La ciencia del deporte está avanzando desde modelos de entrenamiento relativamente uniformes hacia un enfoque de precisión, en el que las decisiones sobre carga, recuperación, nutrición y prevención de lesiones puedan adaptarse a las características biológicas y funcionales de cada deportista. Este cambio responde a una evidencia cada vez más clara: ante un mismo estímulo de entrenamiento existen diferencias interindividuales importantes en la magnitud de la adaptación, la recuperación, la fatiga y la susceptibilidad a la lesión. Estas diferencias derivan de la interacción entre genética, características fisiológicas, exposición al entrenamiento, nutrición, sueño, estrés y otros factores ambientales. La incorporación conjunta de genómica, tecnologías portátiles, biomarcadores y técnicas de inteligencia artificial ofrece la posibilidad de integrar esta complejidad en modelos potencialmente más informativos que los enfoques convencionales.
Sin embargo, es importante distinguir entre deporte de precisión y verdadera personalización. Actualmente comienza a ser viable clasificar a los deportistas en subgrupos con determinados perfiles de respuesta o riesgo, pero la capacidad de predecir de manera fiable qué ocurrirá en un individuo concreto continúa siendo limitada. En este contexto, la inteligencia artificial no debe entenderse como una tecnología capaz de descubrir automáticamente la “fórmula” de cada deportista, sino como una herramienta para integrar múltiples fuentes de información y detectar relaciones que los métodos estadísticos tradicionales podrían no identificar.
La genética constituye uno de los componentes de este nuevo paradigma, pero probablemente también uno de los que más expectativas desproporcionadas ha generado. Variantes de genes como ACTN3, ACE, PPARGC1A, NOS3 o COL5A1 se han relacionado con características vinculadas al rendimiento, entre ellas fuerza, potencia, resistencia, metabolismo energético o vulnerabilidad del tejido conectivo. No obstante, el rendimiento deportivo es extraordinariamente poligénico. Cada variante genética individual explica generalmente una proporción muy pequeña de la variabilidad observada y muchas asociaciones descritas inicialmente no han podido reproducirse posteriormente en poblaciones independientes.
Este aspecto resulta especialmente relevante para la aplicación práctica. Por ejemplo, aunque determinadas variantes de ACTN3 se han asociado con fenotipos de potencia o resistencia y determinados polimorfismos de ACE con diferencias en rendimiento aeróbico o de fuerza, estos efectos son poblacionales y no permiten predecir con precisión el rendimiento de un deportista individual. La mayoría de los polimorfismos presentan efectos pequeños y alrededor del 80% de los marcadores propuestos históricamente para predecir características relacionadas con el rendimiento no se han reproducido de forma independiente.
Por tanto, la gran oportunidad no parece estar en utilizar genes aislados, sino en integrar información genómica, transcriptómica, proteómica, metabolómica y epigenética con variables fisiológicas y de entrenamiento. La inteligencia artificial puede procesar simultáneamente miles de variables, analizar interacciones no lineales y generar patrones que serían difíciles de detectar mediante aproximaciones convencionales. El valor potencial aumenta cuando la información molecular se combina con datos longitudinales de GPS, frecuencia cardiaca, variabilidad de la frecuencia cardiaca, sueño, aceleraciones, carga de entrenamiento, biomecánica y percepción subjetiva del esfuerzo.
Los wearables ocupan actualmente una posición especialmente favorable dentro de este modelo, porque permiten obtener datos frecuentes, no invasivos y prácticamente en tiempo real. GPS, unidades inerciales, frecuencia cardiaca, HRV y variables relacionadas con el sueño permiten caracterizar continuamente la respuesta del deportista. Las arquitecturas de aprendizaje automático, incluidas redes neuronales recurrentes y modelos LSTM, pueden analizar estas secuencias temporales para identificar cambios asociados con fatiga, recuperación o riesgo potencial de lesión.
Los biomarcadores pueden añadir otra dimensión relevante. CK, PCR, cortisol, testosterona, IgA salival, IL-6, lactato y otros indicadores metabólicos o inflamatorios reflejan aspectos diferentes del estrés fisiológico y la recuperación. Su principal limitación es que muchos carecen de suficiente especificidad para predecir por sí solos una lesión. Por ello, su mayor utilidad futura probablemente no radique en establecer umbrales universales, sino en incorporarlos como variables complementarias de modelos multimodales junto con carga externa, carga interna, sueño, percepción de recuperación y antecedentes individuales. De hecho, el propio análisis de la evidencia destaca que las variables biológicas deberían considerarse características suplementarias, no instrumentos predictivos independientes.
