🧬 biology

From Splits to Heat Strain: A Ten-Year Analysis of Performance Determinants and a Digital Twin Prototype for Olympic-Distance Triathlon Developed Using a Generative AI Workflow

Deze tienjarige analyse van meer dan 7.000 Olympic-distance triathlonrecords maakt gebruik van een human-in-the-loop generatieve AI-workflow om het hardloopsegment te identificeren als de primaire prestatiediscriminator, hittebestendigheid te beoordelen en een digital twin-prototype te ontwikkelen voor het optimaliseren van raceplanning en hittestressbeheer.

Oorspronkelijke auteurs: Marco Cardinale

Gepubliceerd 2026-07-08

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Marco Cardinale

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Het Grote Plaatje: Een Decennium aan Triatlongegevens

Stel je voor dat je probeert te begrijpen wat een triatleet een overwinning bezorgt in een Olympische afstand (1,5 km zwemmen, 40 km fietsen, 10 km hardlopen). Lange tijd moesten experts gissen op basis van kleine momentopnames van gegevens.

Dit paper is als een massaal, tijdreizend detectivespel. De auteur, Marco Cardinale, gebruikte Kunstmatige Intelligentie (AI) om door tien jaar (2015–2025) aan wedstrijdresultaten van 339 grote kampioenschappen te graven. Hij keek naar 7.415 wedstrijdprestaties van meer dan 3.000 verschillende atleten.

Hij keek niet alleen naar de klok; hij reconstructeerde ook het weer op elke individuele racedag om te zien hoe hitte en luchtvochtigheid de hardlopers beïnvloedden. Het doel was om een "Digital Twin" te bouwen — een virtuele kloon van een racescenario — om te voorspellen wie er zou kunnen winnen en hoe de hitte de uitkomst zou veranderen.

De Drie Benen van de Race: Wie Is Er Echt Belangrijk?

Beschouw een triatlon als een estafette waarbij dezelfde persoon alle drie de benen aflegt. Het paper vroeg zich af: Welk been is het belangrijkste om te winnen?

Het Zwemmen: Dit is als de startlijn van een sprint. Het is belangrijk omdat het bepaalt wie in de voorste rij mag staan voor het volgende deel. De gegevens laten echter zien dat, zodra de race eenmaal in volle gang is, de zwemtijd de uiteindelijke winnaar niet echt goed voorspelt.
Het Fietsen: Dit is het middelste been. In elite-races fietsen de deelnemers vaak in een strak peloton (als een school vissen), wat helpt om energie te besparen. Omdat iedereen zo dicht bij elkaar fietst, heeft het fietsen de neiging om de verschillen tussen atleten te "nivelleren". Het is een noodzakelijk onderdeel van de race, maar het bepaalt zelden op zichzelf de winnaar.
Het Hardlopen: Dit is de baas. De studie vond dat het hardloopgedeelte de belangrijkste factor is bij het bepalen van wie op het podium staat (de top 3). Of het nu mannen of vrouwen zijn, als je wilt winnen, moet je aan het einde van de dag de beste hardloper zijn. De AI bevestigde dat het hardloopgedeelte het meeste verklaart over wie er wint.

De Analogie: Stel je een driebenige race voor waarbij de eerste twee benen er alleen maar om gaan om in het peloton te blijven. Het derde been is waar iedereen alleen moet sprinten. Het paper zegt dat de winnaar bijna altijd de persoon is die het snelst is tijdens die laatste solo-sprint.

De Hittefactor: De Grote Gelijkmaker?

De onderzoekers wilden weten: Maakt de hitte iedereen langzamer, of presteren sommige mensen er juist beter onder?

Ze gebruikten een speciale weer-metriek genaamd WBGT (Wet Bulb Globe Temperature), die meet hoe warm het voelt wanneer je rekening houdt met de zon, luchtvochtigheid en wind. De races die ze bestudeerden varieerden van een koele 7°C tot een verzengende 28°C.

De Bevinding: De hitte beïnvloedde niet iedereen op dezelfde manier. Het is geen simpele regel zoals "warmer = langzamer."
De "Hittetolerante" Atleten: Sommige atleten leken zelfs beter te presteren (of in ieder geval niet slechter) naarmate de temperatuur steeg. Ongeveer de helft van de mannelijke atleten en ongeveer een derde van de vrouwelijke atleten vertoonden deze "hittetolerantie".
De "Hittesensitieve" Atleten: Anderen worstelden aanzienlijk naarmate de temperatuur steeg.
De Conclusie: Er is geen enkele "hitteregel" voor de hele groep. In plaats daarvan werkt hitte als een filter die de atleten scheidt die gebouwd (of getraind) zijn voor de hitte van degenen die dat niet zijn.

De "Digital Twin": Een Virtuele Kristallen Bol

Het meest futuristische deel van het paper is de Digital Twin.

Stel je voor dat je een videogame-personage hebt dat een perfect digitale kopie is van een echte atleet. Deze "Digital Twin" heeft elke race die de atleet ooit heeft gelopen uit het hoofd geleerd.

