Verletzungsrisiko-Prognose bei Sportlern & Steuerung der Trainingsbelastung

Profi- und Halbprofi-Vereine verlieren Spieler durch Verletzungen, die oft mit plötzlichen Spitzen der Trainingsbelastung, Ermüdung und unvollständiger Erholung zusammenhängen. Modelle, die auf Wearable-Belastungsdaten, Wellness-Fragebögen und Verletzungshistorie trainiert wurden, markieren Sportler mit erhöhtem Risiko und helfen dem Stab, die Belastung anzupassen. Der ehrliche Stand der Technik: nützlich als Entscheidungshilfe für erfahrene Praktiker, nicht als validierter Prädiktor für einzelne Verletzungen.

Problem & Nutzen

• Wer: Fußball-, Rugby-, Basketball- und Handballvereine, Nationalverbände, Hochschul- und Militärprogramme, Sportmedizinzentren; zunehmend ambitionierte Amateurmannschaften.
• Heute: Das Leistungsteam beobachtet Dashboards mit GPS-Kennzahlen, Verhältnissen von akuter zu chronischer Belastung (ACWR) und Wellness-Werten und verlässt sich auf Erfahrung. Verletzungen kosten Verfügbarkeit, Gehälter und Ergebnisse.
• KI-Nutzen: viele schwache Signale (Belastung, Historie, Asymmetrie-Tests, Wellness) zu einem Risikoindikator je Sportler verbinden und geplante Belastungen simulieren.
• Evidenz (skeptisch bleiben): Ein Review von 11 Längsschnittstudien aus dem Jahr 2026 im Spitzen-Mannschaftssport fand, dass hohe akute Belastung und plötzliche Spitzen mit mehr kontaktlosen Verletzungen mit Ausfallzeit verbunden waren, während schrittweise aufgebaute chronische Belastung mit geringerem Risiko verbunden war. ML-Modelle verbesserten die Vorhersage, wurden aber mit mäßigem Verzerrungsrisiko bewertet und müssen weiter validiert werden [1]. Ein Review von ML-Studien zu Fußballverletzungen fand keinen Konsens bei den Prädiktoren, überwiegend Datensätze aus einer einzigen Saison (21 bis 734 Spieler) und ein starkes Klassenungleichgewicht. Er warnt, dass hohe Genauigkeit einen schlechten Recall bei Verletzungen verdecken kann [2]. Anbieter veröffentlichen hauptsächlich Fallstudien, keine unabhängigen Studien [3].

Varianten

• Profiverein / Verband: Data Warehouse über mehrere Saisons, eigene Data Scientists, Anbieterplattform.
• Nachwuchsleistungszentren: Reifungs- und Wachstumsdaten (Körpergröße, Alter bei maximaler Wachstumsgeschwindigkeit) als Prädiktoren.
• Hochschul- und Militärprogramme: große Kohorten, standardisierte Screening-Batterien.
• Einzel- und Amateursportler: Consumer-Coaching mit Hinweisen zu Belastung/Erholung, deutlich schwächere Modelle, siehe PERS-002.
• Berufliche Variante: körperlich fordernde Tätigkeiten (Logistik, Einsatzkräfte) – fällt unter das Arbeitsrecht, siehe Regulierung unten.
• Verletzungsartspezifisch: Modelle für Oberschenkel, Kreuzband oder Knochenüberlastung mit Biomechanik und Bildgebung; näher an Medizinprodukten.

So funktioniert es

1. Wearables (GPS/IMU/HR) + Wellness-App + medizinisches System (Verletzungen, Tests) + Spielplan
2. Einspeisung & Datenintegritätsprüfungen (Geräte-Lücken, Vereinheitlichung der Einheiten, Zuordnung der Sportler-IDs)
3. Feature Engineering (EWMA/gleitende Belastung, Monotonie, Spitzen, Asymmetrien, Minuten, Ruhetage)
4. Modell (Gradient Boosting / Überlebenszeit- / Sequenzmodelle, je Sportart und Position)
5. Erklärung (SHAP-artige Top-Faktoren) + Kalibrierung
6. Dashboard / Warnungen
7. Leistungsteam & medizinischer Stab entscheiden
8. Belastungsplan
9. Protokollierung der Ergebnisse (Verletzung eingetreten oder nicht)
10. Monitoring & Nachtraining

