Au hockey sur glace, les évaluations physiques utilisées jusqu’à présent sont peu spécifiques à la tâche des joueurs et elles comprennent plusieurs limitations pour la prédiction de performance. La capacité d’accélération et de vitesse maximale en patinage sont grandement liées à la performance des joueurs et seulement certaines évaluations physiques hors glace ont montré des associations avec ces variables. Peu d’études ont considéré l’implication musculaire spécifique de la hanche qui est particulièrement sollicitée pendant le cycle de patinage. La science des données et l’utilisation d’outils d’apprentissage automatique ont connu un essor ces dernières années dans le milieu sportif. Elles ont montré de bonnes capacités prédictives et permettent de reconnaître des relations complexes et non linéaires entre les variables, pouvant surpasser les modèles statistiques standards et l’intuition humaine. Notre objectif principal est de prédire la performance en patinage chez les joueurs de hockey sur glace avec des évaluations physiques hors glace au moyen de modèles d’apprentissage automatique. Nous avons utilisé les données d’évaluations physiques de 72 athlètes effectuées lors des évaluations combinées de la Ligue de Hockey Junior Majeur du Québec. Nous avons utilisé l’accélération et la vitesse de patinage avant et arrière comme variables cibles. Les évaluations physiques standards effectuées lors de cette journée ainsi que la force isométrique maximale développée à l’articulation de la hanche pour ses six degrés-de-liberté ont été les variables d’entrées pour un modèle linéaire (LassoCV) et un modèle non linéaire (xgboost). Nos modèles d’apprentissage automatique montrent de bonnes prédictions pour les variables de vitesse avant en montrant une erreur absolue moyenne en pourcentage (MAPE) inférieur à 2,96±2,15%, tandis que les erreurs de prédiction pour les variables d’accélération et de vitesse arrière demeurent élevées (MAPE : > 4,46±4,15%). Le saut en longueur et la force isométrique en flexion de la hanche ont montré le plus d’importance pour l’accélération sur 5 mètres (5F et 5B) et la vitesse sur 30 mètres en patinage dans les deux directions (30F et 30B). Suite à une validation des modèles, les entraîneurs pourraient donc utiliser les résultats obtenus aux évaluations physiques pour développer la performance en vitesse maximale avant des joueurs de hockey sur glace. / In ice hockey, the physical assessments used to date are not very specific to the task of ice hockey players and may have several limitations for predicting performance. Acceleration ability and maximum speed are highly related to player performance and only some off-ice physical assessments showed associations with these variables. Few studies have considered involvement of specific hip muscles, which are particularly solicited during the skating cycle. The data science and the use of machine learning tools have grown in recent years in the sports community. It has shown to improve prediction and has the ability to recognize complex and non-linear relationships between variables, and thus, can outperform standard statistical models and human intuition. Our main objective is the prediction of skating performance of ice hockey players with physical assessments and the use of machine learning models. We used data from physical assessment of 72 athletes who attended at the combine of the Quebec Major Junior Hockey League. We used acceleration and speed in forward and backward direction as target variables. The standard physical assessment performed on that day and isometric hip joint strength developed on its six degrees of freedom were input variables for a linear (LassoCV) and a non-linear (xgboost) model. Our machine learning models show good prediction errors by showing a mean absolute percentage error (MAPE) of less than 2.96±2.15% for the forward speed variables, while the prediction errors for acceleration and backward speed variables remain high (MAPE: > 4.46±4.15%). The broad jump and the isometric strength developed in hip flexion showed the most importance for acceleration over 5 meters (5F and 5B) and sprint over 30 meters (30F and 30B) in both skating directions. After validation of the models, coaches could use the results of these physical assessments to develop maximum forward speed performance of ice hockey players.