exponentially Weighted Moving Average。负荷的递变可以通过这些及其他许多方式被量化，其中一些方式在表19.1中得到了概念上的定义和解释。
下面这个例子可以用来解释概念、演示计算方法及直观展示测量值，以半程马拉松赛前最后2个月内两个跑步运动员的相关数据为例（见图19.3）。运动员1以前是大学足球运动员，现在在办公室上班，只是偶尔跑步。比赛前的一个月，运动员1决定跑半程马拉松，并且迅速地增加训练来为赛事做准备。运动员2是一名业余的马拉松跑步运动员，他计划跑同一场半程马拉松，目的是将其作为下一场马拉松比赛训练的一部分。
对两个运动员负荷模式的分析清楚地表明了以下几点。首先，负荷递变的所有度量指标结果都表明，运动员1按照在最近的训练中增加负荷的方式准备马拉松（耦合型ACWR为1.9，非耦合型ACWR为2.7；周与周之间的变化量为+37千米；计算方法参考表19.1）。相比之下，运动员2以一种更好的状态准备马拉松，其近期的训练少于运动员的长期训练基准（半程马拉松前一天的ACWRV＜1.0，周与周之间的变化量为-22千米）。在这个案例以及其他多种情形中，不同的计算方法将表现出相似的趋势，主要是负荷的增加或者减少；而且科学训练师可以为急性负荷和慢性负荷选择不同的度量指标，或者采用这些测量值之间的差值来代替比值。然而，所有的度量指标都将给出不同的结果，因此对于科学训练师来说，重要的是要选择一个度量指标并长期使用。这样的话，他们就会非常熟悉自己使用的度量指标以及是什么使这些测量结果产生了有价值的变化。
其次，从负荷加载的角度来看，运动员2还为跑半程马拉松做了更好的准备，因为该运动员开始准备半程马拉松时的慢性训练负荷相当高。运动员2的若干次训练跑已经超过了半程马拉松的距离，通过渐进式的超负荷以及在比赛之前的微减，这种训练对于比赛的具体要求来说是一种更好的准备。结合长期训练负荷和负荷的递变情况，科学训练师可以推断出，在所有其他因素都相同的前提下，考虑到训练负荷，运动员2可能会以精力充沛、胸有成竹的状态参加比赛，而运动员1可能会以疲劳不堪、准备不足的状态参加比赛。
小节1.2.2.2： ACWR的争论与科学进展
关于支持和反对训练负荷-损伤相关性的各个方面，包括ACWR，研究人员已在科学文献中进行了大量的讨论与争论。有的研究人员直接批评它，有的建议修改它，而有的则支持应用它因加房出。对ACWR的批判具体如下。
•批判1： 在某些职业团队运动项目中，开展持续的负荷监控具有挑战性。这种批判并不是只针对ACWR，对于依靠完整的数据进行纵向计算的所有监控来说情况都是类似的。
•批判2： 相比于其他策略，ACWR采用的滚动平均值对负荷变化可能没有那么敏感。近期数据对指数加权方法的影响更大，因此1天前的负荷对计算的影响要大于4天前的负荷（参见表19.1）。值得注意的是，科学训练师还应当清楚指数加权方法所面临的特有挑战，例如初始值问题以及不同初始值模型收敛耗时的问题。
•批判3： ACWR本身就基于特定假设，并且一些数学计算上的挑战也需要考虑。
•批判4： “数学耦合"的情况会出现，因为短期和长期负荷都包含了最近1周的训练，而这会导致短期和长期训练负荷之间存在一种相关性，并且会降低运动员之间的变异度。
•批判5： 作为一种预测工具，ACWR还具有其他数学上的局限性。
科学探究最显著的特征之一是，通过发现、争论、反思和改进来实现知识的进步。训练负荷-损伤领域也不例外，训练科学界已经从这些正在进行的讨论中受益，并且将持续从中受益。训练负荷，损伤领域背后的原理反映了训练的基本原理，即没有让运动员为项目比赛需求做好准备，并且过快地做了过多的训练，会增加个体的损伤风险。
