Intro
Kost og restitution er afgørende for præstation i fodbold. Men begge dele afhænger af ét centralt tal: spillerens reelle energiforbrug (EE). Selv mindre fejl i beregningen kan betyde, at spilleren ikke får fyldt glykogenlagrene op, restituerer utilstrækkeligt eller indtager for meget energi.
Problemet er, at de mest anvendte metoder til at estimere energiforbrug stadig rammer skævt. GPS-baserede modeller kan fx undervurdere forbruget med omkring 20% i gennemsnit – og op til 44% i højintense situationer⁵. Andre studier har vist store fejl i balancen mellem aerob og anaerobt arbejde⁶.
For klubber betyder det, at mange beslutninger om ernæring, restitution og skadesforebyggelse stadig bygger på usikre estimater. Hos CarboPlanner arbejder vi på at ændre det – med fodbold-specifikke, multi-sensor-modeller baseret på machine learning.
Hvorfor præcision er afgørende
Fodbold er en sport med stor variation: sprint, accelerationer, pauser og nærkampe afløser hinanden hele tiden. Derfor svinger energiforbruget markant – både mellem træning og kamp, men også mellem spillere, positioner og perioder i en kamp.
Et pilotstudie på kvindelige professionelle spillere antydede, at energiforbruget under kamp lå på ≈452 kcal/time mod ≈353 kcal/time under træning³. Selvom studiet er småt, understreger det en vigtig pointe: én generel model kan ikke dække fodboldens virkelighed.
Hvis estimaterne ikke er præcise, risikerer spillere at spise for lidt (og dermed mangle energi til præstation og restitution) eller spise for meget (med risiko for uønskede ændringer i kropskomposition).
Problemer med nuværende metoder
Metabolic Power
Én af de mest udbredte metoder i GPS-systemer, som beregner energiforbrug ud fra hastighed og acceleration.
-
Studier har vist systematiske fejl: underestimering på op til ~44% ved høj intensitet og overvurdering ved lav hastighed⁵.
-
Andre fandt, at anaerobt arbejde kunne overvurderes med 300%, mens aerob arbejde blev undervurderet med 40%⁶.
Nye forbedringer (fx Savoia et al. 2020⁹) har reduceret nogle af fejlene, men selv de bedste modeller fanger primært løbearbejdet. De misser stadig omkostningerne ved tacklinger, hop, tekniske aktioner og træthed¹⁰.
Lineær kalibrering
Andre metoder baserer sig på individuelle VO₂-tests, hvor man kalibrerer sammenhængen mellem puls og iltoptagelse.
-
Metoden kan fungere under steady-state løb, men fejler i de skiftende og uforudsigelige bevægelser i fodbold.
-
Studier viser, at pulsbaserede metoder giver store afvigelser fra de faktiske målinger i futsal og fodbold¹¹ ¹².
Kort sagt: de eksisterende metoder har bidraget med indsigt, men de leverer ikke den præcision, der kræves i moderne fodbold.
Vores tilgang: Data + machine learning
CarboPlanner udvikler en machine learning-model designet til fodbold, hvor vi kombinerer data fra GPS, accelerometre, pulsmålere og transportabel ilt-monitorering.
I stedet for at stole på én datakilde samler vi flere og træner modellen til at lære mønstrene. På den måde kan vi skelne mellem løbearbejde og ikke-løbebaseret arbejde, modellere både aerobe og anaerobe bidrag og tage højde for individuelle forskelle.
Videnskaben peger samme vej:
-
Tikkanen et al. (2014): ingen enkelt-sensor er tilstrækkelig – kombinationer giver bedre præcision¹³.
-
Savoia et al. (2020): viste, at forbedrede algoritmer kan bringe modeller tættere på ilt-målinger⁹.
CarboPlanner bygger videre på dette ved at anvende machine learning på fodbold-specifikke datasæt med målet om validerede, individuelle estimater, som trænere og ernæringsansvarlige kan stole på.