Hoe het werkt: De AI kijùkt naar de eerdere zwem-, fiets- en hardtijden van een atleet, plus de weersverwachting voor een komende race.
Wat het voorspelt: Het probeert te raden hoe snel de atleet zal gaan in de volgende race.
Hoe nauwkeurig is het? Het is als een weersverwachting: het is niet perfect, maar het is nuttig. Het model kan een racetijd voorspellen binnen een redelijke foutmarge (ongeveer 0,5 "z-units", wat vertaalt naar ongeveer 1,5 tot 2 minuten over de hele race).
Het Doel: Dit is geen toverstaf die een overwinning garandeert. In plaats daarvan is het een planningsinstrument. Het helpt coaches en atleten om te zeggen: "Als het weer zo heet gaat worden, en de atleet heeft dit verleden, dan is dit een realistisch doel om naar te streven."

Het "Niet Voltooien" (DNF) Mysterie

Het paper keek ook naar hoeveel mensen de race stopzetten (DNF - Did Not Finish).

In zeer hete omstandigheden (de "Blue Flag" categorie, wat de heetste is die is toegestaan voor wedstrijden), steeg het aantal mensen dat stopte.
De gegevens vertelden de onderzoekers echter niet waarom mensen stopten. Kregen ze een hitteberoerte? Kregen ze een crash met de fiets? Kregen ze een kramp? De gegevens zeggen alleen "ze hebben niet gefinisht".
De studie vond dat in de heetste races meer mensen stopten, vooral bij vrouwen, maar het kon de exacte medische oorzaak niet aanwijzen omdat de publieke gegevens niet over dat niveau van detail beschikken.

Samenvatting

In eenvoudige termen gebruikte dit paper AI om een decennium aan triatlongeschiedenis te lezen en vond drie hoofdzaken:

Hardlopen is Koning: Als je een Olympische triatlon wilt winnen, is je hardloopsnelheid aan het einde het belangrijkste.
Hitte is Persoonlijk: Sommige atleten gedijen bij de hitte, terwijl anderen eronder bezwijken. Er is geen algemene reactie op warm weer die voor iedereen geldt.
De Virtuele Coach: We kunnen nu een "Digital Twin" bouwen die eerdere gegevens en weersverwachtingen gebruikt om een realistische voorspelling te geven van hoe een atleet zou kunnen presteren, wat helpt bij het beter plannen van hun racestrategie.

Het paper stopt daar; het beweert geen geneesmiddel voor hitteberoerte te hebben of een gegarandeerd trainingsprogramma, maar het biedt de gegevens en de instrumenten om experts te helpen die zaken uit te zoeken.

Technische Samenvatting: Van Splits naar Hittestress in de Olympische Afstand Triathlon

Probleemstelling
Ondanks de beschikbaarheid van uitgebreide wedstrijdresultaten-archieven, heeft er geen grootschalige longitudinale analyse plaatsgevonden die splits-niveau kinematica simultaan koppelt aan meteorologische gegevens over een volledig decennium van internationale kampioenschappen op de Olympische afstand van de triathlon. Terwijl de bestaande literatuur hardlopen identificeert als een primaire prestatiebepaler en de impact van thermische belastingen erkent, blijven er hiaten in het begrip van de wisselwerking tussen discipline-specifieke pacing, transitie-efficiëntie, de kwaliteit van het wedstrijdveld en de omgevingstemperatuur. Bovien is er een gebrek aan datagestuurde tools om geïndividualiseerde raceplanning, hitteacclimatisatiestrategieën en veiligheidsinterventies voor elite-atleten te ondersteunen die strijden in steeds warmere omstandigheden.

Methodologie
Deze studie maakte gebruik van een "human-in-the-loop" generatieve AI-workflow om een uitgebreide analytische pijplijn te construeren. Het onderzoek maakte gebruik van een dataset van 7.415 atleet-wedstrijdrecords uit 339 kampioenschapsevenementen (2015–2025) waarbij 3.060 unieke atleten over zes continenten betrokken waren.

Data-acquisitie & Engineering: Wedstrijdresultaten werden opgehaald via de World Triathlon REST API. Split-tijden (zwemmen, T1, fietsen, T2, hardlopen) werden gestandaardiseerd naar z-scores binnen elke wedstrijd en geslachtsstroom om variaties in veldsterkte en cursuscondities te controleren.
Meteorologische Reconstructie: De Wet Bulb Globe Temperature (WBGT) van de wedstrijddag werd gereconstrueerd voor 301 evenementen (88% dekking) met behulp van het Open-Meteo historische archief en het Liljegren et al. fysische energiebalansmodel. Watertemperatuurgegevens werden eveneens geïntegreerd waar beschikbaar.
Statistische & Machine Learning Modellering:
- Prestatiebepalers: Ordinary Least Squares (OLS) regressie en XGBoost-classifiers werden gebruikt om de unieke variantiebijdragen van elke discipline aan de totale wedstrijdtijd en podiumuitslagen te kwantificeren.
- Hittestress Analyse: Lineaire mixed-effects modellen met random athlete-level slopes werden gebruikt om individuele hitte-toleranties te beoordelen. Atleten werden gestratificeerd op basis van hun respons op WBGT-veranderingen (helling < 0 duidt op hitte-tolerant).
- DNF Analyse: Logistische regressie en Wilson score betrouwbaarheidsintervallen werden toegepast om Did-Not-Finish (DNF) ratio's te analyseren tegenover WBGT-vlagcategorieën (Groen, Blauw, Oranje).
- Digital Twin Prototype: Een XGBoost regressiemodel werd ontwikkeld om totale wedstrijd z-scores te voorspellen op basis van historische split-prestaties en de race-dag WBGT. Het model maakte gebruik van een temporele hold-out validatiestrategie (trainen op 2015–2022, testen op 2023–2025) om data leakage te voorkomen.

