Modélisation des effets de la charge d’entraînement sur la performance et les blessures chez de jeunes volleyeurs élites

Le volleyball est un sport collectif caractérisé notamment par une répétition de sauts de hautes intensités. Ces sauts verticaux répétés entraînent des dommages sur l'appareil locomoteur, réduisant la possibilité d’expression des performances physiques, techniques et collectives, et augmentant le risque de blessures. Globalement, la performance en volleyball peut être classifiée en trois catégories : performance physique, performance technique et performance collective. Cependant, dans cette thèse, nous concentrons spécifiquement sur la performance physique de saut. Pour étudier les effets de l'entraînement sur les performances de saut et les blessures en volleyball, la littérature se concentre essentiellement sur les charges d'entraînement externes, telles que le nombre et la hauteur des sauts. Cependant, l'évolution des performances de saut, ainsi que l'apparition des blessures sont des phénomènes complexes nécessitant l'analyse de plusieurs variables telles que les charges d’entraînement réalisées dans les différents registres d’intensité, la qualité de récupération, le sommeil, le poste occupé au sein de l’équipe, les cycles menstruels, etc. Pour étudier les effets de l'entraînement sur les performances de saut et les blessures, des modèles d'intelligence artificielle, comme le machine learning, sont couramment utilisés.

Ces modèles permettent de prendre en compte plusieurs variables de différentes natures pour expliquer les performances de saut et les blessures et sont largement utilisés dans la littérature autour du sport ainsi qu’au volleyball. Cette thèse se compose de quatre études visant à développer une méthode pour quantifier et modéliser au mieux les performances de saut et les blessures en volleyball. L'objectif est de mieux comprendre la dynamique des processus adaptatifs chez des athlètes élites et de fournir des informations pratiques aux entraîneurs afin d'optimiser les performances physiques et techniques tout en prévenant les blessures. La première étude propose une méthode de quantification des charges d'entraînement externes basée sur la dynamique des sauts, en tenant compte de l'augmentation exponentielle de la difficulté à répéter les sauts intenses. De plus, cette étude décrit les effets de l'entraînement sur les performances de saut et les blessures à l'aide d'un modèle statistique appliqué aux joueurs de l'équipe de France de volleyball. La deuxième étude vise à déterminer les différences de performances physiques et de blessures entre les différents postes et genres chez les jeunes volleyeurs et volleyeuses élites. Les troisième et quatrième études détaillent respectivement les effets de l'entraînement sur les performances de saut et les blessures en utilisant des modèles d'intelligence artificielle comme celui Radom Forest.

L'objectif principal de ces études est d'identifier les variables clés de la performance de saut et de l'apparition des blessures en volleyball. Ces variables sont cruciales pour les entraîneurs afin de moduler les programmes d’entraînements pour optimiser les performances de saut tout en prévenant les blessures. Les résultats ont montré qu'il est essentiel de quantifier l'entraînement de manière individualisée. Le genre et les postes influencent déjà la performance de saut et les blessures. Il est également nécessaire de quantifier les charges d'entraînement externes en tenant compte la répétition des sauts intenses. Une méthode de quantification basée sur un facteur de pondération exponentiel permet de majorer le poids des sauts intenses lors de l'évaluation des charges d'entraînement externes. Enfin, il a été démontré que la modélisation des effets de l'entraînement sur les performances et les blessures à l'aide de modèles statistiques comme le modèle de Busso ne permet pas de saisir toute la complexité des relations entre les variables d'entraînement, les performances et les blessures. Les modèles de machine learning semblent constituer une solution pertinente et puissante pour appréhender la complexité de l'évolution des performances et des blessures. Les variables clés identifiées permettent de mieux comprendre et moduler l'entraînement selon les indicateurs pertinents.