Năm 2025 đánh dấu một bước tiến quan trọng trong y học thể thao khi các hệ thống Trí tuệ Nhân tạo (AI) và Học máy (Machine Learning – ML) được triển khai ở quy mô lớn để phân tích bệnh án thể thao điện tử. Dựa trên dữ liệu thu thập từ hàng ngàn vận động viên nhiều môn (bóng đá, điền kinh, bóng rổ, tennis…), dự án Phân tích Mạng lưới Dữ liệu Bệnh án Thể thao đã tổng hợp một hệ sinh thái dữ liệu đa tầng, bao gồm hồ sơ chấn thương qua từng mùa giải, tải vận động hằng ngày, chỉ số hồi phục sinh lý và các yếu tố hành vi – giấc ngủ. Quy mô và độ sâu của dữ liệu cho phép mô hình ML phát triển khả năng dự báo chấn thương theo hướng cá thể hóa mà các mô hình thống kê truyền thống không thể đạt được.

Các thuật toán ML được sử dụng trong nghiên cứu gồm Random Forest, Gradient Boosting, mô hình học sâu (deep learning) và mạng nơ-ron tái hồi (LSTM) để mô phỏng sự thay đổi tải tập theo thời gian. Những biến số quan trọng nhất được đưa vào mô hình gồm: tải tập cấp tính (acute load), tải tập mãn tính (chronic load), tỷ lệ ACWR, tiền sử chấn thương, mức độ căng cơ chủ quan, chất lượng giấc ngủ theo thiết bị đeo, chỉ số HRV (Heart Rate Variability) – vốn phản ánh trạng thái thần kinh giao cảm và mức độ sẵn sàng vận động. Tập dữ liệu lớn và được chuẩn hoá giúp AI phát hiện những mô hình rủi ro mà mắt người – kể cả chuyên gia – không dễ nhận thấy.

Kết quả nghiên cứu cho thấy mô hình AI/ML dự báo chấn thương không tiếp xúc (non-contact injuries) đạt độ chính xác 88% trong khung thời gian dự báo 7 ngày. Đây là các chấn thương xảy ra do quá tải hoặc cơ chế kỹ thuật không tối ưu, như căng cơ, rách gân kheo, viêm gân Achilles hoặc tổn thương khớp do lặp lại. Với độ chính xác cao, hệ thống cảnh báo sớm giúp đội ngũ huấn luyện viên nhận biết vận động viên nào có nguy cơ tăng tải vượt ngưỡng an toàn. Khi mô hình phát hiện rủi ro, đội ngũ y tế có thể can thiệp bằng cách: điều chỉnh khối lượng tập luyện, tăng buổi phục hồi chủ động, cắt giảm cường độ vận động, hoặc thiết kế bài tập dự phòng phù hợp với nhóm cơ chịu rủi ro.

Một điểm đặc biệt quan trọng là mô hình AI không chỉ đưa ra cảnh báo “có rủi ro hay không”, mà còn cung cấp giải thích dựa trên trọng số biến số (feature importance). Ví dụ: rủi ro tăng do tăng tải tập cấp tính quá nhanh trong 3 ngày, giấc ngủ bị gián đoạn, hoặc HRV giảm liên tục 48 giờ. Điều này giúp huấn luyện viên hiểu bản chất vấn đề, thay vì nhận một cảnh báo mơ hồ và khó áp dụng.

Ứng dụng thực tiễn đã lan rộng trong các câu lạc bộ chuyên nghiệp năm 2025. Nhiều hệ thống quản lý vận động viên (AMS – Athlete Management System) tích hợp thẳng mô hình ML vào giao diện theo dõi hằng ngày. Khi vận động viên hoàn thành buổi tập và dữ liệu đồng bộ từ thiết bị đeo, AI tự động tạo báo cáo rủi ro và gợi ý điều chỉnh tải tập cho ngày kế tiếp. Tại nhiều trung tâm huấn luyện, AI trở thành công cụ hỗ trợ quyết định chuẩn, giúp đội ngũ y học thể thao xây dựng kế hoạch dài hạn, theo dõi mức độ căng thẳng sinh lý, tối ưu hóa chu kỳ vận động – nghỉ, và giảm thiểu chấn thương lặp lại.

Về lâu dài, công nghệ này hứa hẹn tạo ra các mô hình dự báo cá nhân theo thời gian thực, trong đó mỗi vận động viên có một “hồ sơ rủi ro động” được cập nhật liên tục. Điều này không chỉ bảo vệ sức khỏe vận động viên, mà còn mang lại lợi ích kinh tế lớn cho các câu lạc bộ, khi giảm số ngày nghỉ thi đấu và chi phí điều trị. AI/ML vì vậy đang trở thành trụ cột trong chiến lược quản lý hiệu suất thể thao hiện đại, góp phần xây dựng môi trường tập luyện an toàn hơn và bền vững hơn.

Hồng Liên