• Modelle: Baum-Ensembles (Random Forest, XGBoost) und Cox-/Überlebenszeitmodelle dominieren die Literatur [2]; tiefe Sequenzmodelle benötigen weit mehr Daten, als ein Verein hat.
• Evaluation: zeitliche Aufteilungen über Saisons verwenden, keine zufälligen Aufteilungen. Recall, Precision und Kalibrierung für die Verletzungsklasse berichten; ROC-AUC allein ist bei seltenen Verletzungen irreführend [2].
• LLMs: nur um das Modell herum, z. B. um einen Wochenbericht in einfacher Sprache zusammenzufassen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Das Modell entscheidet nie. Medizinischer Stab und Trainer entscheiden, und der Sportler wird informiert. Return-to-Play-Entscheidungen bleiben bei qualifizierten Ärztinnen und Ärzten.

Datenaufbereitung

• Welche Daten: GPS-/IMU- und Herzfrequenz-Exporte aus Wearables, Wellness-Fragebögen, Verletzungs- und Krankenakten, Spiel- und Trainingspläne, Einsatzminuten.
• Wo sie liegen: Herstellerclouds mehrerer Wearable-Marken, Excel-Tabellen des Trainerstabs, das medizinische System des Vereins oder Papierakten der Physiotherapie, E-Mail- und Messenger-Gruppen.
• Typische Lücken: unterschiedliche Einheiten und Sportler-IDs je Gerät, Geräte-Lücken, Verletzungen als Freitext ohne Datum oder Diagnosecode, zu wenige Verletzungsereignisse, Zugriffsrechte, die Trainer- und medizinischen Stab vermischen.
• Schritte: (1) Quellen inventarisieren und Felder zuordnen (PREP-002), (2) Export von jedem Anbieter (PREP-005), (3) eine Sportler-ID anlegen und Einheiten in aufgeräumten Tabellen vereinheitlichen (PREP-011), (4) ein Kategorienschema für Verletzungen vereinbaren (PREP-019), (5) vor der Analyse pseudonymisieren (PREP-022), (6) medizinische Daten nach Rollen trennen (PREP-024). Werkzeuge: Python, pandas, eine kleine Datenbank.
• Aufwandsanteil: etwa 60 %; die Qualität der Verletzungslabels begrenzt alles andere.

Umsetzungswege

Welcher Weg für wen

• smb (A): Kleine Vereine und Akademien haben kein Datenteam, und etablierte Sportwissenschafts-Plattformen bieten fertige Dashboards; einen Anbieter mit EU-Hosting und unterzeichnetem AVV wählen, da es sich um Gesundheitsdaten handelt.
• enterprise (B): Profivereine und Verbände kombinieren Wearable-, medizinische und Spieldaten in eigenen Pipelines in einer souveränen Cloud oder einer EU-Cloud-Region.
• developer (C): Open-Source-Gradient-Boosting und Überlebenszeitmodelle auf HW1 lassen Forschende Modelle aufbauen und validieren, ohne Sportlerdaten an Dritte zu senden.
• public (B): Olympiastützpunkte und Hochschulinstitute brauchen eine kontrollierte Verarbeitung von Gesundheitsdaten, am besten in einer souveränen EU-/deutschen Cloud statt mit einem ausländischen Produkt.

Weg A — Kaufen (empfohlen)

