index.utf8.md

class: inverse, left, middle

# Estimation du risque de blessure en hockey professionnel

## <hr align="left" width="50%" color='#4fb3bf' size=1px>

### Une approche bayésienne innovante

.white[
Romain Martinez*, Simon Deguire, Pierre Allard & Jonathan Tremblay

JdR 2019 | 2019-03-19
]

---
# .small[La moitié des athlètes de la LNH se blessent au cours d'une saison]

.pad[
.medium[Taux de blessures des saisons 2009 à 2012:]

<img src="fig/pie-injury.svg" width="200%" style="display: block; margin: auto;" />
.center.fade[Donaldson, 2014.]

.medium[Coût annuel estimé: __.primary[218 M $US]__]
]

---
# .small[Est-ce possible d'anticiper des blessures?]

.pull-left-tier.medium[
__Objectif__
 
 
 
]

.pull-right-tier.medium[
Explorer le lien entre le risque de blessure et des variables de charge __.primary[externe]__, __.primary[interne]__ et __.primary[médicale]__.
]

.pull-left-tier.medium[
__Hypothèse__
]

.pull-right-tier.medium[
Le suivi de variables __.primary[diverses]__ et l'utilisation de méthodes statistiques __.primary[adaptées]__ permettent d'anticiper des blessures.
]

---
class: inverse, middle, clear

# .light[1.] Une méthode pour suivre l'évolution la charge d'entrainement

## <hr align="left" width="50%" color='#4fb3bf' size=1px>

---
# .small[Le ratio A:C exponentiel permet de suivre les variations de charges]

.pad[
.medium[
`$$\text{A:C} = \frac{\text{charge}_\text{4 jours}}{\text{charge}_\text{16 jours}}$$`
]

.medium[Moyenne __glissante__ vs. __.primary[exponentielle]__]

<img src="fig/weight.svg" style="display: block; margin: auto;" />
]

---
class: inverse, middle, clear

# .light[2.] Les variables à considérer pour anticiper une blessure

## <hr align="left" width="50%" color='#4fb3bf' size=1px>

---
# .small[Si les blessures sont multifactorielles, il faut être multivarié]
.medium[
__Collecte de données__

.pull-left-tier[
Charge __.primary[externe]__
 
 
]
.pull-right-tier[
Player Load (somme des accélérations) 
depuis accéléromètre
]

.pull-left-tier[
Charge __.primary[interne]__
 
 
]
.pull-right-tier[
Repos, sommeil, douleur 
depuis questionnaire quotidien
]

.pull-left-tier[
Charge __.primary[médicale]__
]
.pull-right-tier[
Fréquence de traitement 
depuis dossier médical
<img src="fig/logos.svg" width="30%" style="display: block; margin: auto 0 auto auto;" />
]
]
---
# .small[Traitement et douleur semblent variés avant une blessure]

---
class: inverse, middle, clear

# .light[3.] Une méthode statistique adaptée à l'estimation d'un risque de blessure

## <hr align="left" width="50%" color='#4fb3bf' size=1px>

---
# .small[Une régression linéaire pour prédire une variable continue]
.pad[
.medium[
Régression linéaire __.primary[simple]__:
`$$y=\alpha + \beta x$$`

Régression linéaire __.primary[multiple]__:
`$$y = \alpha + \beta_1 x_1 + \cdots + \beta_n x_n$$`
]
]

---
# .small[Une régression logistique pour prédire une catégorie]

.pad[
.medium[

$$
`\begin{aligned}
& P (X= \text{blessé}) = \frac{1}{1 + e^{-\color{#00838f}{y}}} \quad \text{, avec} \\
& \color{#00838f}{y} = \alpha + \beta_1 x_1 + \cdots + \beta_n x_n
\end{aligned}`
$$
<img src="fig/logit.svg" style="display: block; margin: auto;" />
]
]

---
# .small[Les statistiques bayésiennes sont utiles pour estimer un risque]
.pad.medium[Statistiques __fréquentielles__

Statistiques __.primary[bayésiennes]__

<img src="fig/bayes.svg" width="70%" style="display: block; margin: auto;" />
]

---
class: inverse, middle, clear

# .light[4.] L'association entre nos variables d'intérêt et le risque de blessure

## <hr align="left" width="50%" color='#4fb3bf' size=1px>

---
# .small[Les coefficients du A:C douleur et traitement sont différents de 0]

.medium.pad[
__Coefficients `$\beta$`__
]

---
# .small[Augmenter A:C douleur et traitement de 0.1 modifie la prédiction]

.medium.pad[
`$\text{odds} _ {\text{ 0.1}} = e^{\beta^{0.1}}$`
]

---
# .small[La douleur est inversement corrélée avec le traitement]

.medium.center[__Traitement__ et __.primary[douleur]__]
<img src="fig/glm.svg" width="75%" style="display: block; margin: auto;" />

---
#

.medium.center[ ]

<img src="fig/nicolas.svg" width="80%" style="display: block; margin: auto;" />
---
# .small[Corrélation ≠ causalité]

.medium.center[__Noyades dans des piscines__ vs. __.primary[Films avec Nicolas Cage]__]

---
# .small[Conclusion]

.medium.pad[

Des variations de __.primary[traitements]__ et __.primary[douleurs]__ semblent être corrélées à un risque de blessure.

> All models are wrong, but some are __useful__.

Cette corrélation peut-être utile pour __.primary[anticiper]__ une blessure.
]

---
class: inverse, left, middle

# Estimation du risque de blessure en hockey professionnel

## <hr align="left" width="50%" color='#4fb3bf' size=1px>

### Une approche bayésienne innovante

.white[
Romain Martinez*, Simon Deguire, Pierre Allard & Jonathan Tremblay

JdR 2019 | 2019-03-19
]

---
# .small[Proportion des blessures]

---
# .small[Distribution des variables]

---
# .small[Équilibre des classes]

.medium.pad[
__.primary[Initialement]__

`$$n_{\text{injured}} = 99 \quad | \quad n_{\text{non-injured}} = 3709$$`
__.primary[Cluster-based under-sampling]__

`$$n_{\text{injured}} = 99 \quad | \quad n_{\text{non-injured}} = 99$$`
]