https://pmc.ncbi.nlm.nih.gov/articles/PMC9134447/ 2022年，在運動醫學骨科期刊上， 林口和高雄長庚醫院的醫師們發表了一篇論文， 探討2016~2017年間，144名台灣最頂尖的青棒投手們的肩膀、手肘傷病問題。 這144名參與研究的投手中，有76名在過去一年間有肩膀、手肘的傷勢， 投手們接受問卷調查，內容涵蓋身體條件、手臂用量、傷病史、休季時的訓練等等 試圖透過統計手段尋找可能造成運動傷害的潛在因素。 毫不意外的，過往的出賽量和傷病史，被發現與傷勢有顯著的正相關。 不過和它們同時並列的，還有一項性質非常不同的特徵，那就是 "會投滑球" 21世紀以來，由於投手肩膀和手肘傷勢的高發， 許多學者們投入對投球機制的研究。 不少研究者們仔細整理過往投手們留下的數據， 試圖從其中找出傷病的蛛絲馬跡。 本文開頭提到的論文也是其中之一，通過統計手段， 研究者們成功發現了某些球種(EX:滑球)和選手的傷病確實存在機率上的聯繫。 然而統計結果的水面下，沒有人知道兩者之間是否存在明確的因果關係 畢竟滑球是強勢球種，會投很多滑球的投手也很有可能是球隊倚重的投手， 說不定只是被操壞的投手們也更傾向於投滑球而已呢? 另外一邊，通過穿戴式設備和動作捕捉技術， 學者們確實發現了各球種對手臂造成的負擔並不相同。 典型的就是速球，學界很早就發現了投速球時，手肘和肩膀受到了極大的力和力矩， 但這是否意味著速球就一定更傷手呢? 也不一定，畢竟人天生就會丟速球，搞不好人體更適合速球的機制呢? 況且長年以來，球界都不推薦一定年齡前的小孩投變化球， 這難道不是說明了經驗上來說，變化球比速球更傷手嗎? 要成功論證某一球種是否更為傷手，統計學和運動力學的合作不可避免。 一、大數據 自從Statcast系統在2015年上線， MLB透過PITCHf/x、Trackman、Hawk-eye等系統，累積了大量關於投手的比賽數據。 如此巨量的數據，依靠人力來分析是十足的大工程， 但近年來人工智慧在模型趨勢預測上的大幅進步， 給予了現代的學者有效運用AI和大數據的技術可能性。 https://pmc.ncbi.nlm.nih.gov/articles/PMC11369970/ 這是一篇在2024年發表於運動醫學骨科期刊， 由美國梅奧診所、瑞典哥德堡大學、MLB明尼蘇達雙城隊、挪威奧斯陸運動傷害研究中心 共同參與的研究。 透過MLB提供的Stats API，學者們獲取了2017~2021年間的投手使用數據和傷病數據， 包含完整的背景資料、手臂用量、球種資料， 最終運用了3808投手-年的數據，其中有606投手-年由於肩膀或手肘傷勢進到傷兵名單。 (註:要是一個投手投了其中三年，那就是1x3投手-年) 如此巨量的數據，就靠這幾個學者顯然是分析不完的。 研究中使用了XGBoost機器學習模型， 他們看上了XGBoost處理複雜資料結構和非線性資料關係的能力， 而且還能在學習中篩選掉對預測有負面影響的特徵， 這對於有太多可能的預測特徵的投手數據來說非常重要。 投手數據的因果要素錯綜複雜，一個數據在一個投手身上與傷病有顯著的相關， 但當考慮到與其他要素的交互作用後，在另外一個投手身上卻可能出現負相關。 為此他們導入基於賽局理論的SHAP數據來評估各個要素對於模型預測的效果和交互作用， 搭配機器學習，可以理清各種數據間的關係。 https://i.imgur.com/0GLVSba.png 越上方的要素，對於預測選手受傷越重要。 他們的結果非常出人意料。 首先，和三級棒球的選手不同， MLB投手的投球量、出賽量並不太能用來預測選手的受傷機率。 這可能是因為存在倖存者偏差，比方說不耐操的投手早就在小聯盟中篩選掉絕大部分了， 即使僥倖升上了大聯盟，在大聯盟的出賽密度與比賽強度下也會早早的被操壞。 能在大聯盟留下大量局數和出賽的投手，都是已經受過千錘百鍊的猛者 自然不一定容易受傷。 第二，最能夠預測MLB投手的受傷的，就是球種數據。 https://i.imgur.com/x0Rl50M.png 越上方的要素對於模型預測越重要 越往右延伸的要素則對於預測選手受傷越有貢獻，往左則是對預測選手不會受傷有貢獻 模型中採計了FB(速球)、CB(曲球)、CH(變速球)、CT(卡特球)、SI(伸卡球)、SL(滑球)、 SP(叉指球/指叉球)等各式常見球種， 並錄入他們的%(使用頻率)、v(均速)、-X(水平位移)、-Z(垂直位移)， 乃至於旋轉軸、轉速、放球點等等。 經過模型分析，各球種的均速、滑球的使用率、速球的轉速和速球的水平位移 都是最能有效預測選手肩膀、手肘受傷的要素。 有細心看圖的讀者可能會問，從上面的圖來看，vCH(變速球均速)和vCB(曲球均速) 排行都非常高，為什麼呢?難道說它們很傷手嗎? 其實不然，如果我們檢視它們和速球均速之間的關係的話: https://i.imgur.com/hBgTouT.png 每個點都是一個投手的數據 從圖B和圖C我們可以發現，變速球、曲球均速與速球均速之間存在非常明顯的正相關 速球均速越快的投手越容易受傷，而速球均速越快的投手，其他變化球也丟得快。 此外，以往的其他研究告訴我們，球速和轉速總體上來說呈現正相關， 轉速和位移總體上來說呈現正相關。 因此，各球種均速、速球的轉速、速球的水平位移， 背後真正的關鍵因素，很有可能都是速球均速。 那麼滑球的使用量呢? https://i.imgur.com/tO2zCGA.png 滑球使用量和速球均速沒有明顯的正相關，但是有一點很影響模型預測: "滑球使用多的投手，速球一快，就會比滑球使用少的速球投手容易受傷" 換言之，滑球並不無辜。 值得注意的是，這篇研究有採計叉指球， 而根據統計，雖然整體而言大家的叉指球用量都不多， 但是叉指球的用量和受傷存在顯著的負相關。 這可能有很多因素，比方說善用叉指球的投手，也許更不依賴速球與滑球來決勝負 但至少說明了，在MLB目前的樣本中來看，並沒有叉指球更傷手的證據。 ============================ 這篇文章我想要分兩次寫完， 不小心操作錯誤在半成品的情況下發出來了XD 本篇探討統計上的部分，下一篇就會探討運動力學上的根據了。 -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 118.232.102.81 (臺灣) ※ 文章網址: https://www.ptt.cc/bbs/Baseball/M.1746073709.A.88E.html ※ 編輯: OneSeam (118.232.102.81 臺灣), 05/01/2025 12:39:08 ※ 編輯: OneSeam (118.232.102.81 臺灣), 05/01/2025 12:50:06