01.04.2021 – 31.09.2021
Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI) GmbH, World Anti-Doping Agency (WADA), Deutsche Sporthochschule Köln (DSHS)
Deep Learning, Pattern Recognition
Sports, Biochemical
Eine der wichtigsten Maßnahmen zur Bekämpfung von Betrug und Doping im Sport ist die Anti-Doping-Analyse. Der Biologische Athletenpass mit seinen beiden Modulen, dem hämatologischen und dem Steroidalen Modul, wird normalerweise verwendet. Die Anti-Doping-Kontrollen der WADA umfassen die Entnahme von Blut- und Urinproben. Bei den Urinproben hat der Exekutivausschuss der WADA in seiner jüngsten Untersuchung festgestellt, dass ein Austausch von Urinproben möglich ist, bei dem ein dopender Sportler seinen Urin mit dem Urin einer anderen Person austauschen kann, um einen positiven Test zu umgehen. Das bedeutet, dass Dopingsünder eine Anti-Doping-Kontrolle auf effiziente Weise umgehen können, indem sie ihre Urinprobe “austauschen” und stattdessen eine saubere Probe einer anderen Person abgeben. Bei der Analyse von Urinproben wird für jede Probe das “Steroidprofil” quantifiziert, das aus 11 Markern endogener Steroide besteht.
Im Verdachtsfall eines Probenaustauschs bestätigt die für die Kontrollen zuständige Anti-Doping-Organisation diesen durch eine DNA-Analyse mehrerer Proben, die auf der Grundlage von Risikofaktoren wie den körperlichen Anforderungen einer bestimmten Sportart, der Anzahl der positiven Ergebnisse in der Vergangenheit in dieser Sportart bzw. diesem Land und/oder der spezifischen Intelligenz des Athleten auf bestimmte Proben ausgerichtet ist. Die Auswahl der Kandidaten für zusätzliche Dopingkontrollen sollte so erfolgen, dass die Wahrscheinlichkeit, unehrliche Athleten zu entdecken, maximiert wird und gleichzeitig die Haushaltsgrenze einer Anti-Doping-Organisation eingehalten wird. Daher ist ein adaptives Modell erforderlich, das den Austausch von Proben durch den Athleten anzeigen kann. Mit anderen Worten, eine Kennzeichnung, die auf der Wahrscheinlichkeit beruht, dass eine bestimmte Probe zu ein und derselben Person gehört. Da das Steroidprofil aus 11 Markern besteht, wird angenommen, dass ein auf künstlicher Intelligenz (KI) basierendes Werkzeug, das in die Musterklassifizierung eingebettet ist und auf dieses hochdimensionale Profil angewendet wird, das Potenzial hat, die Erkennung von Probentausch zu verbessern.
In diesem Projekt erweitern wir den Forschungsbereich der Zusammenarbeit, um die Fähigkeit zur Aufdeckung von Probentausch zu verbessern, indem wir einen Mustererkennungs-/Klassifizierungsalgorithmus entwickeln, der eine Bewertung der Ähnlichkeit eines Steroidprofils mit allen anderen Profilen desselben Athleten liefert. Zu den wichtigsten Zielen gehören die Untersuchung der Steroidprofile von Athleten, die Ermittlung der besten Indikatoren durch statistisch basierte Methoden, der Einsatz modernster Deep-Learning-Algorithmen und die Entwicklung eines vollwertigen Pipeline-Modells für die Erkennung von vertauschten Proben.
Rahman, M.R., Piper, T., Geyer, H., Equey, T., Baume, N., Aikin, R., Maass, W. (2022). “Data Analytics for Uncovering Fraudulent Behaviour in Elite Sports.” 43rd International Conference on Information Systems (ICIS 22), Copenhagen, Denmark. pdf