La carga de entrenamiento (CE) se define como ‘un constructo de orden superior que refleja la cantidad de entrenamiento físico que realmente se realiza y experimenta por los atletas’ Dos dimensiones llamadas carga interna (CI) y carga externa (CE) caracterizan la CE. La CE induce respuestas internas que reflejan estímulos de estrés psicológico, fisiológico, bioquímico, metabólico y biomecánico.
Respuestas internas específicas, obtenidas mediante la frecuencia cardíaca (FC) o la percepción subjetiva del esfuerzo (RPE), son inducidas por factores externos del entrenamiento o competición. Por lo tanto, el control de la carga externa (CE) y la carga interna (CI) es esencial para la gestión de los atletas tanto durante el entrenamiento como durante la competición, con el fin de maximizar el rendimiento atlético y minimizar el riesgo de lesiones.
Fórmate sobre fútbol y lesiones
Específicamente, se sugiere que se consideren las respuestas internas a una determinada CE, ya que diferentes respuestas internas pueden observarse como consecuencia de la misma CE entre diferentes atletas. De hecho, varios estudios han examinado la relación entre la CE y la CI para controlar la carga de entrenamiento o competición en el fútbol.
Algunas investigaciones han explorado la aplicación de un nuevo índice que tiene en cuenta tanto la carga interna (CI) como la carga externa (CE) para comprender mejor el papel de la carga total (CT) y sus implicaciones en el rendimiento y la prevención de lesiones en el fútbol.
El aprendizaje automático (ML), que se ocupa de crear sistemas que aprenden o mejoran el rendimiento basándose en datos multidimensionales, podría permitir a los profesionales entender las complejas relaciones entre fenómenos con el objetivo de hacer predicciones. El ML incluye diferentes métodos complejos para gestionar bases de datos muy grandes con el fin de encontrar relaciones entre múltiples variables características. Por lo tanto, es necesario aplicar métodos de preprocesamiento (por ejemplo, imputación, estandarización y reducción) y reducir el tamaño de los datos seleccionando las características más relevantes para evitar problemas de multicolinealidad. Finalmente, los modelos con buen rendimiento ofrecen información sobre los factores más importantes, al observar cuáles de ellos tienen la mayor influencia en el proceso de toma de decisiones de los modelos de ML. En este contexto, un número creciente de estudios se ha centrado en la predicción tanto de lesiones como de rendimiento a través de enfoques de ML.
En los últimos años, un número creciente de investigaciones se ha centrado en comprender mejor la relación entre la carga interna (CI) y la carga externa (CE) en jugadores de fútbol profesional. Por lo tanto, se han implementado nuevos índices y enfoques de aprendizaje automático (ML) con el objetivo de monitorear la carga total (CT) y predecir lesiones.
En general, los estudios revisados demostraron una correlación positiva entre los indicadores de CI y CE. Indicadores específicos como la Percepción del Esfuerzo (RPE), la Percepción del Esfuerzo de la Sesión (S-RPE) y la Frecuencia Cardíaca (HR) se asociaron con diversos indicadores de CE.
Existe una interconexión de los indicadores de carga interna y externa y sus asociaciones con las tasas de lesiones en jugadores de fútbol profesional. La aplicación de ML para la predicción y la consideración de indicadores adicionales proporcionarán información valiosa para optimizar las estrategias de entrenamiento y la prevención de lesiones en el fútbol de élite.
La Escala de Percepción Subjetiva del Esfuerzo (S-RPE) y las medidas derivadas de la frecuencia cardíaca (HR) estan más asociadas con indicadores de volumen (es decir, TD, LRI) que con indicadores de intensidad. Esto podría deberse al papel del metabolismo anaeróbico, que se involucra principalmente durante actividades cortas de alta intensidad, lo que a su vez puede llevar a una subestimación de la frecuencia cardíaca. Del mismo modo, el carácter intermitente del fútbol, puede justificar la menor asociación entre S-RPE e intensidad, lo que puede resultar en la subestimación de RPE y S-RPE. Además, a pesar de su amplio uso, se ha especulado que la RPE podría no ser específica para evaluar la CI en tareas de entrenamiento de fútbol. Además, la RPE podría subestimarse en ejercicios específicos con balón y parece estar más relacionada con actividades metabólicas no específicas en las cuales la HR tiene una respuesta lineal.
