Terminamos nuestra primera temporada piloto completa en mayo, y queríamos compartir lo que aprendimos, sin adornos, antes de que comience la siguiente. Esto no es un artículo de marketing. Las cifras provienen de la misma revisión interna que compartimos con nuestro socio cada trimestre.
El piloto se desarrolló durante toda la temporada competitiva con un club profesional de la Ligue 2. Veintitrés jugadores fueron monitoreados a través de la plataforma. Las fuentes de datos incluían la carga de entrenamiento diaria de los GPS, la percepción del esfuerzo (sRPE) recogida después de cada sesión por el staff médico, cuestionarios de bienestar subjetivo completados cada mañana, y el historial de lesiones de las dos temporadas anteriores. Cada señal se ingería en una base de datos única y se servía a través del motor de inferencia de Omen, que genera un puntaje de riesgo de lesión a siete días por jugador usando un ensemble gradient-boosted entrenado con los datos históricos del club.
Durante la temporada en que el staff usó Omen, las lesiones musculares sin contacto se redujeron aproximadamente un treinta por ciento en comparación con su propia línea de base de las dos temporadas anteriores, misma plantilla, mismo contexto de entrenamiento. Matizamos esta cifra con cautela: una temporada, un staff, y una multitud de variables de confusión que van desde la congestión del calendario hasta la fase lunar. Aún no estamos listos para reclamar una tendencia causal, solo para informar lo que observamos. Dicho esto, la dirección es consistente en todos los subgrupos que analizamos: primer equipo y reservas, inicio y final de temporada, jugadores con muchos minutos y rotaciones por igual.
El modelo predictivo señaló un riesgo elevado a siete días un promedio de 3,2 días antes de cualquier evento de lesión durante el piloto. Las señales más predictivas fueron, en orden, un aumento brusco de la carga de entrenamiento aguda en relación con la carga crónica (ACWR superior a 1,5), una disminución de la calidad del sueño autoinformada durante tres días consecutivos, y un antecedente de lesión muscular ipsilateral en los sesenta días anteriores. Estos tres factores representaron aproximadamente el setenta por ciento del peso predictivo en las alertas del modelo. Publicamos esto porque creemos que el campo se beneficia al saber qué señales realmente importan.
Lo que nos sorprendió menos, y nos tranquilizó más, fue la consistencia de la alineación humana. En más de nueve de cada diez casos en que Omen señaló a un jugador con riesgo elevado a siete días, al menos un miembro del staff médico había anotado independentemente su preocupación sobre el mismo jugador esa misma semana, en sus propias notas, antes de ver la alerta de la plataforma. No estamos introduciendo información nueva. Estamos sacando a la superficie lo que el staff ya sabe a medias, a tiempo para actuar antes de que se convierta en un evento clínico. Esta tasa de alineación es, en nuestra opinión, la validación más sólida del enfoque: el modelo no inventa patrones falsos, lee las mismas señales que el staff lee, continuamente, sin lagunas.
El hallazgo menos glamoroso es que la mayor victoria no es la precisión predictiva. Es el tiempo. Antes del piloto, el staff médico dedicaba aproximadamente cuatro horas al día a recopilar datos de cuatro fuentes distintas —el portal del proveedor GPS, el registro interno de lesiones del club, una hoja de cálculo para los cuestionarios de bienestar y las notas de sesión en papel— y a consolidarlos manualmente. Con Omen, esa consolidación entre herramientas se redujo a menos de una hora. El staff recuperó, en promedio, tres horas por persona al día. Tres horas que se dedicaron, en cambio, a los jugadores: más tiempo de tratamiento individual, más preparación para la siguiente sesión, más tiempo sentado con un jugador que necesitaba hablar.
Este ahorro de tiempo también cambió la forma en que el staff usaba los datos. Con la carga manual reducida, la tasa de ingreso de observaciones posteriores a la sesión por parte del staff se duplicó con creces a lo largo de la temporada. Más datos de entrada significaban mejores predicciones de salida, creando un círculo virtuoso que una herramienta de monitoreo pasivo no puede producir. La plataforma se volvía más útil cuanto más la usaba el staff, porque el uso generaba las anotaciones que refinaban el modelo.
Entramos en la segunda temporada con un grupo de socios más amplio y un marco de medición más sólido. Las preguntas que queremos responder a continuación son: ¿el efecto se replica en diferentes plantillas, diferentes estructuras de staff y diferentes niveles competitivos? ¿Y puede el modelo mantener su tasa de alineación a medida que el conjunto de datos crece en múltiples clubes? Publicaremos los resultados en cualquier caso.
Aceptamos un número limitado de nuevos socios cada temporada. Si quieres hablarlo, ya sabes dónde encontrarnos.