Mesterséges intelligencia a sportorvoslásban – többet tudunk, vagy csak többet mérünk?

Sportorvos.hu
Share

Sportorvosi szűrés, teljesítményoptimalizálás, sérülésmegelőzés és rehabilitáció az algoritmusok korában

A mesterséges intelligencia egyre több sportorvosi feladatban jelenik meg. Algoritmusok elemeznek EKG-felvételeket, becsülnek sérülési kockázatot, dolgoznak fel edzésterhelési adatokat, és segíthetik a rehabilitáció követését. Az élsportban a teljesítmény legális optimalizálásához is új lehetőségeket ígérnek. Egy 2026-os tudományos vita azonban arra figyelmeztet, hogy a pontosnak látszó előrejelzés nem feltétlenül eredményez jobb orvosi döntést. Hol tart ma az AI alkalmazása a sportorvoslásban, mit bizonyítottak a kutatások, és milyen feltételekkel válhat a technológia valóban hasznos eszközzé?

Amikor az algoritmus belép a sportorvosi rendelőbe

Egy huszonkét éves versenysportoló az idény előtti sportorvosi alkalmassági vizsgálatra érkezik. Évek óta rendszeresen edz, korábbi vizsgálatai nem mutattak jelentős eltérést. Az új vizsgálat előtt elektronikus kérdőívet tölt ki, amelyben családi előzményekről, korábbi sérülésekről, gyógyszerszedésről és az elmúlt hónapok panaszairól is nyilatkozik. A rendszer összeveti válaszait a korábbi dokumentációval, majd az aktuális EKG elemzésével együtt figyelmeztetést jelenít meg. A sportoló jól érzi magát, az edzéseken megfelelően teljesít, mégis felmerül egy olyan egészségügyi kérdés, amelyet az orvosnak tisztáznia kell.
Ugyanezt a sportolót a teljesítménystáb másik digitális rendszerben is követi. A GPS-mérések, az edzésterhelési mutatók, az ugrástesztek és az alvásadatok alapján egy algoritmus fokozott sérülési kockázatot jelez, és a következő napok terhelésének csökkentését javasolja. Az egyik rendszer egészségügyi eltérést próbál felismerni, a másik jövőbeli eseményt becsül. Mindkettő befolyásolhatja a sportoló életét, noha a két jelzés tudományos és klinikai jelentése egészen eltérő.

A történet szemléltető példa, de a helyzet egyre kevésbé elméleti. A sportorvoslásban ma már sokféle egészségügyi, élettani és biomechanikai adat keletkezik. A mesterséges intelligencia ezek feldolgozását, összekapcsolását és értelmezését segítheti. A nagyobb adatfeldolgozási kapacitás azonban önmagában nem jelent jobb ellátást. Az algoritmus eredményének akkor van valódi értéke, ha megbízható információt ad, indokoltan befolyásolja a szakmai döntést, és használata a sportoló egészségében, terhelhetőségében vagy teljesítményében is igazolható előnnyel jár. Ez a különbség vált egy 2026-os sporttudományi vita központi kérdésévé.

Egy tudományos vita a mesterséges intelligencia valódi hasznáról

A Medicine & Science in Sports & Exercise 2026. októberi számában két kutatócsoport egymással szemben álló című közleményt jelentetett meg. Benjamin Hando és munkatársai az Artificial Intelligence Is Not a Useful Tool in Exercise Science and Sports Medicine című írásukban a jelenleg alkalmazott mesterségesintelligencia-rendszerek hasznosságát kérdőjelezték meg. Bradley Nindl és Karl Friedl ezzel szemben amellett érveltek, hogy az AI már ma is értékes eszköz lehet a sporttudományban és a sportorvoslásban. A két álláspontot külön viszontválaszok követték. (Hando és mtsai., 2026 – PubMed) (Nindl és Friedl, 2026 – PMC) (Hando és mtsai., viszontválasz) (Nindl és Friedl, viszontválasz – PMC)

A címek alapján könnyű volna a vitát a technológia támogatói és ellenzői közötti egyszerű nézetkülönbségnek tekinteni. A szerzők álláspontja azonban közelebb áll egymáshoz, mint amit a címek sugallnak. Hando és munkatársai elsősorban azokat a kereskedelmi, gyakran zárt működésű sérülés-előrejelző és teljesítményértékelő rendszereket bírálják, amelyek megfelelő független és prospektív validáció nélkül kerülnek a gyakorlatba. Nem a gépi tanulás tudományos lehetőségét vitatják, hanem a bizonyítékok nélküli alkalmazás következményeit. Nindl és Friedl az összetett élettani és teljesítményadatok elemzésében rejlő lehetőségeket hangsúlyozzák, miközben maguk is szükségesnek tartják az ellenőrzött fejlesztést és az emberi szakmai felügyeletet.

A nézetkülönbség lényegében abban áll, mikor tekinthető egy ígéretes technológia már a mindennapi gyakorlatban is használhatónak. Ez a sportorvoslásban különösen fontos, mert egy kockázati pontszám alapján módosított terhelés, egy tévesen megnyugtató szűrési eredmény vagy egy indokolatlan rehabilitációs döntés közvetlenül érintheti a sportoló egészségét és pályafutását.

A mesterséges intelligenciát ugyanakkor nem célszerű egységes technológiaként kezelni. A hagyományos statisztikai modellekhez kapcsolódó gépi tanulási eljárások, a mélytanuló képfeldolgozó rendszerek és a szövegfeldolgozásra alkalmas nagy nyelvi modellek különböző feladatokat látnak el. Egy sérülés valószínűségét becslő modellnek más követelményeknek kell megfelelnie, mint egy EKG-felvételt értékelő vagy egy orvosi dokumentációt összefoglaló rendszernek. A módszerek közötti különbségek mellett a felhasználás célja határozza meg, milyen bizonyíték szükséges az alkalmazáshoz.

Egy 2026-ban megjelent feltérképező áttekintés 97 sportorvosi mesterségesintelligencia- és gépitanulás-kutatást dolgozott fel. A vizsgálatok 70,1%-a ortopédiai, 18,6%-a neurológiai alkalmazásokkal foglalkozott; elsősorban sérülés-előrejelzéssel, diagnosztikai képalkotással és a felépülés becslésével. Sok modell kedvező statisztikai eredményeket mutatott a fejlesztéshez használt adatokon, de a külső validáció, a kalibráció megfelelő közlése és a valós klinikai munkafolyamatban történő értékelés gyakran hiányzott. Az áttekintésben mindössze egy kutatás próbált tényleges beavatkozásos sérülésmegelőzési stratégiát vizsgálni. Az eredmények elsősorban az ortopédiai és neurológiai alkalmazások bizonyítottságáról adnak képet, ezért nem terjeszthetők ki automatikusan a sportkardiológia vagy a teljesítményoptimalizálás egészére. (BMC Medical Informatics and Decision Making, 2026 – PMC) Az áttekintés adatbázis-keresése 2026. február 5-én zárult; a később megjelent, közvetlenül sportolói populációkon végzett kutatások így nem kerülhettek a 97 bevont tanulmány közé.