Asociación entre carga externa e interna y lesiones
Los resultados de esta revisión mostraron que podría existir una relación entre la carga externa (CE) y la carga interna (CI) con lesiones no relacionadas con el contacto. Sin embargo, el uso de datos de carga de entrenamiento en la prevención de lesiones no está ampliamente respaldado por evidencia porque aún ningún autor ha establecido ‘el vínculo causal entre la carga de entrenamiento/partido y las lesiones’. De hecho, encontrar respuestas al ‘problema de las lesiones’ es difícil considerando solo las medidas de la carga de entrenamiento (o una variable específica de CE o CI). A pesar de estas importantes consideraciones, la carga de entrenamiento podría desempeñar un papel importante en la ocurrencia de lesiones porque estas ocurren cuando los jugadores están expuestos a una carga específica.
Aprendizaje automático, carga de entrenamiento y predicción de lesiones
Solo se encontró un estudio que predijo la tasa de lesiones utilizando tanto la carga externa como la interna a través de ML. Los autores detectaron que para la predicción de la tasa de lesiones a 1 semana, las características de la carga interna fueron más precisas, mientras que para la predicción a 1 mes, se alcanzó el mejor rendimiento combinando la carga interna y externa (Vallance et al., 2020). Otro estudio encontró que, mediante regresión lineal, la distancia cubierta en entrenamiento y partidos puede afectar la incidencia de lesiones por sobreuso (Bacon & Mauger, 2017). Del mismo modo, Venturelli et al. (2011), utilizando la regresión de Cox, mostraron que las lesiones anteriores, ΔJH (índice de salto) y la altura estaban correlacionadas negativamente con la ocurrencia de distensiones musculares del muslo (Venturelli et al., 2011). Otros estudios investigaron la predicción de la tasa de lesiones utilizando ML. En este sentido, Rossi et al. (2018) predijeron lesiones en jugadores de fútbol a través de un análisis multidimensional en el que solo se aplicaron medidas de GPS (Rossi et al., 2018). Además, otro estudio realizado en jugadores de fútbol de élite examinó si el uso de ML puede mejorar la capacidad de diferentes pruebas neuromusculares para identificar la tasa de lesiones (Oliver et al., 2020). El modelo de ML fue muy sensible a la asimetría, el ángulo de valgo de la rodilla y el tamaño corporal en jugadores de fútbol (Oliver et al., 2020).
Conclusión
La carga externa (EL) y la carga interna (IL) se utilizan ampliamente para monitorizar la carga de entrenamiento en jugadores de fútbol profesional. Observamos que podrían existir asociaciones entre la carga interna y externa y su relación con las lesiones. En detalle, la RPE, la S-RPE y la frecuencia cardíaca se asociaron con diferentes indicadores de carga externa. También se observó una relación positiva entre los indicadores de carga externa y carga interna y las lesiones. Además, se implementaron nuevos índices o ratios (integrando carga externa e interna) para mejorar el conocimiento sobre la carga de entrenamiento y el estado físico.
Al comparar enfoques de análisis estadístico, el aprendizaje automático (ML) parece ser el más adecuado para la predicción de la tasa de lesiones, aunque solo un estudio utilizó un enfoque de ML para predecir el riesgo de lesiones considerando tanto la carga externa como la interna. Sin embargo, determinar el mecanismo de causa y efecto de fenómenos multifactoriales parece no ser factible. Faltan aspectos importantes, como la carga cognitiva y emocional, la carga debida al uso del balón y todos los factores neuroendocrinos. Además, aunque la RPE se utiliza ampliamente tanto en el ámbito científico como en la práctica para monitorizar la carga interna, creemos que no es suficiente para el fútbol.
Se recomiendan estudios adicionales que utilicen enfoques de ML para comprender mejor la relación no claramente establecida entre las cargas y las lesiones en el fútbol profesional, también desarrollando una fórmula que incluya tanto la carga interna como la externa para predecir lesiones con ML.
Acceso libre al artículo original haciendo click aquí.
Referencia completa:
Pillitteri G, Petrigna L, Ficarra S, Giustino V, Thomas E, Rossi A, Clemente FM, Paoli A, Petrucci M, Bellafiore M, Palma A, Battaglia G. Relationship between external and internal load indicators and injury using machine learning in professional soccer: a systematic review and meta-analysis. Res Sports Med. 2023 Dec 26:1-38. doi: 10.1080/15438627.2023.2297190.