一方面，ACWR为科学训练师提供了一种考虑进度的方法，并且引发了有关负荷监控可能如何为基于表现和健康的决策提供信息的讨论。另一方面，它让一些科学训练师了解挑战和改进的方向。实际上，可能变得明显的是，其他量化方法可能更加适用于某些体育背景，并且我们鼓励科学训练师持续地反思监控结果该如何用来为健康和表现方面的决策提供信息。
展望未来，到目前为止，人们几乎只使用了观测性的研究，下一步是要使用包括具有负荷教育、改进或干预，或者不止其中一种的随机试验。人们为用于计算和分析ACWR的方法提出了一些推荐做法和考虑因素，目的是继续改进该研究领域的研究结果并解决以前的问题，例如不可测量的混杂和数据稀疏偏差。
小节1.2.3： 组织的特异性适应
当施加在组织上的力超过组织的承载能力时，对科学训练师来说，明智的做法是将之前提到的所有因素都当作会增加组织负荷的因素，或者当作与组织承载能力有关的因素。一般来说，这些因素可以分为以下3类。
•第1类： 向机体组织施加负荷的因素。这些可视为训练负荷变量的利与弊。这些因素取决于项目和组织类型。例如，投掷对棒球投球手或手球运动员肩膀的影响，摆臂对排球运动员的肩或跳跃对排球运动员的膝的影响，或者高速跑动负荷对腘绳肌损伤的影响。
•第2类： 改变活动期间负荷分布和大小的因素。例如，不良的肩胛骨运动学表现会改变每次投掷期间运动员肩部的负荷分布。
•第3类： 影响组织整体承载能力的因素。例如离心腘绳肌力量以及腘绳肌损伤的年限，或者运动员的饮食情况。
一项针对679名手球运动员的研究展示了这种专门针对机体组织的方法，以及内在因素是如何改变负荷激增的效果的。在这项为期31周的研究中，与之前的4周相比，当每周的投掷负荷增加60%时，损伤的风险大约要高出2倍。当与之前的4周相比，每周的投掷负荷增加20%至60%时，对于内旋力量不足的运动员或者肩胛动作异常的运动员来说，损伤率大约要高出四五倍。在这种情况下，肩关节旋转力量不足是一种表示组织承载能力的变量，而肩胛动作异常是一种影响组织上投掷负荷分布的因素。作为这类框架的另一个例子，这种方法也曾被描述为理解跑步损伤的框架。
对于给定的体育运动中最常见的损伤来说，科学训练师应当考虑什么因素会影响组织承载力、负荷改变以及负荷承受能力。而且，为了考虑什么样的负荷递变率是最有利或者最不利的，他们还应当考虑不同组织的负荷-适应时间线。例如，从生理学和生物力学的角度来看，一个给定的训练环节可能会施加不同的负荷，并且受影响组织可能会以不同的速率进行适应。在一个更加详细的层面上，我们还可以在具体的组织水平上，考虑具体肌肉、肌腱或者骨骼的负荷承载能力。
小节1.2.4： 复杂系统方法
当考虑损伤的病因时，复杂系统方法是科学训练师需要考虑的最后一种方法，因为越来越多的科学家呼吁要摒弃简化论，转而采用这些复杂的方法。即便是考虑了若干个风险因素和训练负荷变量的多变量方法，在某种意义上仍然是简化的，因为它们假设整体等于各组成部分之和。正如比当古及其同事所描述的复杂系统的特点。
•特点1： 这是一个允许通过许多不同的方式产生突发结果的开放系统。
•特点2： 变量之间的关系是非线性的。
•特点3： 它是一个递归回路，系统的输出返回作为后续的输入。
•特点4： 自组织。
•特点5： 不确定性。
采用复杂系统方法探究损伤病因带来的最基本的思维转变是，从风险因素向风险状况的转变。这种风险状况包括一系列来自所有相关变量的风险因素，这些因素相互作用来增加某种突发模式的可能性。该理论框架可能告知科学训练师如何看待损伤病因，但是实际实施起来可能会颇具挑战性，因为它们需要更强的统计建模能力，以及更多的损伤和运动员样本数，而大部分科学训练师在自己的竞技体育情境中并不具备这些条件。
第2节 损伤风险数据收集
损伤风险背后的理论基础随后会为框架的下一步提供信息（见图19.1），这一步要收集数据。在这一阶段，研究人员和科学训练师必须决定他们将要监控或测量的内容，以及监控或测量的频率，然后再在自己的领域中开展数据收集工作。