En el ámbito de la predicción de lesiones, algunos algoritmos han comunicado valores de discriminación elevados. Sin embargo, estos resultados deben interpretarse con cautela. Un modelo puede alcanzar una buena AUC y, simultáneamente, producir numerosos falsos positivos, algo que limitaría enormemente su utilidad clínica. Además, gran parte de los estudios utiliza muestras pequeñas, validación interna y datos procedentes de un único equipo o población. Incluso modelos aparentemente precisos pueden perder rendimiento cuando se aplican a otra temporada, otro club, mujeres deportistas o atletas con diferente origen étnico. La ausencia de validación externa, temporal y geográfica sigue siendo uno de los principales obstáculos para trasladar estas herramientas a la práctica profesional.
Otro problema fundamental es el sobreajuste. En genómica y multi-ómica pueden existir miles de variables para apenas unas decenas de deportistas. En estas circunstancias, el algoritmo puede aprender peculiaridades del conjunto de datos en lugar de identificar relaciones biológicas reproducibles. A ello se añade el riesgo de fuga de información entre los conjuntos de entrenamiento y validación y la falta de estandarización de muchos sistemas comerciales. La aparente superioridad matemática de un algoritmo no implica necesariamente que su utilización mejore las decisiones clínicas o reduzca realmente las lesiones.
También resulta esencial que los modelos sean explicables. No basta con que un algoritmo asigne a un jugador una determinada probabilidad de lesión; el médico, preparador físico o científico del deporte debe comprender qué variables están impulsando esa predicción. Herramientas de inteligencia artificial explicable como SHAP o LIME permiten identificar la contribución relativa de distintos factores, facilitando la interpretación y supervisión humana. Actualmente, menos del 10% de los estudios de inteligencia artificial aplicada al deporte incluyen métricas adecuadas de interpretabilidad, lo que representa una barrera importante para su utilización práctica.
Existen además importantes implicaciones éticas. La información genética es permanente, identificable y puede revelar datos que trascienden el rendimiento deportivo. Su utilización plantea cuestiones sobre propiedad de los datos, privacidad, discriminación, selección de deportistas y consentimiento informado, particularmente en menores. Los perfiles genéticos no deberían utilizarse actualmente para identificar talento o excluir deportistas, puesto que su capacidad predictiva individual es insuficiente y las consecuencias personales podrían ser relevantes.
En definitiva, la integración de inteligencia artificial, genómica, multi-ómica, biomarcadores y monitorización continua representa una de las vías más prometedoras para evolucionar hacia una medicina y una ciencia del deporte de precisión. Sin embargo, el potencial tecnológico está actualmente por delante de la evidencia necesaria para justificar una aplicación rutinaria. El paso decisivo no será disponer de más variables, sino demostrar qué información aporta realmente valor adicional sobre herramientas sencillas ya disponibles.
El futuro probablemente se apoyará en grandes bases de datos multicéntricas, poblaciones más diversas, biosensores capaces de medir variables moleculares en tiempo real, análisis multi-ómico de mayor resolución y gemelos digitales capaces de actualizar dinámicamente el estado fisiológico de cada deportista. Pero el principio esencial seguirá siendo el mismo: la inteligencia artificial debe funcionar como herramienta de apoyo a la decisión, no como sustituto del razonamiento clínico y profesional. La verdadera innovación llegará cuando estos sistemas demuestren, mediante estudios prospectivos y validación externa, que sus predicciones no solo son estadísticamente correctas, sino que permiten modificar decisiones, optimizar el entrenamiento, mejorar la recuperación y reducir de forma efectiva el riesgo de lesión.
Acceso libre al artículo original en: https://www.fisiologiadelejercicio.com/wp-content/uploads/2026/09/Artificial-intelligence.pdf
Referencia completa del artículo:
Patani A, Patel B, Pandit R, Bagatharia S, Patel A. Artificial intelligence and sports genomics: advancing precision sports science and athletic performance. Front Sports Act Living. 2026 Sep 4;8:1906206. doi: 10.3389/fspor.2026.1906206.