Sportorvosi szűrés – az intelligens egészségértékelés lehetősége

A sportorvosi szűrés a mesterséges intelligencia egyik legérzékenyebb alkalmazási területe. A sportoló alkalmasságának megítélése nem egyetlen vizsgálati eredmény normális vagy kóros besorolásából áll. Az anamnézis, a családi előzmények, az aktuális panaszok, a fizikális vizsgálat, a sportági követelmények és a korábbi egészségügyi dokumentáció együttesen befolyásolják, szükséges-e további kivizsgálás, és milyen feltételekkel folytatható a sporttevékenység.

A sportolás előtti kardiovaszkuláris szűrésben különösen fontos a fiziológiás sportolói szívadaptáció és a kóros eltérések elkülönítése. Az intenzív edzés hatására kialakuló egyes EKG-jelenségek egészséges sportolóknál is megfigyelhetők, miközben bizonyos szívbetegségek korai vagy enyhe formái nehezen felismerhetők. A mesterséges intelligencia a komplex EKG-mintázatok elemzésében segíthet, de a felismerni kívánt betegség, a vizsgálati populáció és az alkalmazott döntési küszöb alapvetően befolyásolja a modell gyakorlati értékét.

Palermi és munkatársai 2026-ban kórházi adatokon fejlesztett AI-alapú EKG-modelleket ellenőriztek az ITACARD-AI regiszter 1115 versenysportolóján. A vizsgálatban 48 sportolónál billentyűbetegséget, 30-nál kardiomiopátiát azonosítottak. A külső validáció során a ROC-görbe alatti terület (AUC) 0,70 volt a billentyűbetegségek, 0,69 a kardiomiopátiák felismerésében. Ezek mérsékelt megkülönböztető képességet jeleznek. A pozitív prediktív érték a vizsgált küszöböknél legfeljebb 8%-ot ért el, vagyis a pozitív jelzések túlnyomó része nem igazolt célbetegséget. A negatív prediktív érték közel 99% volt, ami azonban az alacsony betegség-előfordulás miatt önmagában nem bizonyítja, hogy az algoritmus biztonsággal kizárhatja az eltéréseket. (Palermi és mtsai., 2026 – PubMed)

A vizsgálat jelentősége túlmutat az adott EKG-modelleken. Megmutatja, milyen nehéz egy kórházi beteganyagon fejlesztett algoritmust egészséges sportolók szűrésében alkalmazni. A kardiológiai szakellátásba kerülő betegek és a rutinszerű sportorvosi vizsgálaton részt vevők között eltér a betegségek gyakorisága, súlyossága és megjelenési formája. A sportolók élettani szívadaptációja további különbségeket teremt. Egy algoritmus jó kórházi teljesítményéből ezért nem következik, hogy a sportorvosi szűrésben is hasonlóan működik.

A VALETUDO-vizsgálat más megközelítést alkalmazott. A kutatók 526, 18–60 éves versenysportoló klinikai adatait és nyugalmi, 12 elvezetéses EKG-ját egyesítő mélytanuló modellt fejlesztettek. A tízszeres keresztvalidáció során a rendszer 0,72-es AUC-t, 68%-os érzékenységet és 61%-os fajlagosságot ért el, a közölt negatív prediktív érték 0,48 volt. A vizsgálatban 166 sportoló, a minta 32%-a kapott „negatív PPS” minősítést: ez az olasz alkalmassági eljárásban azt jelentette, hogy a versenysporthoz szükséges alkalmasságot átmenetileg vagy tartósan nem igazolták, nem pedig azt, hogy az orvosi szűrés nem talált betegséget. A kutatók tudatosan a szokásos szűrőpopulációnál magasabb arányban vontak be ilyen eseteket a modell fejlesztésének támogatására; a vizsgálat szerzői szerint a rutinszerű olasz sportorvosi szűrésben ez az arány körülbelül 8–9%. Az algoritmus tehát a klinikai alkalmassági besorolást próbálta reprodukálni, nem meghatározott szívbetegséget diagnosztizált, és nem a későbbi súlyos kardiális eseményeket jelezte előre. A sajátos mintaszerkezet és a független külső validáció hiánya miatt a prediktív értékek nem általánosíthatók közvetlenül a tünetmentes sportolók rutinszűrésére. (VALETUDO, 2026 – PubMed)

A két vizsgálat különböző feladatokat értékelt. Az ITACARD-AI meghatározott szívbetegségek felismerésére irányult, a VALETUDO pedig a sportorvosi kardiovaszkuláris szűrés klinikai besorolását modellezte. Egyik eredménye sem azonos a teljes sportorvosi alkalmassági döntés megbízhatóságával, és nem igazolja önmagában a súlyos kardiális események megelőzését. Ez utóbbihoz egészen más, hosszabb távú és módszertanilag összetettebb vizsgálatok szükségesek.

A sportorvosi szűrésben az AI alkalmazása ugyanakkor nem korlátozódik az EKG automatikus értékelésére. A periodikus sportorvosi alkalmassági vizsgálatok során hosszú éveken át keletkezhetnek egészségügyi adatok. A korábbi anamnézis, a jelenlegi tünetek, a diagnózisok, a gyógyszerelés, a sérülések és a szakorvosi leletek együttes feldolgozása segítheti a klinikailag fontos változások felismerését. Egy intelligens döntéstámogató rendszer például jelezhetné, ha a sportoló korábbi negatív anamnézise után terheléshez társuló eszméletvesztésről számol be, ha egy korábban javasolt kardiológiai kivizsgálás eredménye hiányzik, vagy ha egy új leletben szereplő eltérés további orvosi értékelést igényel.

Az egyértelmű figyelmeztető tünetek felismeréséhez nem feltétlenül szükséges mesterséges intelligencia. Egy átlátható, szakmai szabályokra épülő döntéstámogató rendszer sok esetben megfelelőbb és könnyebben ellenőrizhető megoldás lehet. Az AI főként a különböző formátumú dokumentumok feldolgozásában, a hosszabb idő alatt kialakuló mintázatok felismerésében és a megfelelően validált, specifikus előrejelzésekben adhat többletet. A rendszernek nem önálló sportalkalmassági döntést kellene hoznia, hanem olyan információkat kellene a sportorvos elé tárnia, amelyek javítják a vizsgálat minőségét és a további betegút követhetőségét.