小节2.1： 选择正确的度量指标
在自己的领域内考虑理论损伤负担时，科学训练师必须仔细地选择度量指标。采用的每个度量指标都可能为运动员或训练实践人员带来额外的负担，因为每个数据流都需要收集、清洗、分析和报告。从应用的角度来看，训练实践人员应当只采用他们确信在自己的领域内能够应用，并且在日常训练情境中能够为决策提供信息的度量指标。
从研究的角度来看，鉴于在若干研究领域内，问题的研究动力不足以及缺乏可复制性，数据收集带来的挑战会多于解决方法。在招募参与者和运行自己的统计模型时，研究人员应当考虑自己的分析能力。为了招募更多的参与者，许多人提倡进行更大规模的多站点研究。从建模的角度来看，同样重要的是要记住，对于模型中所包含的每个变量来说，需要有大量的损伤，这也被称作每个变量的事件数，EPV，Event Per Variable，要求。普遍的建议是，统计模型中的每个变量应大约包括10个事件。虽然说了这么多，但是并非总是收集的数据越多越好，研究人员和训练实践人员应当只在有明确目标的情况下采用科技或测量手段。
从损伤风险的角度来看，理解具体项目的流行病学有助于研究人员和训练实践人员识别出哪些损伤应当优先考虑。举个过于简化的例子，对于像足球这样的项目来说，定期对肩内旋和外旋开展肌力测试几乎没有意义，因为此类项目中肩部损伤是最不重要的。
组织层面上的考虑可以帮助科学训练师理解哪些度量指标应优先考虑。由于组织和组织的承载能力至关重要，所以筛选出的度量指标应当是那些与高负荷损伤相关的组织承载能力联系在一起的度量指标。
小节2.2： 监控频率
如果科学训|练师决定通过某种ACWR或者周与周之间的变化量来分析训练负荷的递变，那么对于所有的训练和比赛都必须测量感兴趣的训练负荷指标。如果训练负荷在某些情况下无法测量，或者因技术困难导致训练负荷数据缺失，那么训练负荷必须通过其他可获得的数据加以估算和输入。
损伤风险模型可能会随着时间的推移动态地变化，并且训练负荷并不是损伤风险模型的唯一组成部分。由于运动员能够适应自己的训练体系，所以评估可修改风险因素的时间间隔应当与科学训练师预期风险因素改变的速率一致。未做到这一点是若干项筛选研究只能在基准水平进行测量的主要限制。例如，运动员赛季前测得的北欧式月国绳肌力量数据可能反映不了其整个赛季的胴绳肌力量，因为这是一种可训练的生理特征。因此，当遭受损伤时，测试时处于风险之中的运动员可能已经不再属于本试验组了。
最后，被认为重要却稳定的因素可以只在基准水平测量一次，作为运动员输入数据的一部分，并随后在建模方法中加以考虑。
小节2.3： 应用监控工具
训练负荷 - 损伤研究以及实施监控能否成功取决于纵向测量能否成功。因此，运动员和训练实践人员的支持对于成功来说至关重要，并且箔艮实施监控的障碍也十分关键。针对顶级运动员的定性访谈已经发现，过于夸张的干预和缺乏来自监控系统的反馈或干预是运动员面临的主要障碍。
小节2.4： 分析数据：关联与预测
一旦科学训练师理解了自己领域内最重要损伤的流行病学和病因学，并确定了他们想要收集的训练负荷和运动员特征数据及收集频率（，那么留给他们的便是一堆有待分析的纵向数据了。
科学训练师应当注意不要将相关与预测相混淆。仅仅有风险因素可能会增加试验组损伤风险的这一事实，并不意味着离心月国绳肌力量低的运动员将遭受胴绳肌拉伤。巴尔详细讨论了用于预测的数据筛选所具有的挑战。
同样地，孤立的训练负荷变量也与损伤有关，但是它们预测运动员在给定一天出现损伤的能力有限。科学训练师应当认识到，运动员在单日出现损伤的概率非常低。相对风险随着训练负荷的快速新增而增加，并且较长时间内的损伤概率更高。但是显而易见的是，较高的训练负荷增加并不意味着运动员将出现损伤。更进一步地，这应当结合其他可获得的信息来为决策提供信息。例如，据显示，无论是较为年轻的运动员还是较为年长的运动员，薄弱的下肢力量以及较差的有氧能力都会因训练负荷的急剧变化而增加损伤风险。
