Page 438 - A Magyar Kardiológusok Társasága 2024. évi Tudományos Kongresszusának programja, az elhangzó előadások kivonatai

Sportkardiológia II.
Cardiologia Hungarica Sports cardiology II.

Mesterséges intelligencia alkalmazása Application of artificial intelligence in the study
a sportadaptációs folyamatok komplex of complex relationships in sport adaptation
összefüggéseinek vizsgálatában processes
Kiss Orsolya , Babity Máté , Zámodics Márk , Orsolya Kiss , Máté Babity , Márk Zámodics , Ádám
1
1
2
2
2
2
Szijártó Ádám , Fazekas Levente , Demeter Zalán , Szijártó , Levente Fazekas , Zalán Demeter , Klaudia
5
4
5
4
3
3
Babici Klaudia , Varga Ágnes , Boroncsok Dóra , Babici , Ágnes Varga , Dóra Boroncsok , Panka Éva
2
2
2
2
2
2
Kulcsár Panka Éva , Benkő Regina , Fábián Alexandra , Kulcsár , Regina Benkő , Alexandra Fábián , Hajnalka
2
2
6
2
2
6
Vágó Hajnalka , Kovács Attila , Becker Dávid , Vágó , Attila Kovács , Dávid Becker , Béla Merkely 3
7
9
7
8
8
9
Merkely Béla 3 1 Semmelweis University, Heart and Vascular Center, Sports
1 Semmelweis Egyetem, Városmajori Szív- és Érgyógyászati Cardiology
Klinika, Sportkardiológia 2 SU, Heart and Vascular Center, Cardiology, Sports cardiology
2 SEVSZÉK, Kardiológia, Sportkardiológia 3 SU, Heart and Vascular Center, Cardiology
3 SEVSZÉK, Kardiológia 4 SU, Heart and Vascular Center, Department of Heart Surgery
4 SEVSZÉK, Szívsebészeti Részleg 5 Budapest University of Technology and Economics
5 Budapesti Műszaki és Gazdaságtudományi Egyetem 6 SU, Heart and Vascular Center, Heart and Vascular Centre,
6 SEVSZÉK, Kardiológia Cardiology
7 SEVSZÉK, Kardiológiai Tanszék, Sportorvosi Tanszék 7 SU, Heart and Vascular Center, Faculty of Cardiology,
8 SEVSZÉK, Kardiológiai Tanszék Faculty of Sports Medicine
9 SEVSZÉK, Kardiológia, Haemodynamika, Budapest 8 SU, Heart and Vascular Center, Department of Cardiology
9 SU, Heart and Vascular Center, Cardiology, Cathlab, Budapest
Kulcsszavak: sportkardiológia, sportoló, mesterséges
intelligencia Keywords: sports cardiology, athlete, artifi cial intelligence
Bevezetés: A sportadaptáció jellemzésére sokféle mo- Introduction: Many parameters measured by a variety
dalitással mérhető számos paraméter szolgál. E para- of modalities are used to characterize sport adaptation.
méterek közti komplex összefüggésekről azonban kevés However, little is known about the complex relationships
adattal rendelkezünk. between them.
Célkitűzés: Nagyszámú sportoló és nem sportoló kont- Aim: To analyze the test results of a large number of ath-
roll vizsgálati eredményeinek analízise mesterséges in- letes and controls using artifi cial intelligence to reveal the
telligencia alkalmazásával a terhelésélettani összefüggé- relationships between exercise performance parameters.
sek elemzése céljából. Methods: A database was built from the results of anam-
Módszer: Az anamnézis, EKG, RR, testösszetétel, labora- nesis, ECG, RR, body composition, laboratory, cardiac
tóriumi, szívultrahang és spiroergometriás vizsgálatok ered- ultrasound and ergospirometry examinations. The analy-
ményeiből adatbázist építettünk. A terhelésélettani össze- sis of stress physiology parameters was performed using
függések elemzése unsupervised learning technikával és unsupervised learning technique and topological data
topológiai adatelemzéssel (TDA), majd supervised learning analysis (TDA), followed by supervised learning tech-
technikával, 6 különböző modell alkalmazásával történt. nique applying 6 diff erent models.
Eredmények: 765 fő 983 vizsgálatának (ffi : 566, kor: Results: We analyzed 180 diff erent parameters of 983
18,9 (11,0-65,0) év, élsportoló mérés: 712) 180 külön- examinations of 765 individuals (male: 566, age: 18.9
böző paraméterét vizsgáltuk. Az unsupervised learning (11.0-65.0) years, elite athlete measurements: 712). The
technika alkalmas volt a spiroergometriás mérések alap- unsupervised learning technique was suitable to create
ján nemek és kor szerint eltérő csoportok létrehozására, groups diff erentiated by gender and age based on ergo-
míg az egyes futó protokollok alapján nem különültek el spirometric measurements, while groups were not sepa-
a csoportok. A relatív maximális aerob kapacitás (VO- rated based on running protocols. Out of the supervised
2max) becslésére a supervised learning algoritmusok learning algorithms, the Random Forest method was
közül a Random Forest módszer bizonyult a legjobbnak: found to be the best for estimating relative maximal aero-
R2 0,46 [0,42-0,49], MAE: 4,02 [3,84-4,19], MSE: 26,86 bic capacity (VO2max): R2: 0.46 [0.42-0.49], MAE: 4.02
[24,25-29,47]. Ennek alapján a VO2max legerősebb nyu- [3.84-4.19], MSE: 26.86 [24.25-29.47]. This revealed that
galmi meghatározóinak a kor, a nem, a testösszetétel (pl. the strongest resting determinants of VO2max were age,
testzsír%, zsírmentes testtömeg index), a sportági beso- sex, body composition (e.g. body fat %, fat-free body
rolás, az edzés óraszám mellett a terhelés előtti pulzus és mass index), sport classifi cation, weekly exercise hours,
systolés vérnyomás, egyes laboratóriumi (pl. seCK, Hgb) pre-exercise heart rate and systolic blood pressure,
és szívultrahang (pl. pitvari átmérők) paraméterek bizo- some laboratory (e.g. seCK, Hgb) and cardiac ultrasound
nyultak. Egyes terhelhetőség szempontjából fontosnak (e.g. atrial diameter) parameters. Some factors conside-
tartott paraméterek, mint pl. a seFerritin szint nem mutat- red important for exercise capacity, such as seFerritin le-
tak szoros összefüggést a VO2max értékével. vels, did not show a strong correlation with VO2max.
Következtetés: Nagyszámú sportoló vizsgálati adatainak Conclusion: Analysis of test data from a large num-
mesterséges intelligencia alkalmazásával végzett analízi- ber of individuals using artifi cial intelligence will allow a
sével lehetővé válik a sportadaptációs folyamatok mögött deeper understanding of the relationships underlying
álló összefüggések mélyebb megértése és azok felhasz- sport adaptation processes and their use in exercise phy-
nálása a sportolók terhelésélettani követése során. siology follow-up of athletes.
C 438