Hvad det kan betyde i praksis
-
For kostvejledere og performance-stab: færre gæt, mere solide data at basere strategier på.
-
For spillere: større tillid til deres kostplaner og restitution.
-
For klubber: en skalerbar, automatiseret løsning, der gør præcis ernæringsplanlægning mulig på tværs af hele organisationen.
Konklusion
Metoder som Metabolic Power og lineær kalibrering har givet værdifuld indsigt, men de kan ikke levere den præcision, moderne fodbold kræver.
CarboPlanner arbejder på næste skridt: fodbold-specifikke, validerede modeller for energiforbrug, der erstatter gæt med viden. Når vores resultater offentliggøres, er målet at hjælpe klubber med at gøre håndtering af energibalance til en konkret konkurrencefordel.
👉 Vil du se, hvordan præcise energiestimater kan bruges i jeres klub? Book en demo med CarboPlanner, og oplev forskellen med data-assisteret ernæring.
Referencer
¹ Dasa M. et al. (2022). Accuracy of Tracking Devices’ Ability to Assess Exercise Energy Expenditure in Professional Female Soccer Players. Int J Environ Res Public Health, 19(8):4770. https://doi.org/10.3390/ijerph19084770
² Mountjoy M. et al. (2018). IOC consensus statement on relative energy deficiency in sport (RED-S). Br J Sports Med, 52:687–697. https://doi.org/10.1136/bjsports-2018-099193
³ Dobrowolski H., Włodarek D. (2023). Energy expenditure during training and matches in professional female soccer players. Rocz Panstw Zakl Hig, 74(2):143–150. https://pubmed.ncbi.nlm.nih.gov/37309847/
⁴ Anderson L. et al. (2017). Daily energy expenditure and energy intake of professional soccer players. Appl Physiol Nutr Metab, 42(10):1105–1111. https://doi.org/10.1139/apnm-2017-0048
⁵ Brown D.M. et al. (2016). Metabolic power method: underestimation of EE in field-sport movements. Int J Sports Physiol Perform, 11(8):1067–1073. https://doi.org/10.1123/ijspp.2016-0021
⁶ Brochhagen J. et al. (2025). Validity of the metabolic power model in intermittent running. Front Sports Act Living. https://doi.org/10.3389/fspor.2025.XXXX
⁷ Burke L.M. et al. (2018). Pitfalls of Conducting and Interpreting Estimates of Energy Availability in Free-Living Athletes. Int J Sport Nutr Exerc Metab, 28(4):350–363. https://doi.org/10.1123/ijsnem.2018-0142
⁸ Areta J.L., Taylor H.L., Koehler K. (2021). Low energy availability: history, definition and evidence of its endocrine, metabolic and physiological effects in humans. Eur J Appl Physiol, 121(1):1–21. https://doi.org/10.1007/s00421-020-04516-0
⁹ Savoia C. et al. (2020). Validation of an updated metabolic power approach in elite soccer players. Int J Environ Res Public Health, 17(9):3285. https://doi.org/10.3390/ijerph17093285
¹⁰ Osgnach C. et al. (2010). Energy cost and metabolic power in elite soccer. Med Sci Sports Exerc, 42(1):170–178. https://doi.org/10.1249/MSS.0b013e3181ae5cfd
¹¹ da Silva H.S. et al. (2021). Validity of HR methods to estimate EE in futsal. Front Psychol, 12:711107. https://doi.org/10.3389/fpsyg.2021.711107
¹² Gastin P.B. et al. (2018). Validity of energy expenditure estimates from wearable devices in intermittent sport. J Sci Med Sport, 21(3):291–295. https://doi.org/10.1016/j.jsams.2017.06.003
¹³ Tikkanen O. et al. (2014). EMG, HR, and accelerometer methods for estimating EE. Med Sci Sports Exerc, 46(9):1831–1839. https://doi.org/10.1249/MSS.0000000000000308