尽管如此，文献中还是做了若干项损伤预测的尝试，当考虑多种变量时，这些预测会得到在一定程度上更为可观的结果。举一个例子，古普塔及其同事发现，具有至少两个风险因素的运动员，损伤的概率要比没有风险因素或者有一个风险因素的运动员高42倍。风险因素包括接触、下蹲成绩、脑震荡历史、姿势类别、平均PlayerLoad™、运动效率，以及平均PlayerLoad™的变异性。虽然是样本内预测，但是模型的敏感性和特异性很高。
小节2.5： 量化的不确定性
正如本书其他部分所详细讨论的，当分析监控数据时，量化测量误差并理解每个感兴趣的变量中的最小有意义差异是至关重要的。
小节2.6： 确定学术分析方法
从分析的角度来看，运动员监控产生的大量纵向数据会为分析带来若干项挑战。第一，对几个运动员进行反复测量意味着数据是聚集的，并且每个观察结果都不应被视为独立的。分析的选择应当区分运动员内部的变化和运动员之间的差异。第二，数据有可能不平衡，会存在来自不同运动员、数目不等的观测结果，因为有些人会在一年中的不同时间离开或者加入团队。第三，有些因素经常可能会发生变化，而其他因素会保持相对稳定，分析方法应当能够考虑这些与时间有关的变化。
稳健统计建模需要大量有关损伤的数据集，这些模型可用于控制多个损伤风险。这些类型的数据集在应用体育场景，有时候甚至在较大的研究中心都不常见。在学术界，这导致人们呼吁研究中心之间进行数据共享，这种共享会让研究人员更多地了解这些类型的数据集。
在研究领域，用来评估训练负荷 - 损伤关联性的分析方法应当能够考虑之前所讨论的理论组成部分，即这些数据的纵向性、多因素性和重复测量性。分析方法的合理性已经得到了增强，这让科学训练师有机会希望通过优化以前所用的分析方法来发表自己的研究成果。
运动损伤研究人员已经开始运用机器学习方法来探索和分析数据了。降维技术也被用来整合来自可穿戴微传感器的数据，以及用来在若干个衍生出来的训练负荷变量之间做选择。这些降维的数据集可以用来评估单独的训练环节以及训练的纵向进展如何。
小节2.7： 确定应用分析方法
对于在应用竞技体育情景工作的科学训练师，要注意的是，数据集大小对损伤风险稳健统计建模的限制，并且需要认识到损伤风险分层的不确定性。鉴于这些原因，某些学术分析方法。在大部分应用情境中是不可能得到应用的。来自学术文献的集体成果应当与科学训练师的理论框架和经验一并考虑，才能为如何分析和解读监控及筛选的数据提供信息。
小节2.7.1： 比较建模
分析或报告数据时，任何科学训练师都会问的一个最重要的问题是“与什么做对比？”，简单地尝试回答该问题就可以得到有价值的见解。当分析运动员的训练负荷时，与其他运动员或自身相比，是不是因为某些运动员或某些位置的训练负荷明显不足，从而导致他们未能对标比赛需求做好准备？运动员是否在以一种能让自己为比赛的各个方面都做好准备的方式进行训练？相较于比赛需求，团队运动项目的运动员训练总量可能很大，不过他们的高速跑动负荷、碰撞以及加速和减速等特有类型的训练负荷同样需要重点考虑，以满足比赛平均需求或者最大需求。
小节2.7.2： 高风险情况的综合
科学训练师必须识别出风险增高的情况，并建立标记系统，按照存在的风险因素数量划分运动员的层级。这些有风险的情况会根据项目和感兴趣的损伤而发生变化，但是在若干个因素同时出现的时候，损伤风险通常会增加。训练负荷情况可以量化为若干个不同的参数。已经识别出具有若干个风险因素的运动员可能需要额外的关注，方式是通过修改训练负荷或者额外的训练来修正其他可以改变的风险因素。
小节2.7.3： 实验对象内部的分析
训练科学领域内的有些人提倡进行单实验对象的分析叱这些分析通过标准化的分数，例如z值，来专注于监测运动员内部的变化。统计过程控制是一种更加正规的方法，它通过控制表发现异常值，阈值之外的条目会被标记出来。这类控制表可以通过各种ACWR迭代、不同的训练负荷变量或者其他纵向度量指标来执行。
