La realtà ha impiegato due anni a validare la metodologia e le tecnologie che garantiscono un’innovazione radicale nel suo genere
Un algoritmo alimentato da misurazioni biomeccaniche, capace di individuare i segnali che identificano un rischio di infortunio: non è fantascienza, si tratta di un progetto sviluppato da Machine Learning In Athletics, azienda nata nel 2021 in maniera informale da un incontro tra i suoi tre fondatori. A spiegarci il progetto innovativo è Pierluigi Bongiorno, AD e co-founder.
A cosa punta e come si è sviluppato il vostro sistema?
«L’obiettivo è identificare i fattori di rischio legati all’infortunio prima che questo si verifichi. La soluzione è basata su presupposti scientificamente validi e su una metodologia verificata dal Dipartimento di Medicina dello Sport dell’Università di Salford Manchester. Con l’ingresso del quarto socio, esperto in biomeccanica del movimento, abbiamo allargato la base di conoscenze e affinato la metodologia. Abbiamo completato una prima raccolta di fondi e abbiamo finanziato un laboratorio di misurazioni presso la sede del Genoa CFC. Con il supporto degli atleti e dell’organizzazione stiamo generando un database che ci permetterà di “allenare” l’algoritmo di Machine Learning al fine di predire quando si stanno verificando le condizioni necessarie che portano all’infortunio – al fine di evitare che accada, ovviamente».
In cosa consiste la vostra metodologia?
«La metodologia è basata sul fatto che ognuno di noi, a livello individuale, ha una modalità specifica di muoversi nello spazio. La capacità di mappare e monitorare nel tempo questa normalità biomeccanica dà la possibilità di evidenziare eventuali anomalie che sappiamo essere scientificamente collegate al rischio di infortunio. Questo algoritmo ha bisogno di imparare da una grande quantità di dati che devono essere accurati e coerenti tra loro. Il fatto di aver scelto una squadra di calcio di alto livello è dovuto al fatto che gli atleti professionisti si allenano ogni giorno e su questa quotidianità si può costruire un patrimonio di dati con cui allenare l’algoritmo. Ci aspettiamo che tra massimo un anno l’algoritmo passi allo step due, ovvero abbia imparato quali sono gli eventi correlati all’infortunio e sia in grado di anticiparli con grande accuratezza. A questo punto potremmo predire infortuni anche con misurazioni effettuate con minore frequenza».
Machine Learning In Athletics offre quindi una metodologia estremamente innovativa, le cui potenzialità sono legate alla numerosità dei segmenti di popolazione che andrà a coprire: altri sport professionistici oltre al calcio e altri segmenti di popolazioni dove le misurazioni non potranno essere fatte quotidianamente, ad esempio il mondo degli anziani, degli atleti amatoriali e dei lavoratori con mansioni usuranti.
