EpiCoachは、スキー？（例：クロスカントリーマウンテンバイク）１人の選手をN‑of‑1科学の主体として扱うシステムです。データを集めるたびに予測とその結果を証拠で記録し、検証可能にします。[f1]

腕時計だけで構成される機械的デジタルツインが予測の根拠です。心拍応答の遅延、学習済み時間定数を持つ適性‑疲労モデル、そしてジョギングへ反復されるトレイル区間から推定される潜在的な技術スキル状態が組み込まれています。次週のトレーニングは、負荷と安全性を守りつつ情報量を最大化する制約付き実験として設計されます。[f2]

18ヶ月にわたるローリングオリジン再生ベンチマークでは、ツインの心拍率予測でCRPS 0.050 [0.042, 0.065] が、先進予測器よりも低く優れ、セグメント時間予測ではCRPS 0.050 [0.042, 0.065] が静的ツイン 0.048 [0.041, 0.063] とほぼ同等にとどまり、標準的手法よりも劣っていることが図2に示されている。さらに、エージェント主体のループの性能は同様に静的モデルと同等であると確認された。実際に毎週のサイクルを行ったライブフェーズでは、20件の予測が行われ、そのうち14件が評価されました。下り坂の予測は1回の修正で校正され、上り坂の予測は選手が成長するに連れてやや楽観的になりました。安全担当者は最初の3週間でエージェントを2回取り消しました。すべての修正はレジストリに保存され、検証可能な個別化のテンプレートになっています。[f3]

ただし、18ヶ月の観察データだけでは、適性‑疲労モデルの時間定数はまだ十分に識別できていません。モデルは非条件化で、季節変動と負荷が混同される恐れがあります。情報指向設計――例えば、計画的なデロードと標準化されたテストクライムの対比――で不確実性を減らすことが示唆されていますが、現在の観察スケジュールにはそのような対比が欠けています。[f4]