Wie maschinelles Lernen den Erfolg von Spitzensportlern entschlüsselt: Die wichtigsten Treiber aufgedeckt

Die Suche nach der besten sportlichen Leistung war immer ein Balanceakt zwischen Kunst und Wissenschaft. Künstliche Intelligenz liefert nun unprecedented Klarheit darüber, was gute Sportler von Elitesportlern unterscheidet. Eine bahnbrechende Studie der Semmelweis-Universität und Argus Cognitive, Inc., veröffentlicht in der Zeitschrift Sports, nutzt maschinelles Lernen, um die komplexe Beziehung zwischen Wettkampfergebnissen und physiologischer Ausdauer zu analysieren. Diese Forschung markiert einen deutlichen Wandel von traditionellen kardiologischen Screenings hin zur datengesteuerten Leistungsoptimierung.

Das Team untersuchte Daten von 688 gesunden, symptomfreien Spitzensportlern. Dabei kamen 1.194 kardiologische Screening-Untersuchungen zum Einsatz. Ziel war es zu prüfen, wie gut maschinelle Lernmodelle zwei Kennzahlen vorhersagen können: die Erfolgsnote basierend auf Wettkampfresultaten und die Ausdauernote basierend auf der absoluten kardiorespiratorischen Kapazität. Das SHAP-Verfahren (SHapley Additive exPlanations) half dabei, die entscheidenden Faktoren für jede Note zu identifizieren. So wurde die sogenannte Black Box der KI-Vorhersagen geöffnet.

Die Ergebnisse zeigten eine klare Trennung der Erfolgsfaktoren. Für die Erfolgsnote waren die Trainingsjahre, die wöchentlichen Trainingsstunden und das Alter die stärksten Vorhersagemerkmale. Dies deutet darauf hin, dass der Wettkampferfolg stark von Erfahrung, gesammeltem Wissen und dem Umfang des gezielten Trainings abhängt und weniger von rein körperlichen Eigenschaften. Im Gegensatz dazu wurde die Ausdauernote hauptsächlich durch Skelettmuskelmasse, Körpergewicht und maximale Herzfrequenz bestimmt. Reine physiologische Ausdauer scheint also stärker mit der Körperzusammensetzung und spezifischen sportartspezifischen Anpassungen verbunden zu sein.

Das Modell zur Vorhersage der Wettkampferfolge erreichte eine moderate Genauigkeit (R² = 0,29). Das Ausdauermodell hingegen war sehr genau (R² = 0,69). Dieser Unterschied zeigt, dass die körperliche Kapazität zwar präzise über biometrische Daten abgeschätzt werden kann. Der tatsächliche Wettkampferfolg wird jedoch von vielen psychologischen, strategischen und erfahrungsbasierten Faktoren beeinflusst, die schwer zu quantifizieren sind. Trainer fragen sich vielleicht, warum manche Athleten trotz ähnlicher körperlicher Profile herausragen. Die Antwort liegt in unsichtbaren Vorteilen wie Erfahrung und Strategie.

Diese Erkenntnisse haben weitreichende Folgen für das Coaching und die Talentförderung. Da Ausdauer largely von der Körperzusammensetzung und der Herzadaptation abhängt, können Trainer Konditionierungsprogramme gezielter gestalten. Die Erkenntnis, dass der Wettkampferfolg mit der Trainingshistorie verknüpft ist, unterstreicht die Bedeutung langfristiger Entwicklung und Mentoring. Mit der Weiterentwicklung des maschinellen Lernens verspricht seine Integration in die Sportmedizin personalisierte Trainingspläne, weniger Verletzungsrisiken und neue Potenziale für den menschlichen Körper. Diese Forschung treibt nicht nur die Sportkardiologie voran. Sie bietet auch eine Blaupause dafür, wie KI genutzt werden kann, um die vielschichtige Natur menschlicher Leistung zu entschlüsseln.