• Plattformen für Verletzungsrisiko / Belastung: Zone7 (Verletzungsrisiko-Prognose, Belastungssteuerung, Simulation; Referenzen u. a. Liverpool, LAFC, Napoli, Rangers) [3]; Kitman Labs iP (Plattform für Athletengesundheit und Leistungsmedizin, Gehirnerschütterungsmanagement über C3Logix; viele Clubs aus Premier League, MLS und Bundesliga als Kunden angegeben) [4].
• Datenerfassung: Catapult (Vector, Athletenüberwachung) [5], STATSports, Polar, Playermaker, Kinexon (aus München, deutsch), Erholungs-Wearables vom Typ WHOOP. Diese liefern die Belastungsdaten; wenige bieten selbst validierte Risikomodelle – prüfen, was tatsächlich vorhergesagt wird.
• EU-/DSGVO-Prüfungen: Hosting-Standort, Auftragsverarbeitungsvertrag, Rechtsgrundlage nach Art. 9, Löschung bei Wechsel oder Vertragsende. Anbieterseiten nennen Hosting-Regionen oft nicht, daher schriftlich nachfragen.
• A wählen, wenn: Sie ein Verein oder Verband ohne Data-Science-Team sind.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Es gibt keine „Verletzungs-API"; verwaltete ML-Plattformen (Azure ML, Amazon SageMaker Frankfurt, Google Vertex AI EU oder EU-Clouds wie STACKIT / IONOS / OVHcloud) für tabellarische und Zeitreihenmodelle nutzen.
• Wearable-Anbieter-APIs und ein Warehouse (PostgreSQL / Snowflake EU) speisen einen Feature Store.
• Ein LLM (EU-Region) für sprachliche Zusammenfassungen von Dashboards ergänzen, ohne Rohdaten der Sportler in Prompts, es sei denn, ein Auftragsverarbeitungsvertrag deckt dies ab.
• B wählen, wenn: Sie bereits ein Datenteam haben und eigene Features über mehrere Datenquellen hinweg wünschen.

Weg C — Selbst betreiben (Open Source)

• Stack: Python mit scikit-learn [6], XGBoost/LightGBM, lifelines oder scikit-survival, SHAP, statsmodels; MLflow fürs Tracking; Grafana- oder Metabase-Dashboards; Airflow/Dagster-Pipelines.
• Hardware: HW1 – ein CPU-Server genügt; die Datensätze sind klein (Dutzende bis Hunderte Sportler).
• Aufwand: hauptsächlich Data Engineering und Validierung, nicht Rechenleistung. Gesundheitsdaten On-Premises zu halten vereinfacht die Einhaltung von Art. 9 DSGVO.

Weg D — Eigenes Training

• Lohnenswert für Verbände oder Ligen, die Daten mehrerer Vereine und Saisons bündeln können, oder für akademische Kooperationen. Erforderlich sind Hunderte Sportler-Saisons und einheitlich gelabelte Verletzungen (Definition nach Konsensuspapieren, z. B. Ausfallzeit). Modelle einzelner Vereine überanpassen sich; vereinsübergreifende Validierung oder föderierte Ansätze nutzen. Vor dem Einsatz eine prospektive Validierung einplanen.

Stand der Technik (2026)

• Konsens: Belastungsspitzen und eine schwache chronische Belastungsbasis sind die konsistentesten Risikosignale [1]. ACWR selbst wird wegen konzeptioneller und statistischer Schwächen kritisiert; neuere Arbeiten trennen akute von chronischer Belastung und verwenden EWMA statt gleitender Mittelwerte [1].
• ML: Veröffentlichte Studien berichten AUC-Werte von etwa 0,66 bis 0,97 auf kleinen Datensätzen aus einer Saison mit unterschiedlicher Validierung, sie sind daher nicht vergleichbar [2]. Klassenungleichgewicht, kurze Historien und unvollständige Berichterstattung begrenzen die externe Validität.
• Plattformen ergänzen zunehmend Modelle, die über mehrere Vereine gebündelt sind, Simulation künftiger Belastung und Dienste zur Datenintegrität [3] sowie die Integration medizinischer Akten und Gehirnerschütterungsprotokolle [4].
• Grenzen: niedrige Basisrate von Verletzungen, Kontakt- und Zufallsverletzungen sind nicht vorhersehbar, Modelle driften, wenn sich Kader und Trainer ändern, und Risikowerte können falsche Sicherheit oder sich selbst erfüllendes Aussortieren erzeugen. Die Ausgabe als Anlass für ein Gespräch behandeln, nicht als Diagnose.

