Abbiamo concluso la nostra prima stagione pilota completa a maggio e volevamo condividere ciò che abbiamo imparato, semplicemente, prima che inizi la prossima. Questo non è un post di marketing. I numeri provengono dalla stessa revisione interna che condividiamo con il nostro partner ogni trimestre.
Il pilota si è svolto durante l'intera stagione competitiva con un club professionistico di Ligue 2. Ventitré giocatori sono stati monitorati attraverso la piattaforma. Le fonti di dati includevano il carico di allenamento giornaliero dai GPS, la percezione dello sforzo (sRPE) raccolta dopo ogni sessione dallo staff medico, questionari di benessere soggettivo compilati ogni mattina e la cronologia degli infortuni delle due stagioni precedenti. Ogni segnale veniva inserito in un database unico e servito attraverso il motore di inferenza di Omen, che genera un punteggio di rischio infortunio a sette giorni per giocatore utilizzando un ensemble gradient-boosted addestrato sui dati storici del club.
Durante la stagione in cui lo staff ha utilizzato Omen, gli infortuni muscolari senza contatto sono diminuiti di circa il trenta per cento rispetto alla loro linea di base delle due stagioni precedenti, stessa rosa, stesso contesto di allenamento. Accogliamo questo numero con cautela: una stagione, uno staff e una miriade di variabili confondenti che vanno dalla congestione del calendario alla fase lunare. Non siamo ancora pronti a rivendicare una tendenza causale, solo a riportare ciò che abbiamo osservato. Detto questo, la direzione è coerente in tutti i sottogruppi analizzati: prima squadra e riserve, inizio e fine stagione, giocatori con molti minuti e rotazioni allo stesso modo.
Il modello predittivo ha segnalato un rischio elevato a sette giorni in media 3,2 giorni prima di qualsiasi evento di infortunio durante il pilota. I segnali più predittivi sono stati, in ordine, un aumento improvviso del carico di allenamento acuto rispetto al carico cronico (ACWR superiore a 1,5), un calo della qualità del sonno auto-riferita per tre giorni consecutivi e una precedente lesione muscolare ipsilaterale nei sessanta giorni precedenti. Questi tre fattori hanno rappresentato circa il settanta per cento del peso predittivo negli avvisi del modello. Pubblichiamo questi dati perché crediamo che il campo tragga beneficio dal sapere quali segnali contano realmente.
Ciò che ci ha sorpreso meno, e rassicurato di più, è stata la coerenza dell'allineamento umano. In più di nove casi su dieci in cui Omen segnalava un giocatore a rischio elevato a sette giorni, almeno un membro dello staff medico aveva indipendentemente annotato una preoccupazione sullo stesso giocatore nella stessa settimana, nei propri appunti, prima ancora di vedere l'avviso della piattaforma. Non stiamo introducendo nuove informazioni. Stiamo portando in superficie ciò che lo staff già sa a metà, in tempo per agire prima che diventi un evento clinico. Questo tasso di allineamento è, a nostro avviso, la validazione più forte dell'approccio: il modello non inventa falsi pattern, legge gli stessi segnali che lo staff legge, in continuo, senza lacune.
La scoperta meno glamour è che il più grande vantaggio non è l'accuratezza predittiva. È il tempo. Prima del pilota, lo staff medico dedicava circa quattro ore al giorno a raccogliere dati da quattro fonti separate — il portale del fornitore GPS, il registro interno degli infortuni del club, un foglio di calcolo per i questionari di benessere e gli appunti cartacei delle sessioni — e a consolidarli manualmente. Con Omen, quel consolidamento tra strumenti è sceso a meno di un'ora. Lo staff ha recuperato, in media, tre ore a persona al giorno. Tre ore che sono state spese, invece, per i giocatori: più tempo di trattamento individuale, più preparazione per la sessione successiva, più tempo seduto con un giocatore che aveva bisogno di parlare.
Questo risparmio di tempo ha anche cambiato il modo in cui lo staff utilizzava i dati stessi. Con il carico manuale ridotto, il tasso di inserimento di osservazioni post-sessione da parte dello staff è più che raddoppiato nel corso della stagione. Più dati in entrata significavano previsioni migliori in uscita, creando un circolo virtuoso che uno strumento di monitoraggio passivo non può produrre. La piattaforma diventava più utile più lo staff la utilizzava, perché l'utilizzo generava le annotazioni che perfezionavano il modello.
Iniziamo la seconda stagione con un gruppo di partner più ampio e un quadro di misurazione più solido. Le domande a cui vogliamo rispondere sono: l'effetto si replica in diverse rose, diverse strutture di staff e diversi livelli competitivi? E il modello può mantenere il suo tasso di allineamento man mano che il set di dati cresce attraverso più club? Pubblicheremo i risultati in ogni caso.
Accettiamo un numero limitato di nuovi partner ogni stagione. Se vuoi parlarne, sai dove trovarci.