Machine learning: modelo de predicción de las lesiones en el fútbol.

Machine learning: modelo de predicción de las lesiones en el fútbol.

01/20/2022 By : Víctor Escamilla & Ismael Fernández Home

Comenzamos el año con uno de los primeros artículos publicados en el 2022, que analiza el rol de la termografía infrarroja en la prevención de lesiones en el deporte. El grupo de Alessio Rossi y colaboradores (2021) que previamente ya han publicado artículos muy interesantes sobre análisis de datos para pronosticar los eventos de lesión con el objetivo de su prevención a través de los datos obtenidos del GPS (A. Rossi, et al. 2018).

En este caso los investigadores realizaron una revisión narrativa con el objetivo de proporcionar una guía que describa un enfoque correcto para entrenar, validar y probar modelos de aprendizaje automático para predecir eventos en las ciencias del deporte.

Los autores resaltaron la importancia de estos modelos de predicción debido al ahorro económico que suponen. Está muy estudiado el gran impacto que tienen las lesiones en la industria deportiva, afectando tanto al rendimiento del equipo como al estatus económico del club. Datos recientes muestran que un equipo de la Premier League inglesa pierde alrededor de 45 millones de libras esterlinas al año debido a la disminución del rendimiento relacionada con las lesiones de su equipo cada temporada (Eliakim, E. et al 2020).

Modelos de predicción previos en la literatura

En la pasada década, muchas investigaciones proponían modelos para evaluar el índice de riesgo de lesión de los atletas. El primer modelo de riesgo de lesión fue propuesto por Gabbett y colaboradores en 2010 (Gabbett, T. et al. 2010), donde recogía una aproximación unifactorial a la identificación del riesgo de lesión del tejido blando, más concretamente, el músculo. El riesgo era estimado a través de la evaluación de la carga de entrenamiento recibida por el jugador durante la temporada competitiva. Por ejemplo, la percepción de esfuerzo percibida por el jugador en las sesiones de entrenamiento y competición.

Estos estudios se fueron desarrollando para encontrar una relación entre la carga aguda (entendida como la media de la carga de entrenamiento que había soportado el jugador la semana anterior) y la probabilidad de riesgo de lesión del tejido blando (Hulin, B. et al. 2014; Gabbett, T. et al. 2016).

Principalmente, estos estudios sugerían que grandes incrementos en la carga aguda con respecto de la carga crónica (entendida como la media de la carga de entrenamiento de las cuatro semanas anteriores) estaban asociadas con el aumento de las lesiones. En particular, los autores mostraban que los jugadores con un ratio de carga aguda versus crónica (acute:chronic workload ratio, ACWR) por encima de 1.6:1, tienen mayor probabilidad de lesionarse que aquellos con el ratio en 1:1. En otras palabras, una carga semanal que supera en un 160% los esfuerzos realizados por los jugadores en las cuatro semanas anteriores, supone un mayor riesgo de lesión que si se mantiene al 100% de las semanas previas. Estos valores de ACWR mostraban mejores perspectivas sobre el riesgo de lesión que la carga absoluta total de entrenamiento.

Por otro lado, en una revisión (Rossi, A. et al. 2018), se testó la precisión de la predicción del ACWR. Los resultados del estudio apoyan las críticas de la eficacia del ACWR de otros autores como Impellizzeri, F y col. (2020) que muestran un rendimiento predictivo bajo en su aplicación a los escenarios reales. A la vista de los resultados, y ya que la salud de los jugadores se ve afectada por múltiples factores relacionados con las respuestas al estímulo de entrenamiento, parece que la simplificación de una variable no permite tener una perspectiva global de la situación suficientemente específica como para tomar decisiones predictivas.

Guía para la generación de ecuaciones predictivas de eventos de lesión

Por ello, los autores en esta revisión establecen múltiples fuentes de información recogidos en un proceso de cribado de aprendizaje automático para que la inteligencia artificial sea capaz de evaluar los factores que posibiliten predecir lesiones. Como se muestra en la Figura 1, los factores psicofisiológicos, la carga de entrenamiento, el registro de las lesiones y los modelos matemáticos de análisis estadístico se tienen en cuenta para establecer las ecuaciones de predicción de lesiones.

Figura 1. Guía de construcción de un modelo de predicción de lesiones. Adaptado de Rossi et al. 2022


Las variables colocadas en la figura 1 como valores de entrada representan datos que ofrecen características del estado del atleta. Por otro lado, los valores de etiqueta representan las variables dependientes para el registro de las lesiones con las que se puede construir el modelo de predicción.