Az ilyen fejlesztés eredményességét nem pusztán az orvosi besorolással való egyezés alapján kellene megítélni. A valódi kérdés az, hogy a szokásos ellátáshoz képest kevesebb releváns klinikai figyelmeztető jel marad-e észrevétlen, javul-e a szükséges továbbvizsgálások megvalósulása, csökken-e az indokolatlan kivizsgálások száma, és megbízhatóbban zárulnak-e le a betegutak. A téves pozitív jelzések ugyanakkor további vizsgálatokat, pszichés terhet és akár indokolatlan sportolási korlátozást eredményezhetnek. A tévesen megnyugtató eredmény különösen veszélyes, ha miatta háttérbe szorul egy valódi figyelmeztető tünet. Az algoritmus alacsony kockázati pontszáma nem írhatja felül a klinikai gyanút.

A sportorvosi szűrés AI-alapú támogatásának ezért különösen fontos követelménye a sportolói populációkra történő önálló validáció. A felnőtt élsportolókra vagy katonai populációkra fejlesztett modellek teljesítménye nem feltétlenül vihető át gyermekekre, serdülőkre, női sportolókra vagy eltérő sportági terhelésnek kitett csoportokra. Magyarországon, ahol a sportorvosi alkalmassági vizsgálatok jelentős része utánpótláskorú sportolókat érint, ez alapvető fejlesztési és betegbiztonsági szempont.

A 2025-ös AHA/ACC sportkardiológiai állásfoglalás is a klinikai kockázatok egyéni mérlegelését, a bizonytalanság felismerését és a sportolóval közös döntéshozatalt hangsúlyozza. A dokumentum nem AI-alapú szűrési útmutató, de jól kijelöli azt a klinikai környezetet, amelyben egy algoritmikus döntéstámogató rendszernek működnie kellene. (AHA/ACC, 2025 – PMC)

Teljesítményoptimalizálás – mit adhat hozzá az AI az élsporthoz?

A sportorvosi munka az élsportban nem merül ki a betegségek és sérülések felismerésében. A sportorvos a sportoló egészségének védelme mellett a terhelhetőség, a regeneráció, az élettani működés és a teljesítményt befolyásoló egészségi tényezők értékelésével is hozzájárul a felkészüléshez. A legális teljesítményoptimalizálás az edző, a sportorvos, a teljesítménydiagnosztikával foglalkozó szakemberek, a sportdietetikus és más közreműködők összehangolt munkáját igényli. Az edzés tervezése elsősorban edzői és sporttudományi feladat, míg a sportorvosi hozzáadott érték különösen a klinikai korlátok, az egészségi kockázatok és az egyéni terhelési válasz értelmezésében jelenik meg.

A mesterséges intelligencia ezen a területen azért vonzó, mert az edzésfolyamat során folyamatosan keletkeznek különböző mérési adatok. A külső terhelés jellemezhető sebességgel, gyorsulással, megtett távolsággal, elvégzett munkával vagy mechanikai teljesítménnyel. A belső terhelésről a pulzus, a szubjektív terhelésérzet és más élettani mutatók adhatnak információt. A teljesítményváltozás sportágspecifikus tesztekkel és versenyeredményekkel követhető. Ezek az adatok összefüggnek, de nem helyettesítik egymást. Két sportoló azonos külső terhelésre eltérően reagálhat, és ugyanannak a sportolónak az edzésválasza is módosulhat az edzettség, az egészségi állapot és a regeneráció függvényében.

Az AI egyik lehetséges előnye, hogy a különböző idősorokat együttesen elemzi, és olyan mintázatokat ismer fel, amelyek a hagyományos értékelés során kevésbé nyilvánvalók. Az algoritmus azonban nem helyettesítheti az edzésélettani összefüggések értelmezését. Az előírt terhelés, a ténylegesen elvégzett munka, az akut fiziológiai válasz és a hosszabb távon kialakuló adaptáció különböző folyamatok. Egy modell pontosan becsülheti a következő edzés várható pulzusválaszát anélkül, hogy az általa javasolt edzésprogram nagyobb aerob kapacitást vagy jobb versenyteljesítményt eredményezne.

Reiner és munkatársai 2026-os narratív áttekintése a mesterséges intelligencia edzéstervezési és edzői alkalmazásait négy területen vizsgálta: a viselhető érzékelők adatainak integrálása, az előrejelző modellezés, a virtuális edzőrendszerek és az általános célú nagy nyelvi modellek felhasználása. A szerzők jelentős különbséget azonosítottak a technológiai lehetőségek, a tudományos közlemények és a kereskedelmi rendszerek valós alkalmazása között. Ez az áttekintés jól bemutatja a fejlesztési irányokat, de nem bizonyítja, hogy az AI által készített edzésprogramok általánosan jobb eredményt hoznak a szakszerűen individualizált, ember által vezetett edzéstervezésnél. (Reiner és mtsai., 2026 – PubMed)

A teljesítményoptimalizálás területén ezért különösen fontos a megfelelő összehasonlító vizsgálat. Egy algoritmus hatását akkor lehet érdemben megítélni, ha az AI-val támogatott edzéstervezést olyan hagyományos programmal hasonlítják össze, amely maga is követi a korszerű edzéselméleti és sportorvosi elveket. A vizsgálatnak nem elegendő azt bemutatnia, hogy a szoftver jó előrejelzéseket készít. Mérnie kell a ténylegesen elvégzett terhelést, az edzéshez való alkalmazkodást, a sportágspecifikus teljesítményváltozást és a nemkívánatos következményeket. Meggyőző, különböző sportágakra általánosítható bizonyíték ilyen teljesítményelőnyre jelenleg nem azonosítható a feldolgozott irodalomban.

Hasonló óvatosság szükséges a regeneráció és a sporttáplálkozás algoritmikus támogatásánál. Az alvás, a pulzusvariabilitás, a tápláltsági állapot, az energiarendelkezésre állás és a különböző biokémiai mutatók segíthetik a sportolói állapot értékelését, de egyik sem ad önmagában teljes képet a regenerációról. A pillanatnyi fáradtság, a tartós alkalmazkodás és a betegséghez kapcsolódó teljesítményromlás elkülönítéséhez klinikai és sportági kontextus szükséges. A relatív energiahiány a sportban (REDs) például több szervrendszer működését és a sportteljesítményt is érintheti, felismerése pedig multidiszciplináris értékelést igényel. Néhány viselhetőeszköz-mutatóból megbízható REDs-diagnózis nem állítható fel. (IOC REDs-konszenzus, 2023 – BJSM)

A teljesítmény legális fokozása során a doppingellenes szabályok betartása alapkövetelmény, de a megengedett eljárások sem tekinthetők automatikusan biztonságosnak vagy hatásosnak. Egy algoritmus által javasolt étrendi, regenerációs vagy terhelésmódosítási stratégia akkor fogadható el szakmailag, ha az egyéni egészségi körülményekkel összeegyeztethető, megfelelő tudományos alapja van, és a végrehajtás során a sportoló válasza is követhető. A sportorvosi kontroll értéke nem a maximális rövid távú teljesítmény mindenáron történő elérésében, hanem a tartós teljesítményfejlődés egészségi feltételeinek megőrzésében áll.

