Wir haben unsere erste vollständige Pilot-Saison im Mai abgeschlossen und möchten klar und einfach teilen, was wir gelernt haben, bevor die nächste beginnt. Dies ist kein Marketingbeitrag. Die Zahlen stammen aus demselben internen Review, den wir vierteljährlich mit unserem Partner teilen.
Der Pilot lief über die gesamte Wettbewerbssaison mit einem Profiverein der Ligue 2. Dreiundzwanzig Spieler wurden über die Plattform überwacht. Die Datenquellen umfassten die tägliche Trainingsbelastung aus GPS-Westen, die Belastungswahrnehmung (sRPE), die nach jeder Einheit vom medizinischen Stab erfasst wurde, subjektive Wohlbefindensfragebögen, die jeden Morgen ausgefüllt wurden, sowie die Verletzungshistorie der beiden vorangegangenen Spielzeiten. Jedes Signal wurde in einer einzigen Datenbank aufgenommen und über die Inferenz-Engine von Omen verarbeitet, die mit einem Gradient-Boosted-Ensemble, trainiert auf den historischen Daten des Vereins, einen Sieben-Tage-Verletzungsrisikowert pro Spieler erzeugt.
In der Saison, in der der Stab mit Omen arbeitete, sanken die Non-Contact-Weichteilverletzungen um etwa dreißig Prozent im Vergleich zur eigenen Basislinie der beiden vorherigen Spielzeiten, gleicher Kader, gleicher Trainingskontext. Wir behandeln diese Zahl mit Vorsicht: eine Saison, ein Stab und eine Vielzahl von Störvariablen, die von der Spielplandichte bis zur Mondphase reichen. Wir sind noch nicht bereit, einen kausalen Trend zu behaupten, sondern nur zu berichten, was wir beobachtet haben. Die Richtung ist jedoch in allen von uns analysierten Untergruppen konsistent: erste Mannschaft und Reserve, frühe und späte Saison, Spieler mit vielen Minuten und Rotationsspieler gleichermaßen.
Das Vorhersagemodell zeigte ein erhöhtes Sieben-Tage-Risiko im Durchschnitt 3,2 Tage vor jedem Verletzungsereignis während des Piloten an. Die aussagekräftigsten Signale waren, in dieser Reihenfolge, ein starker Anstieg der akuten Trainingsbelastung im Verhältnis zur chronischen Belastung (ACWR über 1,5), ein Rückgang der selbstberichteten Schlafqualität an drei aufeinanderfolgenden Tagen und eine Vorgeschichte ipsilateraler Muskelverletzungen innerhalb der vorangegangenen sechzig Tage. Diese drei Faktoren machten etwa siebzig Prozent des Vorhersagegewichts in den Modellwarnungen aus. Wir veröffentlichen dies, weil wir glauben, dass das Feld davon profitiert zu wissen, welche Signale tatsächlich zählen.
Was uns weniger überraschte und mehr beruhigte, war die Konsistenz der menschlichen Übereinstimmung. In mehr als neun von zehn Fällen, in denen Omen einen Spieler mit erhöhtem Sieben-Tage-Risiko meldete, hatte mindestens ein Mitglied des medizinischen Stabs unabhängig davon in derselben Woche eine Besorgnis über denselben Spieler in seinen eigenen Notizen vermerkt, bevor er die Warnung der Plattform sah. Wir führen keine neuen Informationen ein. Wir bringen an die Oberfläche, was der Stab bereits halbwegs weiß, rechtzeitig zum Handeln, bevor es zu einem klinischen Ereignis wird. Diese Übereinstimmungsrate ist unserer Ansicht nach die stärkste Validierung des Ansatzes: Das Modell erfindet keine falschen Muster, es liest dieselben Signale, die der Stab liest, kontinuierlich und ohne Lücken.
Die wenig glamouröse Erkenntnis ist, dass der größte Gewinn nicht die Vorhersagegenauigkeit ist. Es ist die Zeit. Vor dem Piloten verbrachte der medizinische Stab etwa vier Stunden pro Tag damit, Daten aus vier verschiedenen Quellen zu sammeln — dem Portal des GPS-Anbieters, dem internen Verletzungsregister des Vereins, einer Tabelle für die Wohlbefindensfragebögen und handschriftlichen Sitzungsnotizen — und sie manuell zu konsolidieren. Mit Omen sank diese abteilungsübergreifende Konsolidierung auf weniger als eine Stunde. Der Stab gewann durchschnittlich drei Stunden pro Person und Tag zurück. Drei Stunden, die stattdessen für die Spieler aufgewendet wurden: mehr Einzelbehandlungszeit, mehr Vorbereitung auf die nächste Einheit, mehr Zeit, mit einem Spieler zusammenzusitzen, der reden musste.
Diese Zeitersparnis veränderte auch die Art und Weise, wie der Stab die Daten selbst nutzte. Mit der reduzierten manuellen Last verdoppelte sich die Rate, mit der der Stab Beobachtungen nach den Einheiten erfasste, im Laufe der Saison mehr als verdoppelt. Mehr Eingabedaten bedeuteten bessere Vorhersagen und schufen einen positiven Kreislauf, den ein reines passives Überwachungswerkzeug nicht erzeugen kann. Die Plattform wurde umso nützlicher, je mehr der Stab sie nutzte, weil die Nutzung die Annotationen generierte, die das Modell verfeinerten.
Wir beginnen die zweite Saison mit einer größeren Partnergruppe und einem robusteren Messrahmen. Die Fragen, die wir als nächstes beantworten wollen, sind: Lässt sich der Effekt auf verschiedene Kader, verschiedene Stabsstrukturen und verschiedene Wettbewerbsniveaus übertragen? Und kann das Modell seine Übereinstimmungsrate halten, während der Datensatz über mehrere Vereine hinweg wächst? Wir werden die Ergebnisse in jedem Fall veröffentlichen.
Wir nehmen jede Saison eine begrenzte Anzahl neuer Partner auf. Wenn Sie darüber sprechen möchten, wissen Sie, wo Sie uns finden.