小节2.7.4： 从预测值中找出非预期的结果
要是有来自给定运动员的足够数据，科学训练师在实际应用中也可以使用更加复杂的模型，并且随后再用它来发现非预期的值。认识到RPE的收集具有一定局限性和挑战之后，例如对运动员报告值的不利影响，每个运动员的RPE可以利用传统的回归方法或者更加复杂的机器学习模型来进行预测。结果与预期RPE相差甚远可能会表明一种对训练的不利响应。这种找出不利或非预期的内在负荷响应的方法可以用来比较给定外界负荷下的HR负荷。
小节2.7.5： 一种实用的启发式负荷监控模型
虽然从不同的分析方法中做选择可以为科学训练师的数据分析工作提供信息，但是不断地回归框架并且启发基于训练负荷的决策也会有所帮助。运动员监控循环（见图19.4）在其他文献中已经被提出来了，并且可以作为一个起点。监控周期从量化运动员已经执行过的负荷开始，在这里即量化与感兴趣的项目和损伤最为相关的外部负荷。筛选的变量和可改变的内在风险因素也可以加以测量，从而理解它们对运动员的负荷耐受性的影响。一旦运动员的外部负荷得以量化，科学训练师便可以测量他们的内部负荷，通过将外部负荷和内部负荷与计划负荷进行对比，来为将来的训练步骤提供信息。最后，必要时，运动员感知的好坏程度以及准备度的标志可能会通过提高或降低负荷来影响训练决策。
第3节 损伤风险信息交付、传播和决策
回顾预防模型的基本序列，损伤的监控和病因的探究会为设计可以被评估的预防措施提供信息。理论驱动的数据收集和分析可以为科学训练师理解损伤风险提供信息，但是如果不采取某种预防行动，该信息将无法预防任何损伤。因此，相关的信息必须以一种教练员和其他相关人员都可以理解的方式进行交付，这样他们才能做出更明智的表现和训练策略。不足为奇的是，科学训练师、医疗人员和教练员之间的沟通至关重要，因为沟通不良会带来较大的损伤负担。
在本章的作者看来，科学训练师至少必须记住4件事情。
•第1件： 他们的任务是与整体支撑团队中的其他成员协作，使该团队在一个共同决策的环境中工作。在这个环境中，他们分析和报告数据的专长和能力可以为不同部门的各种决策提供信息。
•第2件： 他们需要以一种尽可能无缝支撑这些决策的方式报告数据，从而提供一个决策支撑系统，该系统应如实地对待数据的不确定性，同时仍然传递简单的信息。
•第3件： 负荷监控不仅对损伤风险管理来说很重要，对于比赛的准备来说也很重要。科学训练师不应该认为训练只是为了预防损伤，训练还要让运动员为发挥自己的最佳水平做好准备。
•第4件： 根据风险变化的变量，相同的一套信息还会导致不同的决策。在运动员渴望参加的重要的季后赛中，被认为风险较高的运动员，比赛的意愿可能要远高于展示赛或者季前赛。
第4节 本章小结
在决定测量内容、测量频率以及所得数据的分析方法时，科学训练师应当仔细考量自己的理论框架。当在损伤风险背景中考量它时，科学训练师应当通过回顾运动项目的流行病学文献以及分析内在的损伤监控记录，来找出团队、机构或者项目内最常见的损伤。一旦科学训练师找出了自己所处项目内的负担最大的损伤，他们就应当审查这些已知的损伤风险因素，并决定哪些训练和比赛负荷度量指标与这种机体组织或损伤类型最为相关。如果可行，训练负荷应当持续地加以监控，并且可变风险因素的测量频率应当与可变风险因素的变化频率一致。训练负荷度量指标还可以用某种方式加以分析和情景化，这种方式可以让科学训练师理解训练是如何反映比赛的平均和最高要求、每个运动员的训练基础以及运动员的进步速率的。
本章的基本原理不仅适用于损伤风险建模，也适用于其他结果。在任何情况下，数据分析并不是盲目地运用统计学原理，而是一种将学科专业知识与分析决策相结合的思考性做法。
第19章 结束
赞赏将全部用于公益
截图时间：20/6/2024
