¿Puede la inteligencia artificial predecir una lesión al correr?

Sería útil recibir un aviso antes de una lesión. El desafío es distinguir una herramienta que identifica patrones en una base de datos de otra que realmente ayuda personas a evitar problemas en el mundo real.

Una investigación publicada en la npj Digital Medicine investigó esa posibilidad reuniendo informaciones de diferentes áreas de la vida deportiva. La contribución es prometedora como método de investigación, pero todavía está distante de una previsión individual infalible.

Lo que los investigadores hicieron

Fueron analizados 142 corredores acompañados por 12 meses, con 6.181 observaciones semanales. Los datos incluían entrenamiento, histórico, fuerza, biomecánica, nutrición, composición corporal y factores genéticos. Diferentes algoritmos fueron comparados.

El modelo random forest alcanzó el AUC próxima de 0,784. No hubo validación en una cohorte externa independiente. Los autores reconocen limitaciones de tamaño muestral, autorrelato de lesiones y características de la recolección. El estudio no testó suministrar alertas a los corredores reduciría el número de lesiones.

AUC de 0,784 no significa acertar 78,4% de las lesiones

El AUC evalúa discriminación: en términos simplificados, la capacidad de atribuir un puntaje mayor a un caso positivo que a un negativo. Ella no informa directamente la proporción de diagnósticos correctos ni la probabilidad de un corredor específico se lesionar.

Para transformar puntajes en alertas, sería necesario definir un umbral. Un umbral más sensible puede producir más avisos falsos; otro más restrictivo puede dejar pasar casos. También importa verificar si las probabilidades estimadas corresponden a lo que sucede en la población.

Estas propiedades deben ser demostradas en el uso deseado. Un número global de rendimiento no sustituye la evaluación de cómo funciona una herramienta para personas diferentes.

Prever y prevenir son tareas distintas

Incluso una previsión razonable no determina automáticamente la mejor acción. Si el sistema identifica un riesgo elevado, ¿qué cambia? Reducir volumen? Cambiar una sesión? ¿Encaviar para evaluación? ¿Cuál de esas respuestas ayuda y cuál puede interrumpir innecesariamente una preparación?

Esas preguntas exigen estudios de implementación y, idealmente, comparación de resultados entre personas que recibieron una intervención y personas que no recibieron. El artículo reconoce esa etapa futura.

Otro cuidado es causal. Una variable que contribuye a una previsión no se transforma, por eso, en causa de la lesión o en blanco que debe ser modificado. El algoritmo puede utilizar una asociación útil sin revelar el mecanismo responsable.

Ejemplo editorial: cómo evaluar la promesa de una aplicación

Si una herramienta promete anticipar lesiones, vale preguntar en quién fue probada, cómo define una lesión y se evaluó fuera de la base en que fue construida. También es necesario saber cuántos alertas son falsos y lo que sucedió cuando los usuarios siguieron las recomendaciones.

En el estudio, miles de registros no representan a miles de personas independientes. Observaciones repetidas enriquecen el análisis temporal, pero continúan vinculadas a un grupo de 142 corredores. Este detalle importa al interpretar la posibilidad de generalización.

¿Qué puede aprender ahora el corredor?

La investigación refuerza el valor de organizar informaciones de diferentes dimensiones, sin reducir la discusión a un único número de carga. Su principal producto es una base y una estructura para investigar previsión.

El paso entre reconocer patrones y orientar decisiones necesita ser validado. Para el lector de Enduran-se, esta es una regla útil para evaluar promesas de tecnología: preguntar no sólo si el algoritmo prevé, sino si su utilización mejora los resultados y en qué condiciones.

Referencia científica

Multidisciplinary prediction of running-related injuries using machine learning. npj Digital Medicine, 2026. DOI: 10.1038/s41746-026-02413-y.

Texto editorial en palabras propias. Los ejemplos identificados como editoriales son ilustrativos y no representan participantes o intervenciones adicionales de la investigación.

Cada um no seu ritmo. Juntos no caminho.