Belangrijkste Resultaten

Prestatiebepalers:
- Variantiebijdrage: Wat betreft de totale wedstrijdtijd droegen de fiets- en hardloopsegmenten bijna gelijke unieke variantie bij (semi-partiële $R^2 \approx 0,13$ elk), terwijl het zwemsegment minimaal bijdroeg (~0,02).
- Podiumvoorspelling: Het hardloopsegment was de dominante discriminator voor podiumplaatsen. XGBoost feature importance rangschikte hardlopen het hoogst (Mannen: 45,5%, Vrouwen: 48,9%), gevolgd door fietsen en zwemmen. Dit bevestigt dat groepscyclisme de variantie comprimeert, waardoor de beslissende factor naar het hardlopen verschuift.
- Impact van Zwemmen: Hoewel het zwemmen weinig bijdraagt aan de totale tijdvariantie, blijft het een significante secundaire voorspeller voor podiumplaatsen (XGBoost belang ~25–27%) omdat het de compositie van de peloton-groepen voor het fietssegment dicteert.
Hittestress & Tolerantie:
- Populatieniveau: Gemiddelde WBGT-hellingen waren niet statistisch significant voor beide geslachten (Mannen: $p=0,065$ ; Vrouwen: $p=0,104$ ), wat suggereert dat er sprake is van heterogene individuele responsen in plaats van een uniform populatie-effect.
- Individuele Variabiliteit: Significante individuele variatie in hitte-tolerant werd waargenomen. Ongeveer 52,1% van de gekwalificeerde mannelijke atleten en 36,9% van de vrouwelijke atleten vertoonden "hitte-gunstige" hellingen (prestatie verbeterde of bleef stabiel naarmate de WBGT toenam).
- DNF Ratio's: DNF-ratio's varieerden van 11,7% tot 18,8% onder verschillende condities. Hoewel er geen significante associatie werd gevonden tussen WBGT en de DNF-waarschijnlijkheid voor mannen, werd er een kleine maar significante positieve relatie waargenomen voor vrouwen ( $p=0,004$ ). Locaties zoals Singapore en Hangzhou vertoonden opvallend verhoogde DNF-ratio's relatief aan hun WBGT.
Digital Twin Prestaties:
- Het prototype bereikte een Mean Absolute Error (MAE) van 0,490 z-units (mannen) en 0,468 z-units (vrouwen) op de temporele hold-out.
- Pearson correlatiecoëfficiënten waren 0,383 (mannen) en 0,295 (vrouwen).
- WBGT was de belangrijkste feature in het voorspellingsmodel (~23% belang), gevolgd door historische prestatie-metrieken.

Significantie en Claims
Het artikel claimt de eerste decenniumlange analyse te bieden die split-niveau data integreert met gereconstrueerde meteorologische condities om podiumvoorspelling, hitte-tolerant profileren en uitkomstprojectie op schaal te karakteriseren.

Wetenschappelijke Bijdrage: De studie daagt het idee van uniforme hitte-effecten uit, door aan te tonen dat elite-triatleten heterogene thermische responsen vertonen. Het bevestigt de primat van het hardloopsegment voor podiumsucces, terwijl het het strategische belang van het zwemmen voor de positionering tijdens het fietsen benadrukt.
Praktische Toepassing: De auteurs presenteren een Digital Twin prototype die prestatie- en thermo-fysiologische modellen koppelt. Hoewel de auteurs bescheiden erkennen dat de huidige voorspellende nauwkeurigheid van het model matig is (MAE > 0,45 z-units, overeenkomend met ~90–120 seconden), stellen zij dat de tool een fundament biedt voor evidence-based race-selectie, prioritering van hitteacclimatatie en tactische planning.
Methodologische Innovatie: De studie demonstreert de effectiviteit van een generatieve AI-workflow (gebruikmakend van tools zoals Claude Sonnet/Opus) bij het ondersteunen van complexe data-inname, feature engineering en statistische modelleringspijplijnen voor sportwetenschappelijk onderzoek.

De auteurs concluderen dat deze bevindingen de ontwikkeling van AI-gestuurde tools ondersteunen om de veiligheid van atleten en prestatieplanning te verbeteren, met name nu grote wedstrijden steeds vaker plaatsvinden in thermisch uitdagende omgevingen.