González JR, Cáceres A, Ferrer E, Balagué-Dobón L, Escribà-Montagut X, Sarrat-González D, Quintás G, Rodas G. Predicting Injuries in Elite Female Football Players With Global-Positioning-System and Multiomics Data. Int J Sports Physiol Perform. 2024 May 15;19(7):661-669. doi: 10.1123/ijspp.2023-0184.
Las lesiones en los deportes, particularmente entre los atletas profesionales, pueden tener importantes implicaciones físicas y económicas. Los factores pronósticos con un papel causal establecido en la ocurrencia de lesiones y los factores de susceptibilidad (es decir, el trasfondo genético) pueden utilizarse para desarrollar enfoques de intervención innovadores para mitigar el riesgo de lesiones. Además, el control de la carga de trabajo tiene aplicaciones prácticas en el rendimiento deportivo y las lesiones, y se ha convertido en una parte integral de un sistema de gestión de atletas. La carga externa (las demandas físicas impuestas al cuerpo de un atleta durante la actividad física) y la carga interna (la tensión fisiológica en el cuerpo de un atleta) juegan un papel crucial en el riesgo de lesión en los deportes. La primera se mide comúnmente con el Sistema de Posicionamiento Global (GPS), mientras que el enfoque más adecuado para medir la carga interna es el análisis del metaboloma (es decir, los cambios en los niveles de metabolitos específicos en respuesta al ejercicio).
Las “ómicas” son metodologías de alto rendimiento, impulsadas por datos, que examinan todos los componentes en un estado específico. Por ejemplo, la genómica implica el estudio de todos los genes y la metabolómica de todos los procesos metabólicos. Los datos ómicos desempeñan un papel importante en los deportes, ya que proporcionan una comprensión integral de los procesos biológicos y los sistemas que subyacen al rendimiento atlético. En particular, los datos ómicos tienen el potencial de proporcionar nuevas ideas sobre los mecanismos biológicos complejos que contribuyen a las lesiones deportivas y de identificar nuevos objetivos para la intervención. Sin embargo, las lesiones tienen múltiples causas y factores de riesgo, y el debate sobre qué variables ómicas (y en qué condiciones) son las más importantes para predecir el riesgo de lesión aún no está resuelto. Estudios anteriores han evaluado independientemente el riesgo asociado con la carga de entrenamiento, el GPS, la genómica y la metabolómica. Sin embargo, sus modelos no siempre han sido capaces de predecir lesiones con precisión, ya que se han evaluado de manera independiente. Además, el análisis de condiciones multifactoriales debe ser específico por género, ya que existen diferencias biológicas y de tasas de lesiones sustanciales entre hombres y mujeres. Desafortunadamente, las variables ómicas más relevantes para las mujeres aún no se han establecido, ya que los modelos existentes están dirigidos en gran medida hacia hombres o una mezcla de ambos géneros.
Este estudio se diseñó para obtener modelos exclusivamente adaptados para jugadoras, integrando mediciones precisas de la carga externa e incorporando las características clave de los datos ómicos (genómica y metabolómica) para la prevención efectiva de lesiones.
El objetivo principal de este estudio fue identificar los factores asociados con el riesgo de lesión a partir del control de un equipo profesional de fútbol femenino durante dos temporadas. Si bien el estudio enfatiza el desarrollo y la creación de modelos para atletas femeninas, ya que fue entrenado con datos femeninos, también reconoce la posible aplicabilidad del modelo a atletas masculinos, extendiendo así su relevancia a ambos géneros.
Material y métodos
Estudio prospectivo, longitudinal de cohorte llevado a cabo por el Fútbol Club Barcelona (FCB, Barcelona, España). Se estudiaron a 24 jugadoras de fútbol profesional de élite del primer equipo del FCB durante dos temporadas, 2019-2020 y 2020-2021. Normalmente, las jugadoras tenían alrededor de 9 horas de entrenamiento y 1 o 2 partidos competitivos por semana.
Cuantificación de la Carga Externa de Entrenamiento y Competición mediante Datos de GPS
Se monitorizó la carga externa durante los entrenamientos y los partidos utilizando datos de GPS. Las variables relacionadas con el volumen incluyeron: tiempo total (en minutos); distancia total (en metros); distancia de alta carga metabólica (en metros; definida como 25,5 W/kg − distancia recorrida por encima de 5,5 m/s); desaceleraciones; aceleraciones; carga del jugador (PL; carga en unidades arbitrarias); y carreras de alta velocidad (en metros, velocidades superiores a 18 km/h). También se controlaron variables relacionadas con la intensidad: carga (unidades arbitrarias por minuto); distancia (en minutos); distancia de alta carga metabólica por minuto; y carreras de alta velocidad por minuto.
Genotipificación
Se analizaron 108 polimorfismos de un solo nucleótido (SNPs) asociados con lesiones en músculos, tendones y ligamentos.