Sérülés-előrejelzés – a mérés és a kockázatbecslés határai

A sportsérülések előrejelzése a mesterséges intelligencia egyik legtöbbet vizsgált alkalmazása. Az elképzelés szerint a korábbi sérülések, az edzésterhelés, a biomechanikai mutatók és a sportoló aktuális állapota alapján felismerhetők azok a helyzetek, amikor a sérülés kockázata növekszik. A gyakorlatban azonban a sérülések különböző mechanizmusok következtében alakulnak ki, a kockázat időben változik, és az egyes tényezők hatása függ a sportági környezettől is.

Hando és munkatársai olyan kereskedelmi rendszereket vizsgáltak, amelyek mozgásrögzítés vagy erőplatformos mérés alapján kívántak sérülési kockázatot becsülni. Egy jelölő nélküli mozgásrögzítő rendszert 1570 katonai kiképzésben részt vevő férfin értékeltek. Az összes mozgásszervi sérülés előrejelzésére 0,53-as, az alsó végtagi sérülésekre 0,54-es AUC-értéket kaptak. Egy másik, erőplatformos rendszer 823 résztvevőnél 0,51–0,52 körüli AUC-értékeket mutatott. Ezek a vizsgált körülmények között lényegében a véletlenszerű besoroláshoz közeli megkülönböztető teljesítményt jelentettek. (Hando és mtsai., 2026 – PubMed)

A kutatócsoport későbbi algoritmusauditja különösen tanulságos volt. Egy kereskedelmi erőplatformos rendszer sérüléskockázati pontszámát jelentős részben a testtömeg és az ugrásmagasság befolyásolta. Amikor a résztvevők szándékosan kisebb erőkifejtéssel végezték az ugrástesztet, az algoritmus kedvezőbb kockázati pontszámot adhatott. A gyengébb teljesítmény így bizonyos körülmények között kisebbnek látszó sérülési kockázatot eredményezett. (Butler és mtsai., 2025 – PubMed)

Ez az eredmény nem az erőplatformos mérés megbízhatóságát vagy sporttudományi jelentőségét kérdőjelezi meg. Egy erőplatform megfelelő eszköz lehet az ugrásteljesítmény és különböző mechanikai jellemzők mérésére. Más kérdés, hogy a mért változókból számított összetett pontszám képes-e érvényesen becsülni a jövőbeli sérüléseket. Az adatgyűjtő eszköz mérési megbízhatóságát és az arra épített algoritmus klinikai érvényességét ezért külön kell vizsgálni.

Leckey és munkatársai 2025-ös feltérképező áttekintése 38, sportsérülés-előrejelzéssel foglalkozó kutatást értékelt. Egyes gépi tanulási modellek kedvező statisztikai eredményeket mutattak, de a sérülésdefiníciók, az előrejelzési időtávok, a mintanagyságok és az adatfeldolgozási módszerek jelentősen különböztek. A hagyományos logisztikus regresszió több összehasonlításban versenyképesnek, egyes esetekben jobbnak bizonyult a bonyolultabb modelleknél. Az áttekintés szerint a kedvező AUC-érték sem feltétlenül jelent klinikailag használható előrejelzést, különösen akkor, ha a vizsgált sérülés meghatározása túl tág, vagy a becslés időtávja nem illeszkedik a tényleges terhelési döntéshez. (Leckey és mtsai., 2025 – PMC)

Egy 2026-os szisztematikus áttekintés 18 empirikus kutatást vont be. A PROBAST módszertani értékelés alapján mindössze egy tanulmány rendelkezett összességében alacsony torzításkockázattal. A modellek többségét kizárólag belső validációval ellenőrizték, és a kutatási populációkban a férfiak felülreprezentáltak voltak. Az eredmények alapján a gépi tanulás alkalmas lehet összetett kockázati mintázatok vizsgálatára, de a jelenlegi bizonyítékok nem elegendők az általános, rutinszerű sérülés-előrejelző alkalmazáshoz. (Lee és mtsai., 2026 – PubMed)

Az előrejelző teljesítmény gyakorlati határait egy 2026 augusztusában megjelent, többcsapatos rögbivizsgálat különösen szemléletesen mutatta meg. Leckey és munkatársai 129 profi férfi játékos három idényből származó terhelési, jólléti és mozgásszervi adatait elemezték. A következő edzésen vagy mérkőzésen bekövetkező, kontaktus nélküli alsó végtagi lágyrészsérüléseket becslő modellek közül a legjobb 0,66-os AUC-értéket ért el, de pozitív jelzéseinek mindössze 1,3%-a volt helyes: egy valódi sérülésjelzésre körülbelül 77 téves riasztás jutott. A kedvezőnek tűnő adatgazdagság és a több idényt átfogó elemzés tehát nem eredményezett a napi sportorvosi és edzői döntésekhez megbízható egyéni előrejelzést. A vizsgálat egy meghatározott sérüléstípusra és férfi rögbijátékosokra vonatkozott, ezért számai nem általánosíthatók valamennyi sportágra. Leckey és mtsai., 2026 – Sports Medicine – Open

A sérüléskockázat értelmezésében az előrejelzési időtáv és a kiinduló sérülésgyakoriság meghatározó. Egy sportoló következő heti kockázata nem azonos az egész idényre vonatkozó kockázatával, a különböző sérüléstípusok pedig nem feltétlenül írhatók le egyetlen pontszámmal. Ritka események esetén még a megfelelő érzékenységű és fajlagosságú modell is sok téves riasztást adhat. A magas kockázatú besorolásból ezért csak akkor következhet indokolt beavatkozás, ha az algoritmus teljesítménye mellett a beavatkozás várható előnyeit és következményeit is ismerjük.

A sérüléstől a sportba való visszatérésig

A mesterséges intelligencia a már kialakult sportsérülések ellátásában is segíthet. A képalkotó vizsgálatok elemzése, a mozgásminőség követése, a rehabilitációs terhelés értékelése és a várható funkcionális fejlődés becslése különböző, algoritmikusan támogatható feladatok. A képalkotó diagnosztikában egy rendszer például segítheti bizonyos anatómiai eltérések azonosítását, de a felismert képi jel jelentőségét a tünetekkel, a fizikális vizsgálattal és a sportoló funkcionális állapotával együtt kell értelmezni. Az anatómiai eltérés felismerése és a megfelelő kezelési döntés nem ugyanaz a feladat.