La termografía como una variable de entrada en los modelos de predicción

De entre las variables de entrada, la termografía ha demostrado su validez para la prevención de lesiones gracias a su habilidad para evaluar el estado fisiológico de los tejidos del cuerpo humano y el estado de fatiga del atleta (Fernandez-Cuevas, I. et al. 2017). Después del esfuerzo, el atleta sufre un cambio en la perfusión sanguínea que afecta a la temperatura de la piel. Estos cambios se pueden englobar dentro de los dos grandes grupos de variables (evaluaciones psicofisiólogicas y carga de entrenamiento), ya que sus métricas ofrecen múltiples posibilidades de análisis.

En la figura 2, podemos ver que mientras que la métrica de asimetría térmica evalúa el estado del sujeto desde un momento inicial detectando potenciales índices fisiológicos de riesgo de lesión por sobreutilización (Gomez-Carmona et al. 2021), el coeficiente de variación permiten monitorizar la variación de la temperatura y evaluar el grado de fatiga al que el jugador está siendo sometido (Thorpe et al. 2021).

Figura 2. Métricas principales del software ThermoHuman ©

Además, los autores destacan entre los beneficios de la termografía su carácter no invasivo, su rapidez en la toma de las imágenes y su aplicación diaria para evaluar el estado fisiológico de los atletas.

Conclusiones

Los autores ofrecen una guía que permite la correcta construcción y evaluación de los modelos de predicción de lesiones en el deporte. Dentro de ella, destacan los aspectos de cómo seleccionar los modelos para procesar los datos, cómo entrenar, validar y probar los modelos predictivos correctamente, cómo extraer información de los modelos de aprendizaje automático y cómo evaluar la correcta predicción del modelo.

Para más información accede al curso

https://education.thermohuman.com/courses/combinacion-con-otras-tecnologias-sacarle-el-maximo-partido-al-analisis-termografico/?lang=es


REFERENCIAS

Rossi, A., Pappalardo, L., & Cintia, P. (2022). A Narrative Review for a Machine Learning Application in Sports: An Example Based on Injury Forecasting in Soccer. Sports10(1), 5.

Rossi, A.; Pappalardo, L.; Cintia, P.; Iaia, F.; Fernàndez, J.; Mediana, D. Effective injury forecasting in soccer with GPS training data and machine learning. PLoS ONE 2018

Eliakim E, Morgulev E, Lidor R, et al. Estimation of injury costs: financial damage of English Premier League teams’ underachievement due to injuries. BMJ Open Sport & Exercise Medicine 2020

Gabbet, T. The development and application of an injury prediction model for noncontact, soft-tissue injuries in elite collision sport athletes. J. Strength Cond. Res. 2010

Hulin, B.; Gabbet, T.; Blank, P.; Chapman, P.; Bailey, D.; Orchard, J. Spikes in acute workload are associated with increased injury risk in elite cricket fast bowlers. Br. J. Sports Med. 2014,

Gabbett, T. The training-injury prevention paradox: Should athletes be training smarter and harder? Br. J. Sports Med. 2016, 50, 273–280

Impellizzeri, F.; Matthew, S.; Kempton, T.; Novak, A.; Coutts, A. Acute: Chronic Workload Ratio: Conceptual Issues and Fundamental Pitfalls. Int. J. Sports Physiol. Perform. 2020

Fernández-Cuevas, I.; Arnáiz Lastras, J.; Escamilla Galindo, V.; Gómez Carmona, P. Thermography for the Detection of Injury in Sports Medicine. In Application of Infrared Thermography in Sports Science; Priego Quesada, J., Ed.; Biological and Medical Physics Biomedical Engineering; Springer: New York, NY, USA, 2017.

Gómez-Carmona, P., Fernández-Cuevas, I., Sillero-Quintana, M., Arnaiz-Lastras, J., & Navandar, A. (2020). Infrared thermography protocol on reducing the incidence of soccer injuries. Journal of sport rehabilitation, 29(8), 1222-1227.

Thorpe, R. T. (2021). Post-exercise recovery: Cooling and heating, a periodized approach. Frontiers in Sports and Active Living, 236.


Si tienes cualquier pregunta o te gustaría comentarnos algo, no dudes en escribirnos. Estaremos encantados de leerte.

Europa Thermohuman ThermoHuman ha contado con el apoyo de los Fondos de la Unión Europea y de la Comunidad de Madrid a través del Programa Operativo de Empleo Juvenil. De igual manera ha participado en el Programa de Iniciación a la Exportación ICEX Next, contando con el apoyo de ICEX y con la cofinanciación del fondo europeo FEDER.

CDTI ThermoHuman ha recibido financiación del Centro para el Desarrollo Tecnológico Industrial (CDTI), con la participación del Fondo Europeo de Desarrollo Regional (ERDF), para la creación de una nueva herramienta basada en termografía para la prevención y predicción de artritis reumatoide. Ver detalle del proyecto.