Puntuación Poligénica
La influencia combinada de los múltiples SNPs se calculó utilizando una puntuación poligénica (PS). Se asignó una puntuación genotípica (GS) de 2 al genotipo “protector” para lesiones, una GS de 1 al genotipo heterocigoto, y una GS de 0 al genotipo “susceptible” a lesiones. Luego se sumaron las GS de cada SNP utilizado para crear la PS.
Datos Metabolómicos
Se cuantificaron 69 metabolitos en orina mediante cromatografía líquida de ultra-alta resolución acoplada a espectrometría de masas en tándem. Se realizaron un total de 4 evaluaciones por temporada, comenzando en julio y seguidas por una cada trimestre. Los datos fueron normalizados después de eliminar metabolitos con 0 variabilidad (5 metabolitos) y un alto porcentaje de valores perdidos (3 metabolitos). Finalmente, se eligieron 61 metabolitos para análisis posteriores. Se midió cada metabolito en 5 periodos de tiempo y se realizó una interpolación lineal de los metabolitos.
Discusión
En este estudio se observó una asociación significativa entre el riesgo de lesión y la carga de trabajo acumulada en jugadoras de fútbol. Además, se identificaron seis polimorfismos de un solo nucleótido (SNPs) y tres metabolitos asociados con el riesgo de lesión. El modelo multivariado, que incluye la carga de trabajo, variables genómicas y características metabolómicas, mostró una buena capacidad predictiva del riesgo de lesión.
El modelo se basa en la acumulación de carga externa medida mediante tecnología GPS. Aunque la carga percibida ha sido un fuerte predictor de lesiones, este estudio empleó una medida objetiva que no captura el estado interno de fatiga de las atletas. Para compensar esto, el modelo incorpora características ómicas que reflejan el estado interno de las jugadoras.
En cuanto a la susceptibilidad genética a lesiones, se encontraron asociaciones significativas con varios SNPs en genes previamente vinculados al riesgo de lesión, como DCN, ADAMTS5 y ESRRB. Estos hallazgos podrían ayudar a personalizar los planes de entrenamiento para reducir el riesgo de lesiones en las jugadoras.
Respecto a los datos metabolómicos, se encontraron asociaciones significativas entre el riesgo de lesión y metabolitos como beta-alanina, serotonina y 5-HTP. La suplementación con beta-alanina podría reducir el riesgo de lesión al mejorar la resistencia muscular y retrasar la fatiga. Sin embargo, altos niveles de 5-HTP, precursor de la serotonina, se han relacionado con un mayor riesgo de lesiones debido a su potencial para causar somnolencia y fatiga.
El modelo predictivo más preciso fue el que incorporó medidas de carga, polimorfismos y metabolitos. Sin embargo, la carga de trabajo externa y la predisposición genética fueron los factores más influyentes en el riesgo de lesión, lo que tiene implicaciones prácticas significativas. Se recomienda realizar estudios futuros con muestras más grandes y considerar factores adicionales como el estado menstrual y el uso de anticonceptivos para mejorar la precisión predictiva.
Aplicaciones Prácticas
La investigación en el campo de la sportómica (es decir, la conjunción del deporte con cualquier capa ómica, como la genómica y la metabolómica) y, específicamente, su uso para predecir lesiones deportivas, tiene un gran potencial para la prevención de lesiones en atletas de todos los niveles. Según nuestro conocimiento, este es el primer intento de predecir el riesgo de lesiones no relacionadas con el contacto utilizando datos de GPS, genómicos y metabolómicos en jugadoras de élite, un grupo en gran parte no estudiado. El artículo también emplea enfoques de modelado de datos de última generación para manejar adecuadamente la naturaleza compleja de los datos de lesiones y el efecto acumulativo de la carga de trabajo externa. La integración del modelo propuesto en una cohorte más grande de jugadoras y su evaluación prospectiva probablemente ayudará a mejorar la predicción del riesgo de lesiones, beneficiando en última instancia la gestión y prevención de lesiones (incluyendo en atletas asintomáticas).
Conclusiones
Este estudio demuestra, por primera vez, que la predicción del riesgo de lesiones combinando tecnologías ómicas con mediciones de la carga de trabajo externa fue superior a usar solo las mediciones de la carga de trabajo externa. Se presenta un modelo integral que integra la carga de trabajo, variables genómicas y características metabolómicas, demostrando una prometedora capacidad predictiva del riesgo de lesiones en jugadoras de fútbol de élite. Sin embargo, estos hallazgos representan solo el primer paso hacia aplicaciones prácticas en entornos del mundo real. Además, los estudios sobre jugadoras también podrían incluir otras variables biológicas que influyan en el riesgo específico de lesiones en mujeres (por ejemplo, el ciclo menstrual).
Acceso libre al artículo original en: https://www.fisiologiadelejercicio.com/wp-content/uploads/2024/08/Gonzalez.J.R-2024-Predicting-Injuries-in-Elite-Female-Football.pdf