Gemeinsame Bausteine & Kombinationen

• Gemeinsamer Stack (tabular-ml + time-series + streaming): PRED-006 Predictive Maintenance (dieselben Überlebenszeit- und Sensor-Feature-Methoden), PRED-011 Prognose von Arbeitslast/Personalbedarf, PRED-026 Batterie- zustand, PRED-045 Risikobewertung (dieselben Werkzeuge für Fairness und Kalibrierung).
• Datenquellen: VIS-015 Sportanalyse & Tracking (aus Video abgeleitete Belastungs- und Ereignisdaten), HLTH-007 Fernüberwachung von Patienten & Wearable-Analyse (Wearable-Einspeisung, Governance für Gesundheitsdaten).
• Verbraucherseite: PERS-002 persönlicher Fitness-Coach.
• Hardware: CPU-/HW1-Server, gemeinsam mit anderen tabellarischen Pipelines; eine Zeitreihendatenbank sowie eine Schicht für Einwilligungsverwaltung und Audit sind für jeden Anwendungsfall mit besonderen Datenkategorien wiederverwendbar.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen fürs Onboarding; Abonnementpreise (typischerweise je Kader verhandelt); die Datenintegration mit vorhandenen Wearables ist der Hauptaufwand.
• Weg B: 3–6 Monate für ein erstes validiertes Modell und eine Pipeline; ein Dateningenieur plus ein Data Scientist, geringe Cloud-Kosten.
• Weg C: ähnlicher Aufwand wie B; geringe Infrastrukturkosten, höhere Betriebslast.
• Weg D: 12+ Monate inkl. prospektiver Validierung über mehrere Saisons.
• Kennzahlen: Spielerverfügbarkeit (% des Kaders verfügbar), Ausfalltage je Verletzung und je 1.000 Expositionsstunden, Inzidenz kontaktloser Verletzungen, Recall und Precision des Modells für die Verletzungsklasse, Kalibrierung, Akzeptanz beim Stab (Warnungen, auf die reagiert wurde), Rate falscher Warnungen.

Menschen & Veränderung

• Früh einbinden: Geschäftsleitung und Leiter Leistung bzw. Sport; Endnutzer (Trainer, Physiotherapeuten, medizinischer Stab); IT und Datenschutzbeauftragte(r) von Beginn an, da es sich um Gesundheitsdaten handelt; Legal/Compliance für die ärztliche Schweigepflicht.
• Betriebsrat: in der Praxis ja für angestellte Profisportler und Mitarbeitende, da die Erfassung von Belastung und Wellness geeignet ist, die Leistung zu überwachen (§ 87 Abs. 1 Nr. 6 BetrVG, objektive Eignung genügt). Zusätzlich nach § 90 Abs. 1 Nr. 3 unterrichten. Öffentliche Einrichtungen binden den Personalrat ein; ehrenamtliche Vereine ohne Betriebsrat brauchen die Einwilligung der Sportler und klare Regeln.
• Datenschutz: Gesundheitsdaten sind eine besondere Kategorie (Art. 9 DSGVO). Eine DSFA (Art. 35), eine klare Rechtsgrundlage (Einwilligung ist in Abhängigkeitsverhältnissen oft problematisch), einen AVV (Art. 28) und die Freigabe durch die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten einplanen (GUIDE-005).
• KI-Kompetenz (Art. 4): den Stab durch Schulungen zu Risikobändern, Fehlalarmen und dazu unterstützen, was der Wert nicht aussagt (GUIDE-006).
• Pilot und Kommunikation: mit einem Team beginnen, den Sportlern erklären, was erhoben wird und wer es sieht, und dies in einer Betriebsvereinbarung festhalten (GUIDE-004).
• Typische Sorgen: Überwachungs- und Selektionsängste - Zugriff beschränken, Werte nie für Vertragsentscheidungen nutzen; der medizinische Stab behält die Return-to-Play-Entscheidungen.