A rehabilitációban a kamerás mozgáselemzés, az erőplatformok és a különböző mozgásérzékelők olyan információkat szolgáltathatnak, amelyek az izomerő, a mechanikai teljesítmény, a mozgás szimmetriája, a fékezési képesség vagy a fáradás hatására változó mozgásminőség értékelésében hasznosak. A mesterséges intelligencia elősegítheti ezek együttes feldolgozását, de az algoritmus által létrehozott pontszám nem feltétlenül fejezi ki a sportoláshoz szükséges teljes funkcionális kapacitást.

Egy elülső keresztszalag-sérülés után rehabilitált labdarúgó például megfelelő izomerő- és ugrásteszt-eredményeket érhet el, miközben a nagy sebességű fékezések, az ismételt irányváltoztatások és a váratlan játékhelyzetek még nehézséget okoznak számára. Egy automatizált funkcionális értékelőrendszer kedvező pontszámot adhat, ha elsősorban az erő- vagy ugrásparamétereket veszi figyelembe. A sportorvosnak és a rehabilitációs csapatnak ugyanakkor a mozgás minőségét, az ismételt terhelés tolerálását, a sportági követelményeket és a pszichológiai készenlétet is értékelnie kell. Az eset szemléltető példa, de valós rehabilitációs döntési problémát mutat be.

A szöveti gyógyulás, a fájdalommentesség, az alapvető funkció helyreállása, a sportba való visszatérés és a korábbi teljesítményszint visszanyerése különböző állapotok. Az AI-nak is ezekhez a döntési szintekhez kell megfelelően validált információt szolgáltatnia. Egy rehabilitációs algoritmus tényleges klinikai értékét ezért nem pusztán az mutatná meg, mennyire pontosan becsüli a felépülés várható idejét, hanem az is, hogy használatával javul-e a funkcionális helyreállás, biztonságosabbá válik-e a visszatérés, és csökken-e az ismételt sérülések kockázata.

A predikció még nem bizonyított klinikai hasznosság

A sportorvosi szűrés, a teljesítményoptimalizálás és a sérülésmegelőzés eltérő alkalmazási területek, mégis közös módszertani követelmény kapcsolja össze őket. Egy algoritmus előrejelző teljesítménye nem azonos azzal, hogy használata kedvezőbb klinikai vagy sportteljesítménybeli eredményt hoz.

Térjünk vissza a nyitó helyzethez. A sportoló magas sérülési kockázati pontszámot kap, ezért az edző csökkenti a következő napok terhelését. A sportoló nem sérül meg. Ebből önmagában nem következik, hogy az algoritmus helyesen jelezte előre a veszélyt, sem az, hogy a terheléscsökkentés megelőzött egy sérülést. Elképzelhető, hogy az eredeti edzésterv mellett sem történt volna sérülés. Az is lehetséges, hogy a kockázati jelzés indokolt volt, és a beavatkozás valóban kedvezően hatott. A két lehetőséget megfelelő vizsgálati elrendezés nélkül nem lehet elkülöníteni.

Az algoritmus alapján végzett beavatkozás ráadásul megváltoztatja a későbbi eseményeket. Ha a magas kockázatúnak minősített sportoló kevesebbet edz, sérülési kockázata csökkenhet, de a kisebb terhelés az edzésadaptációt vagy a versenyteljesítményt is befolyásolhatja. A kockázatbecslő rendszer klinikai hasznának vizsgálatához ezért tudni kell, milyen döntési szabályokat alkalmaztak, milyen beavatkozások történtek, mi lett volna a megfelelő összehasonlító ellátás, és milyen egészségi vagy teljesítménybeli következmények jelentkeztek.

A modellek megkülönböztető képességét gyakran a ROC-görbe alatti területtel (AUC) jellemzik. Ez azt fejezi ki, hogy a modell mennyire képes elkülöníteni az eseményt később elszenvedő és az eseménytől mentes személyeket. A kalibráció ezzel szemben arra vonatkozik, hogy a becsült valószínűségek megfelelnek-e a ténylegesen megfigyelt kockázatnak. A klinikai döntéshez mindkettő fontos lehet, de egyik sem határozza meg önmagában, hogy milyen küszöbértéknél indokolt beavatkozni. Ehhez a várható előnyöket, a téves riasztások következményeit, a beavatkozás kockázatait és költségeit is figyelembe kell venni.

Az összehasonlításnak nem szabad a véletlenszerű besorolásra korlátozódnia. Egy összetett gépi tanulási modell akkor jelent valódi előrelépést, ha megfelelő körülmények között többet nyújt egy egyszerűbb statisztikai modellnél, a bevett klinikai értékelésnél vagy egy jól felkészült sportorvosi csapat döntésénél. A nagyobb algoritmikus összetettség nem önmagában előny. Az átláthatóság, a reprodukálhatóság, az alkalmazás költsége és a hibás döntések következményei ugyancsak befolyásolják a választást.

Hando és munkatársai különösen hangsúlyozzák az összefüggés és az oksági kapcsolat elkülönítését. A modell azonosíthat olyan változókat, amelyek együtt járnak a sérülési kockázattal, de ettől még nem bizonyított, hogy ezek módosítása csökkenti a sérülések számát. A kockázati jelző lehet egy összetettebb élettani vagy terhelési folyamat következménye, nem pedig a sérülés közvetlen oka. Ha a szakember kizárólag a modell által kiemelt, de okságilag nem igazolt változót próbálja módosítani, a kívánt hatás elmaradhat.

A klinikai hasznosság bizonyítása ezért hosszabb folyamat, mint egy modell statisztikai tesztelése. Egy sportorvosi döntéstámogató rendszer fejlesztésekor először a bemeneti adatok minőségét és a releváns klinikai feladatot kell meghatározni. Ezt követheti a retrospektív algoritmusaudit, majd a független külső validáció. A következő lépés olyan prospektív, párhuzamos értékelés lehet, amelyben az algoritmus a szokásos ellátás mellett működik, de jelzései egyelőre nem befolyásolják a döntéseket. Így feltárhatók a téves pozitív és negatív eredmények, valamint az alkalmazás során jelentkező adatminőségi problémák.

