مقدمه:توسعه سریع هوش مصنوعی(AI)، یادگیری ماشین(ML)، بینایی ماشین (CV) و فناوری‌های پوشیدنی (WT) فرصت‌های جدیدی برای جمع‌آوری، پردازش و تحلیل داده در علوم ورزشی ایجاد کرده است. این فناوری‌ها می‌توانند داده‌های حرکتی، بیومکانیکی، فیزیولوژیکی و فردی را در مقیاس وسیع تحلیل کرده و در حوزه‌هایی مانند ارزیابی عملکرد، تحلیل حرکت، ترکیب بدنی، پیش‌بینی آسیب، توانبخشی و شخصی‌سازی مداخلات مورد استفاده قرار گیرند. با وجود گسترش سریع این فناوری‌ها، شواهد موجود از نظر نوع داده، الگوریتم، روش اعتبارسنجی و شرایط اجرای مطالعه ناهمگون است و هنوز مشخص نیست قابلیت‌های فنی این ابزارها تا چه اندازه به کاربردهای معتبر و قابل اعتماد در شرایط واقعی ورزش قابل انتقال است. بر این اساس، سؤال اصلی این مقاله بررسی ظرفیت AI و فناوری‌های مرتبط برای بهبود جمع‌آوری و تحلیل داده، ارزیابی بیومکانیک و ترکیب بدنی، تحلیل حرکت و پیشگیری و مدیریت آسیب‌های ورزشی و همچنین شناسایی محدودیت‌ها و خلأهای پژوهشی موجود بود.
روش:این مطالعه با رویکرد مرور روایتی هدفمند (Focused Narrative Review) انجام شد. جست‌وجوی منابع در پایگاه‌های PubMed، Scopus، Web of Science، ScienceDirect و Google Scholar با تمرکز بر مطالعات منتشرشده در سال‌های 2022 تا 2026 انجام گرفت. کلیدواژه‌هایی شامل AI، ML، DL، CV، WT، Sports Biomechanics، Motion Analysis، Pose Estimation، Body Composition، Sports Injury، Injury Prediction، Injury Prevention و Sports Rehabilitation با استفاده از عملگرهای AND و OR به کار رفتند. پس از بررسی ارتباط موضوعی و کیفیت منابع، حدود 20 تا 30 مطالعه پژوهشی و مروری برای تحلیل نهایی انتخاب و یافته‌های آن‌ها به‌صورت توصیفی و موضوع‌محور بررسی شدند.
یافته‌ها:شواهد بررسی‌شده نشان دادند که AI و ML می‌توانند داده‌های چندمنبعی را برای شناسایی الگوهای حرکتی، تخمین برخی متغیرهای بیومکانیکی، پیش‌بینی خطر آسیب و پایش روند توانبخشی تحلیل کنند WT.امکان جمع‌آوری داده در شرایط واقعی را فراهم می‌کنند و ترکیب آن‌ها با ML می‌تواند ارزیابی مداوم‌تر وضعیت ورزشکار را امکان‌پذیر کند. همچنین، CV و Pose Estimation ظرفیت مناسبی برای تحلیل حرکت و ارزیابی وضعیت بدن بدون وابستگی کامل به تجهیزات آزمایشگاهی نشان دادند. با این حال، تفاوت کیفیت داده‌ها، محدودیت اعتبارسنجی خارجی، وابستگی عملکرد مدل به جمعیت و شرایط مطالعه، خطاهای حسگرها و دشواری تفسیر خروجی مدل‌ها از مهم‌ترین محدودیت‌های شناسایی‌شده بودند. در حوزه پیش‌بینی آسیب نیز مشخص شد که شناسایی خطر به‌تنهایی به معنای پیش‌بینی قطعی آسیب یا تعیین بهترین مداخله نیست.
نتیجه‌گیری: AI ظرفیت قابل‌توجهی برای توسعه ارزیابی‌های داده‌محور و شخصی‌سازی‌شده در علوم ورزشی دارد، اما فاصله میان توسعه فناوری و شواهد لازم برای استفاده عملی آن همچنان قابل توجه است. پژوهش‌های آینده باید بر مطالعات طولی و مداخله‌ای، اعتبارسنجی مدل‌ها در شرایط واقعی، ترکیب داده‌هایWT، بیومکانیک و عملکرد، استانداردسازی داده‌ها و بررسی تفسیرپذیری، امنیت و تعمیم‌پذیری مدل‌ها تمرکز کنند. در حال حاضر، AI بیشتر باید به‌عنوان ابزار تصمیم‌یار در کنار متخصص علوم ورزشی و کادر پزشکی در نظر گرفته شود، نه جایگزین ارزیابی تخصصی.