REVISÃO DE ESCOPO SOBRE O USO DE MACHINE LEARNING NOS ESPORTES

INTRODUÇÃO: Introdução: O avanço do aprendizado de máquina (Machine Learning – ML) tem proporcionado novas possibilidades para a ciência do esporte, permitindo a análise de grandes volumes de dados com aplicações voltadas ao desempenho esportivo, à prevenção de lesões e ao monitoramento da fadiga. O crescente desenvolvimento dessas tecnologias torna necessária a compreensão das principais abordagens utilizadas na literatura científica OBJETIVOS: Objetivos: Realizar uma revisão da literatura sobre a aplicação de técnicas de Machine Learning no esporte, identificando os principais algoritmos empregados, os tipos de dados utilizados, as modalidades esportivas estudadas e suas contribuições para a otimização do desempenho e prevenção de lesões. MATERIAIS E MÉTODO: Materiais e Métodos: Foi realizada uma revisão bibliográfica utilizando as bases de dados IEEE Xplore e PubMed, contemplando estudos publicados entre 2016 e 2026. Inicialmente, foram identificados 69 artigos na IEEE, dos quais 28 foram selecionados após a aplicação dos critérios de inclusão e exclusão. Posteriormente, artigos da base PubMed foram incorporados para complementar a análise. As informações foram organizadas em tabelas contendo modalidade esportiva, nível do atleta, técnica de Machine Learning empregada, tipo de dado, finalidade competitiva, ambiente de coleta e principais resultados. RESULTADOS: Resultados: Os estudos demonstraram ampla utilização de algoritmos como Random Forest, Support Vector Machine (SVM), Redes Neurais Artificiais, Deep Learning e Extreme Gradient Boosting (XGBoost), principalmente para previsão de lesões, monitoramento da fadiga, análise biomecânica, reconhecimento de movimentos e otimização do desempenho esportivo. Também foi observado o uso frequente de sensores vestíveis, unidades de medição inercial (IMUs), sistemas de visão computacional e dados fisiológicos como fontes de informação para os modelos preditivos. Apesar dos resultados promissores, verificou-se que muitos estudos apresentam limitações relacionadas ao tamanho das amostras, à heterogeneidade metodológica e à necessidade de validação externa dos modelos. CONSIDERAÇÕES FINAIS: Considerações Finais: Conclui-se que o Machine Learning representa uma ferramenta promissora para apoiar treinadores, pesquisadores e profissionais da saúde na tomada de decisões, contribuindo para a personalização do treinamento, prevenção de lesões e melhoria do desempenho esportivo. Entretanto, a ampliação da aplicação prática dessas tecnologias depende do desenvolvimento de pesquisas com metodologias mais padronizadas e bases de dados mais robustas.

PALAVRAS-CHAVE: Machine Learning; Ciência do Esporte; Inteligência Artificial; Desempenho Esportivo; Prevenção de Lesões.