Ha a rendszer ebben a szakaszban megfelelően teljesít, vizsgálható, hogy tényleges bevezetése javítja-e a klinikai döntéseket. Sportorvosi szűrés esetén ilyen végpont lehet a releváns figyelmeztető jelek felismerése, a szükséges kivizsgálások megvalósulása, az indokolatlan továbbvizsgálások száma, a betegút lezárása vagy az orvosi munkaterhelés változása. Teljesítményoptimalizálásnál a tényleges edzésadaptációt és sportágspecifikus eredményt, rehabilitációnál a funkcionális helyreállást és a visszatérés biztonságát kellene mérni. Az algoritmus bevezetése után is szükséges a teljesítmény és a nemkívánatos következmények követése.

A klinikai értékhez végül a költséghatékonyság is hozzátartozik. Egy rendszer beszerzése, az egészségügyi informatikai környezetbe való integrálása, az adatkezelés, a validáció és a szakemberek képzése jelentős erőforrást igényelhet. Még egy működőképes algoritmus bevezetése sem feltétlenül indokolt, ha az általa elérhető többlethaszonhoz képest aránytalan költséggel vagy munkaterheléssel jár. A klinikai és gazdasági értékelésnek ezért ugyanarra a valós döntési folyamatra kell vonatkoznia.

A sportoló nem adathalmaz

A sportorvoslás egyik sajátossága, hogy a vizsgált ember állapota a terhelés hatására folyamatosan változik. Az edzettség, a sérülési előzmények, az alvás, a tápláltsági állapot, az életkor, a pszichés terhelés és a sportági követelmények egymással is kapcsolatban állnak. A sportoló szervezete alkalmazkodik, regenerálódik, időnként megbetegszik, és a korábban megszokott terhelésre adott válasza is megváltozhat.

Ez nehéz feladat elé állítja a hosszú távon működő algoritmusokat. Egy korábban megfelelően teljesítő modell eredménye romolhat, ha megváltozik a sportolói populáció, az edzésmódszer, a mérőeszköz vagy az alkalmazott rehabilitációs protokoll. A szenzorok kalibrációja, a hiányzó adatok kezelése és a mérési környezet eltérései szintén befolyásolhatják a következtetéseket. A modell egyszeri validációja ezért nem helyettesíti a folyamatos minőségellenőrzést.

A populációk közötti különbségeknek klinikai jelentőségük is van. Egy fiatal férfi katonai kiképzésben részt vevő személy terhelési környezete eltér egy női csapatsportolóétól, egy serdülő úszóétól vagy egy idősebb amatőr futóétól. A betegségek és sérülések előfordulása, a sportági kockázatok és a rehabilitáció céljai sem feltétlenül azonosak. Az alkalmazhatóságot ezért nem az algoritmus általános elnevezése, hanem a fejlesztéshez és ellenőrzéshez használt populáció határozza meg.

Más jellegű kockázatot jelentenek a generatív AI-rendszerek. Egy nagy nyelvi modell gyorsan összefoglalhat orvosi dokumentumokat, előkészítheti a vizsgálati leírást, vagy segíthet a szakirodalom feldolgozásában. A jól megfogalmazott szöveg azonban tartalmazhat téves adatokat, figyelmen kívül hagyhat fontos klinikai körülményeket, vagy olyan hivatkozásokat állíthat elő, amelyek nem támasztják alá az adott következtetést. Az orvosi dokumentáció ilyen feldolgozásához megfelelő adatvédelmi környezet, ellenőrizhető forráskapcsolat és szakember általi jóváhagyás szükséges.

A sportolói egészségügyi adatok kezelésében a bizalmasság különösen fontos. A diagnózisok, sérülések, laboratóriumi eredmények és más érzékeny információk nem válnak automatikusan az edzői stáb valamennyi tagja számára hozzáférhetővé attól, hogy közös digitális rendszerben szerepelnek. Az egészségügyi és sportszakmai szerepkörök közötti hozzáférési jogosultságokat világosan meg kell határozni, és a sportoló adatainak algoritmusfejlesztési célú felhasználása is külön adatvédelmi és etikai mérlegelést igényel.

Ki ellenőrzi az algoritmust?

A mesterséges intelligencia sportorvosi alkalmazása nem tekinthető lezártnak akkor, amikor a modell a fejlesztési adatokon kedvező eredményt mutat. Megbízható működését független adatokon és abban a klinikai környezetben is vizsgálni kell, ahol használni kívánják. Ha a rendszert később más sportágban, más életkori csoportban vagy más intézményben alkalmazzák, szükség lehet újabb validációra. A bemeneti adatok minősége, a modell változása és a hibás döntések következményei hosszabb távon is ellenőrzendők.

A nemzetközi kutatási módszertan ehhez több eszközt kínál. A TRIPOD+AI a klinikai előrejelző modellekről szóló kutatások átlátható közlését segíti, a PROBAST+AI a torzításkockázat, a minőség és az alkalmazhatóság értékeléséhez ad keretet. A SPIRIT-AI és a CONSORT-AI az AI-t alkalmazó klinikai vizsgálatok tervezési dokumentációjának, illetve eredményközlésének követelményeit pontosítja, míg a DECIDE-AI a döntéstámogató rendszerek korai klinikai bevezetésének értékelésében használható. Ezek az útmutatók nem helyettesítik a tényleges validációt, és egyik sem jelenti önmagában egy algoritmus klinikai jóváhagyását. (TRIPOD+AI – PMC) (PROBAST+AI – BMJ) (DECIDE-AI – PMC)

A klinikai munkafolyamatba illesztett rendszer értékelésekor az ember és az algoritmus együttműködését is vizsgálni kell. A felhasználó túlzottan megbízhat a kedvezőnek látszó pontszámban, vagy az ismétlődő téves riasztások miatt figyelmen kívül hagyhat egy valóban fontos jelzést. Az ilyen automatizálási torzítás és figyelmeztetési fáradtság akkor is rontja a betegbiztonságot, ha a modell önmagában elfogadható statisztikai teljesítményt mutat. A szakembernek ezért ismernie kell a rendszer felhasználási célját, korlátait és azt, milyen klinikai helyzetekben nem szabad a jelzésére támaszkodni.

