Concluímos nossa primeira temporada piloto completa em maio e queríamos compartilhar o que aprendemos, de forma direta, antes que a próxima comece. Este não é um post de marketing. Os números vêm da mesma revisão interna que compartilhamos com nosso parceiro a cada trimestre.
O piloto ocorreu durante toda a temporada competitiva com um clube profissional da Ligue 2. Vinte e três jogadores foram monitorados através da plataforma. As fontes de dados incluíam a carga de treinamento diária dos GPS, a percepção de esforço (sRPE) coletada após cada sessão pela equipe médica, questionários de bem-estar subjetivo preenchidos a cada manhã e o histórico de lesões das duas temporadas anteriores. Cada sinal era ingerido em um banco de dados único e servido através do mecanismo de inferência da Omen, que gera uma pontuação de risco de lesão de sete dias por jogador usando um ensemble gradient-boosted treinado nos dados históricos do clube.
Durante a temporada em que a equipe usou Omen, as lesões musculares sem contato caíram cerca de trinta por cento em comparação com a própria linha de base das duas temporadas anteriores, mesmo plantel, mesmo contexto de treinamento. Tratamos esse número com cautela: uma temporada, uma equipe e uma infinidade de variáveis de confusão que vão desde a congestão do calendário até a fase lunar. Ainda não estamos prontos para reivindicar uma tendência causal, apenas para relatar o que observamos. Dito isso, a direção é consistente em todos os subgrupos que analisamos: time principal e reservas, início e final de temporada, jogadores com muitos minutos e rotações igualmente.
O modelo preditivo sinalizou risco elevado de sete dias em média 3,2 dias antes de qualquer evento de lesão durante o piloto. Os sinais mais preditivos foram, em ordem, um aumento brusco da carga de treinamento aguda em relação à carga crônica (ACWR acima de 1,5), um declínio na qualidade do sono autorelatada por três dias consecutivos e um histórico de lesão muscular ipsilateral nos sessenta dias anteriores. Esses três fatores representaram cerca de setenta por cento do peso preditivo nos alertas do modelo. Publicamos isso porque acreditamos que o campo se beneficia ao saber quais sinais realmente importam.
O que nos surpreendeu menos, e nos tranquilizou mais, foi a consistência do alinhamento humano. Em mais de nove em cada dez casos em que Omen sinalizou um jogador com risco elevado de sete dias, pelo menos um membro da equipe médica havia anotado independentemente uma preocupação sobre o mesmo jogador na mesma semana, em suas próprias notas, antes de ver o alerta da plataforma. Não estamos introduzindo novas informações. Estamos trazendo à tona o que a equipe já sabe parcialmente, a tempo de agir antes que se torne um evento clínico. Essa taxa de alinhamento é, em nossa opinião, a validação mais forte da abordagem: o modelo não inventa padrões falsos, lê os mesmos sinais que a equipe lê, continuamente, sem lacunas.
A descoberta menos glamorosa é que o maior ganho não é a precisão preditiva. É o tempo. Antes do piloto, a equipe médica gastava cerca de quatro horas por dia coletando dados de quatro fontes separadas — o portal do fornecedor de GPS, o registro interno de lesões do clube, uma planilha para os questionários de bem-estar e as anotações de sessão em papel — e os consolidando manualmente. Com Omen, essa consolidação entre ferramentas caiu para menos de uma hora. A equipe recuperou, em média, três horas por pessoa por dia. Três horas que foram gastas, em vez disso, com os jogadores: mais tempo de tratamento individual, mais preparação para a sessão seguinte, mais tempo sentado com um jogador que precisava conversar.
Essa economia de tempo também mudou a forma como a equipe usava os próprios dados. Com a carga manual reduzida, a taxa de inserção de observações pós-sessão pela equipe mais que dobrou ao longo da temporada. Mais dados de entrada significavam melhores previsões de saída, criando um ciclo virtuoso que uma ferramenta de monitoramento passivo não pode produzir. A plataforma se tornava mais útil quanto mais a equipe a usava, porque o uso gerava as anotações que refinavam o modelo.
Estamos entrando na segunda temporada com um grupo de parceiros mais amplo e uma estrutura de medição mais robusta. As perguntas que queremos responder a seguir são: o efeito se replica em diferentes plantéis, diferentes estruturas de equipe e diferentes níveis competitivos? E o modelo pode manter sua taxa de alinhamento à medida que o conjunto de dados cresce em vários clubes? Publicaremos os resultados de qualquer forma.
Aceitamos um número limitado de novos parceiros a cada temporada. Se você quiser conversar sobre isso, já sabe onde nos encontrar.