Analyse du travail spécifique à chaque poste, prédiction de la performance et prévention des blessures dans le rugby à XV : Perspectives issues de l’apprentissage automatique

Le rugby à XV est un sport de contact intermittent et de haute intensité, caractérisé par des exigences physiques et techniques considérables. Les charges de travail et les besoins en termes de performance varient considérablement selon les postes, ce qui nécessite des plans d’entraînement individualisés pour optimiser la performance et réduire le risque de blessures.

Cette thèse a pour but d’analyser la charge de travail liée à l’entraînement et au match, recueillie par le système de positionnement global (GPS), en fonction des postes, d’explorer la relation entre la charge de travail, les indicateurs clés de la performance et les risques de blessures, et d’utiliser des méthodes d’apprentissage automatique pour améliorer le suivi de la charge de travail et la prédiction des performances et des blessures.

La première étude a analysé la charge de travail de pré-saison en fonction des postes des joueurs et a comparé trois méthodes de calcul du ratio de charge de travail aiguë : chronique. Les résultats ont souligné l’importance d’adapter la gestion de la charge de travail en fonction des besoins spécifiques de chaque poste.

La deuxième étude a examiné les schémas de mouvement et les indicateurs clés de la performance pendant les entraînements et les matchs, en appliquant l’analyse en composantes principales pour réduire la dimensionnalité. Cette analyse a révélé des différences distinctes entre les postes. Les résultats ont montré que les avants excellaient dans les tacles et les arrivées en ruck, tandis que les demi-de-mêlée se distinguaient par leurs actions de passe et de réception.

La troisième étude a modélisé la relation entre les charges de travail et les indicateurs clés de la performance à l’aide de techniques d’apprentissage automatique, capturant les interactions complexes entre les variables. Les résultats ont démontré que des modèles, tels que la régression par forêt aléatoire, amélioraient la performance prédictive, en particulier pour saisir les relations non linéaires. De plus, l’analyse SHapley Additive exPlanations a amélioré l’interprétabilité des modèles en identifiant les caractéristiques GPS clés influençant les indicateurs clés de la performance, fournissant ainsi des informations exploitables pour la gestion de la charge de travail.

La quatrième étude a examiné la prédiction des blessures à l’aide de modèles d’apprentissage automatique, en intégrant des métriques telles que le ratio de charge de travail aiguë : chronique, la monotonie et la contrainte comme variables. Les résultats ont montré que le modèle de forêt aléatoire offrait une performance cohérente pour plusieurs postes de jeu, avec un succès particulier pour les avants et les arrières intérieurs. XGBoost a montré de meilleures performances pour les avants du pack, tandis que le modèle Naïve Bayes a donné les meilleurs résultats pour les arrières extérieurs. L’analyse de l’importance des variables a mis en évidence les charges de travail clés contribuant au risque de blessure, offrant une base scientifique pour développer des programmes d’entraînement ciblés.

Dans l’ensemble, cette thèse intègre des données de charge de travail multidimensionnelles et des techniques analytiques avancées pour mettre en lumière les caractéristiques des charges de travail selon les postes et les relations complexes entre charge de travail, performance et risque de blessure. Les résultats fournissent des preuves scientifiques solides pour la gestion de la charge de travail, l’optimisation de la performance et la prévention des blessures dans le rugby à XV professionnel, mettant en évidence le potentiel des applications de l’apprentissage automatique en sciences du sport.

Mots-clés : charge de travail, indicateurs clés de performance, apprentissage automatique, rugby à XV, prévention des blessures

Position-Specific Workload Analysis, Performance Prediction, and Injury
Prevention in Rugby Union: Insights from Machine Learning

Thesis abstract (English)

Rugby Union is a high-intensity, intermittent contact sport characterized by extensive physical and technical demands. Players’ workload and performance requirements vary significantly across playing positions, necessitating individualized training plans to optimize performance and reduce injury risk. This study aims to analyze training and match workload collected by global positioning system (GPS) across positions, explore the relationship between workload and key performance indicators (KPIs) as well as injury risks, and use machine learning methods to advance workload monitoring, performance and injury prediction.

First, study one analyzed pre-season workload in relation to player positions and compared three acute:chronic workload ratio (ACWR) calculation methods. The results emphasized the importance of tailoring workload management to position-specific demands.

Second, study two examined movement patterns and KPIs during training and match play across positions. Principal component analysis was applied for dimensionality reduction, revealing distinctive positional differences. Results indicated that forwards excelled in tackles and ruck arrivals, while scrum-halves led in passing and receiving actions.

Next, study three modeled the relationship between workload and KPIs using machine learning techniques to capture complex interactions among variables. The results demonstrated that models such as random forest regression enhanced predictive performance, particularly in capturing nonlinear relationships. Additionally, SHapley Additive exPlanations analysis improved the interpretability of the models by identifying key GPS features influencing KPIs, providing actionable insights for workload management.

Finally, study four examined injury prediction using machine learning models, incorporating metrics such as ACWR, monotony, and strain as features. The results indicated that the random forest model exhibited consistent performance across multiple positions, with particular success in the back row and inside backs. XGBoost outperformed other models for the tight five, while Naïve Bayes showed the best results for the outside backs. Feature importance analysis highlighted key workload variables that contribute to injury risk, offering a scientific basis for developing targeted training programs.

Overall, this thesis integrates multidimensional workload data and advanced analytical techniques to reveal positional workload characteristics and the complex relationships between workload, performance, and injury risk. The findings provide robust scientific evidence for workload management, performance optimization, and injury prevention in professional Rugby Union, highlighting the potential of machine learning applications in sports science.

Keywords: workload, key performance indicators, machine learning, rugby union, injury prevention.