Az európai szabályozás a rendszer rendeltetésétől és jogi besorolásától függően eltérő követelményeket állít az AI-alapú egészségügyi szoftverekkel szemben. Az AI Act több rendelkezése már alkalmazandó, a magas kockázatú rendszerek előírásainak határidejét azonban a 2026 júliusában hatályba lépett módosítás átalakította: a III. melléklet szerinti magas kockázatú alkalmazásokra a releváns szabályok 2027. december 2-től, az I. melléklet szerinti szabályozott termékekbe épített magas kockázatú rendszerekre 2028. augusztus 2-től alkalmazandók. Diagnosztikai vagy terápiás rendeltetésű szoftvereknél az orvostechnikai eszközökre vonatkozó MDR- vagy IVDR-követelmények is számíthatnak. Nem minden sportszakmai AI-alkalmazás minősül automatikusan orvostechnikai eszköznek vagy magas kockázatú AI-rendszernek. A jogi megfelelés ugyanakkor önmagában nem bizonyítja, hogy az adott algoritmus a sportorvosi gyakorlatban jobb klinikai eredményt hoz. (Európai Bizottság – AI Act)

Hando és munkatársai a sporttudományi AI-rendszerek ellenőrzésére SPORTS-AI néven önálló jelentési és átláthatósági keretrendszer kialakítását is javasolják. Ennek része lenne a kutatási protokollok előzetes nyilvántartása, a modellek felépítésének megfelelő bemutatása, a független külső validáció és a bevezetés utáni teljesítménykövetés. Ez egyelőre kutatói javaslat, nem elfogadott nemzetközi standard. Jelentősége abban áll, hogy a sportorvosi algoritmusok ellenőrzését a klinikai és sportági felhasználás sajátosságaihoz kívánja igazítani. (Hando és mtsai., 2026 – közlemény)

A sportszervezetek számára mindez beszerzési és működtetési kérdés is. Egy látványos felhasználói felület, egy könnyen értelmezhető pontszám vagy egy kedvező fejlesztői beszámoló nem elegendő a rendszer szakmai elfogadásához. A megrendelőnek ismernie kell a validáció körülményeit, a vizsgált végpontot, az alkalmazhatóság határait, valamint azt, milyen bizonyíték támasztja alá a rendszer használatából származó többlethasznot.

A magyar sportegészségügy kérdése: hogyan lesz az adatból igazolható ellátási eredmény?

Magyarországon már léteznek sportkardiológiai, sportélettani és mesterséges intelligenciát alkalmazó kutatások. A Semmelweis Egyetemhez kötődő kutatócsoport 2025-ben megjelent kongresszusi kivonata például 765 személy 983 vizsgálatának adataiból elemezte a nyugalmi és terheléses sportadaptáció egyes összefüggéseit gépi tanulási módszerekkel. Az Országos Sportegészségügyi Intézet országos Sportorvosi Regisztert működtet, amelyben a sportorvosi vizsgálatokhoz és engedélyekhez kapcsolódó adatokat elektronikusan nyilvántartják. Ezek valós kutatási és informatikai kapacitások; önmagukban azonban nem bizonyítják, hogy országos szinten már működne a hosszú távú sportolói egészségváltozásokat és a szűrések klinikai eredményeit összehasonlítható módon követő, függetlenül értékelt rendszer. A nyilvánosan hozzáférhető, áttekintett forrásokban ilyen átfogó, eredményeiben ellenőrizhető fejlesztési programot nem azonosítottunk, ami nem zárja ki más adatgyűjtések vagy intézményi projektek létezését. A lényegi kérdés ezért nem egy saját algoritmus hiánya, hanem az, hogyan válhat a meglévő sportorvosi adatállományból, kutatói tudásból és intézményi tapasztalatból megbízhatóbb szűrés, követhető betegút és mérhető egészségi eredmény. A hazai sportegészségügyi rendszer tudományos és társadalmi elszámoltathatóságának kérdését korábbi elemzésünkben is felvetettük: a magyar sportegészségügy tizenhét évét értékelő elemzésünkben

Dokumentált hazai példák: Kiss és mtsai., 2025 – European Heart Journal kongresszusi kivonat; Országos Sportegészségügyi Intézet – Sportorvosi Regiszter. A regiszter technikai működése és a klinikai outcome-adatok hosszú távú kutathatósága külön kérdés.

A sportorvos döntése az algoritmus korában

A nyitó történet sportolójánál két algoritmus két eltérő jelzést adott. Az egészségügyi figyelmeztetésnél a sportorvosnak azt kell tisztáznia, fennáll-e olyan klinikai kockázat, amely további vizsgálatot vagy a sporttevékenység átmeneti módosítását indokolja. A terhelésmonitorozó rendszer jelzésénél az a kérdés, mennyire megbízható az előrejelzés, és az ajánlott terhelésváltoztatásnak milyen várható egészségi vagy teljesítménybeli következményei vannak. Mindkét döntésben segíthet az AI, ha a rendszer megfelelően validált, átlátható és illeszkedik a szakmai munkafolyamatba.

A sportorvos azonban nem egyszerűen elfogadja vagy elutasítja az algoritmus eredményét. A sportoló klinikai állapotát, korábbi egészségügyi eseményeit, sportági terhelését és céljait együtt értékeli. Szükség esetén további vizsgálatot kezdeményez, illetve az edzővel, a sportolóval és a többi szakemberrel együttműködve alakítja ki a megfelelő döntést. A mesterséges intelligencia értéke abban lehet, hogy ezt a munkát pontosabb információval, következetesebb adatfeldolgozással és jobban követhető döntési folyamattal támogatja.

A technológia új lehetőségeket teremtett, de a sportorvosi döntés bizonyítási követelményeit nem változtatta meg. A szűrésben az egészségi kockázatok megbízható felismerése, az élsportban a biztonságos és legális teljesítményfejlesztés, a sérülésellátásban pedig a funkcionális helyreállás és a sportba való visszatérés a meghatározó. Az algoritmus akkor válik valóban hasznos sportorvosi eszközzé, ha alkalmazásával ezek a döntések és a sportolók számára fontos eredmények igazolhatóan javulnak.

Fő tanulságok

  1. A mesterséges intelligencia sportorvosi alkalmazásai eltérő feladatokat látnak el. A szűrés, a teljesítményoptimalizálás, a sérülés-előrejelzés és a rehabilitáció klinikai értékét külön kell bizonyítani.
  2. A sportorvosi szűrés AI-alapú támogatására már léteznek nemzetközi kutatások, de az eredmények nem igazolják az önálló, algoritmikus sportalkalmassági döntés biztonságosságát.
  3. Az élsportban az AI segítheti a terhelési és regenerációs adatok értelmezését, de a személyre szabott algoritmikus ajánlások tényleges teljesítményelőnye további, megfelelő összehasonlító kutatásokat igényel.
  4. A kedvező előrejelző teljesítmény önmagában nem jelent bizonyított sérülésmegelőzést, jobb rehabilitációt vagy nagyobb sportteljesítményt.
  5. A klinikai hasznosság mércéje az, hogy a megfelelően validált és ellenőrzött rendszer javítja-e a szakmai döntéseket, a sportolók egészségét, funkcionális állapotát vagy teljesítményét.