Risiken, Regulierung & Compliance

• DSGVO: Verletzungs-, medizinische und Wellness-Daten sind Gesundheitsdaten (Art. 9). Erforderlich ist eine gültige Ausnahme, z. B. ausdrückliche Einwilligung (schwach bei Abhängigkeit im Beschäftigungsverhältnis) oder Präventiv-/Arbeitsmedizin nach Art. 9 Abs. 2 Buchst. h auf Grundlage eines Gesetzes oder eines Vertrags mit einer Angehörigen eines Gesundheitsberufs, verarbeitet unter Berufsgeheimnis [7]. Eine DSFA durchführen, Daten minimieren, den Zugriff auf den medizinischen Stab beschränken und Risikowerte nicht an Berater, Medien oder potenzielle Käufer weitergeben. Die Datenübertragbarkeit bei Wechseln ist ein aktuelles Thema.
• KI-Verordnung (AI Act; Verordnung 2024/1689): Die Einstufung hängt vom Kontext ab [8]. Anhang III Nummer 4 betrifft KI zur Überwachung und Bewertung von Leistung und Verhalten von Beschäftigten; ein Profisportler ist oft Arbeitnehmer, und Auswahl- oder Vertragsentscheidungen auf Grundlage von Risikowerten könnten Hochrisiko-Pflichten auslösen (Risikomanagement, Daten-Governance, menschliche Aufsicht, Protokollierung). Ein Werkzeug, das ausschließlich von Ärzten zur medizinischen Belastungssteuerung genutzt wird, liegt eher außerhalb von Anhang III, kann aber ein Medizinprodukt (MDR) sein, wenn es beansprucht, Krankheit oder Verletzung zu medizinischen Zwecken zu diagnostizieren oder vorherzusagen – die Zweckbestimmung prüfen. Art. 5 Abs. 1 Buchst. f verbietet Emotionserkennung am Arbeitsplatz außer aus medizinischen oder Sicherheitsgründen [9]; Stimmung oder Stress nicht aus Gesichts- oder Stimmsignalen ableiten, sondern stattdessen selbstberichtete Wellness-Skalen verwenden. Art. 4 KI-Kompetenz gilt für das Personal.
• Arbeitsrecht / Mitbestimmung: In Deutschland können Mitbestimmungsrechte des Betriebsrats (BetrVG § 87) oder Tarifverträge bei der Leistungsüberwachung gelten; Sportverbände haben zusätzliche Regeln.
• Fairness und Wohlergehen: Risikowerte dürfen nicht genutzt werden, um Sportler in Vertragsverhandlungen zu benachteiligen; dokumentieren, wer was sieht. Jugendliche Sportler erfordern die Einwilligung der Erziehungsberechtigten.
• Gegenmaßnahmen: menschliche Entscheidungen, transparente Faktoren, Validierung je Kader, Audit-Logs.

Erste Schritte

1. Daten inventarisieren: Wearables, Wellness-Formulare, medizinische Akten; Abdeckung, Gerätekonsistenz und die Definition und Erfassung von Verletzungen (Ausfallzeit, Exposition) prüfen.
2. Rechtsgrundlage, DSFA und Zugriffsrollen mit dem Vereinsarzt, der Datenschutzbeauftragten bzw. dem Datenschutzbeauftragten und (falls vorhanden) dem Betriebsrat festlegen.
3. Zuerst eine Baseline bauen: Spitzen- und Monotonie-Features, einfache Modelle, zeitliche Validierung.
4. Einen Anbieter (Weg A) oder die Baseline eine volle Saison im Schattenbetrieb pilotieren und Warnungen mit Ergebnissen abgleichen.
5. Monatlich mit dem medizinischen Stab und den Trainern auswerten; Features und Warnungen, auf die nicht reagiert wird, abschaffen.

Quellen

1. Retos (2026), Vol. 80 – review of technology-based training load monitoring and injury risk in elite team sports (11 studies) — https://revistaretos.org/index.php/retos/article/view/118930
2. Majumdar et al. (2022), Machine Learning for Understanding and Predicting Injuries in Football, PMC — https://pmc.ncbi.nlm.nih.gov/articles/PMC9174408/
3. Zone7 – injury risk forecasting and load management — https://zone7.ai
4. Kitman Labs – iP Intelligence Platform, performance medicine — https://www.kitmanlabs.com
5. Catapult – athlete monitoring — https://www.catapult.com
6. scikit-learn — https://github.com/scikit-learn/scikit-learn
7. GDPR Art. 9 – processing of special categories of personal data — https://gdpr-info.eu/art-9-gdpr/
8. EU AI Act Annex III (high-risk systems) — https://artificialintelligenceact.eu/annex/3/
9. EU AI Act Article 5 (prohibited practices) — https://artificialintelligenceact.eu/article/5/