Kapcsolódó témák

hirdetés

Ajánlott szakirodalom

  1. Hando BR, Kupperman N, Brown DE, Angadi SS. Artificial Intelligence Is Not a Useful Tool in Exercise Science and Sports Medicine. Med Sci Sports Exerc. 2026;58(10):2355–2359. doi:10.1249/MSS.0000000000004045. PubMed
  2. Nindl BC, Friedl KE. Artificial Intelligence Is a Useful Tool in Exercise Science and Sports Medicine. Med Sci Sports Exerc. 2026;58(10):2350–2354. doi:10.1249/MSS.0000000000004044. PMC
  3. Hando BR, Kupperman N, Brown DE, Angadi SS. Artificial Intelligence Is Not a Useful Tool in Exercise Science and Sports Medicine: Response to Nindl and Friedl. Med Sci Sports Exerc. 2026;58(10):2362–2364. doi:10.1249/MSS.0000000000004046. Közlemény
  4. Nindl BC, Friedl KE. Artificial Intelligence Is a Useful Tool in Exercise Science and Sports Medicine: Response to Hando and Colleagues. Med Sci Sports Exerc. 2026;58(10). doi:10.1249/MSS.0000000000004047. PMC
  5. Leckey C, van Dyk N, Doherty C, Lawlor A, Delahunt E. Machine learning approaches to injury risk prediction in sport: a scoping review with evidence synthesis. Br J Sports Med. 2025;59(7):491–500. doi:10.1136/bjsports-2024-108576. PMC
  6. Lee CH, Chang MH, Li ZH. From data to prevention: A systematic review of artificial intelligence applications in sports injury prediction. Technol Health Care. 2026. Online first. doi:10.1177/09287329261455797. PubMed
  7. Butler CR, Scott WC, Hando B, Angadi SS. Algorithmic Audits in Sports Medicine: An Examination of the SpartaScience Force Plate System. Med Sci Sports Exerc. 2025;57(4):710–715. doi:10.1249/MSS.0000000000003610. PubMed
  8. Palermi S, et al. Development and external validation of AI-ECG models in athlete pre-participation screening: Performance, limitations, and clinical implications. Int J Cardiol. 2026;461:134677. doi:10.1016/j.ijcard.2026.134677. PubMed
  9. Marchetti D, Taconné M, Conte E, et al. AI-based multimodal analysis of ECG and clinical data for evaluation for competitive sports participation: The VALETUDO trial. Int J Cardiol. 2026;464:134744. Published online 2026 Aug 29. doi:10.1016/j.ijcard.2026.134744. PubMed
  10. Kim JH, Baggish AL, Levine BD, et al. Clinical Considerations for Competitive Sports Participation for Athletes With Cardiovascular Abnormalities: A Scientific Statement From the American Heart Association and American College of Cardiology. J Am Coll Cardiol. 2025;85(10):1059–1108. doi:10.1016/j.jacc.2024.12.025. PMC
  11. Reiner SL, Pearson RC, Reed RA, Olenick AA, Pojednic RM. Artificial Intelligence in Exercise Programming and Coaching: Opportunities and Limitations. Curr Sports Med Rep. 2026;25(8):245–252. doi:10.1249/JSR.0000000000001357. PubMed
  12. Mountjoy M, Ackerman KE, Bailey DM, et al. 2023 International Olympic Committee’s (IOC) consensus statement on Relative Energy Deficiency in Sport (REDs). Br J Sports Med. 2023;57(17):1073–1097. doi:10.1136/bjsports-2023-106994. BJSM
  13. Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378. PMC
  14. Moons KGM, et al. PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ. 2025;388:e082505. doi:10.1136/bmj-2024-082505. BMJ
  15. Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. BMJ. 2022;377:e070904. doi:10.1136/bmj-2022-070904. PMC
  16. Lindskog J, Heder Ternell K, Yu Y, et al. Artificial intelligence and machine learning in sports medicine: mapping clinical tasks and assessing clinical maturity – a scoping review. BMC Med Inform Decis Mak. 2026;26:212. doi:10.1186/s12911-026-03615-w. PMC
  17. Leckey C, van Dyk N, Berndsen J, Doherty C, Lawlor A, Delahunt E. Machine Learning Model Development and Evaluation for Non-contact Lower Limb Injury Risk Prediction in Elite Male Rugby Union: A Multi-team, Multi-season Analysis. Sports Med Open. 2026;12:123. doi:10.1186/s40798-026-01060-7. Folyóirat
  18. Kiss O, Babity M, Zamodics M, et al. Investigating correlations in sport adaptation using artificial intelligence. Eur Heart J. 2025;46(Suppl 1):ehaf784.3948. Kongresszusi kivonat. doi:10.1093/eurheartj/ehaf784.3948. Közlemény

Szakmai hitelesítés: A cikk szakmai ellenőrzésének alapját a Medicine & Science in Sports & Exercise 2026-os mesterségesintelligencia-vitája, a sportkardiológiai ITACARD-AI és VALETUDO kutatások, a 2025-ös AHA/ACC-állásfoglalás, a sérülés-előrejelzés 2025–2026-os áttekintései és a 2026-os többcsapatos rögbivizsgálat, valamint a TRIPOD+AI, PROBAST+AI és DECIDE-AI módszertani dokumentumok képezték. A magyar intézményi kitekintésnél a Semmelweis Egyetemhez kapcsolódó 2025-ös kongresszusi kivonatot és az OSEI nyilvános dokumentációját használtuk. A modellpontosságot a klinikai és sportteljesítménybeli hasznosságtól következetesen elkülönítettük.  – Szerkesztette: Haász Péter | Sportorvos.hu szerkesztőség – Sportorvos Portál – a közérthető szakértelem

Szerkesztői megjegyzés

Miközben a nemzetközi sportorvoslás már a mesterséges intelligencia klinikai alkalmazhatóságát és tudományos validációját vizsgálja, a magyar sportegészségügyben továbbra sem látható olyan átfogó, országos kutatási és fejlesztési program, amely az évtizedek óta végzett sportorvosi vizsgálatok adatvagyonát érdemben a szűrés, a megelőzés és a sportolói egészségkövetés fejlesztésének szolgálatába állítaná. Korábbi, a magyar sportegészségügy tizenhét évét értékelő elemzésünkben már felvetettük az intézményi tudományos teljesítmény és az országos szakmai fejlesztések számonkérhetőségének kérdését. A mesterséges intelligencia új lehetőségei ezt még sürgetőbbé teszik. Nem az a legnagyobb lemaradás, hogy nincs saját sportorvosi AI-rendszerünk, hanem az, hogy a meglévő adatokból, intézményi kapacitásokból és évtizedes tapasztalatból nem látható, milyen ellenőrizhető tudományos eredmény és korszerűbb ellátási modell születik. Egy országos sportegészségügyi intézménytől ennél többet kellene elvárni.