Cómo el aprendizaje automático descifra el éxito deportivo de élite: factores clave revelados

Budapest, Hungría. Fuente:

La búsqueda del rendimiento deportivo óptimo siempre ha combinado arte y ciencia. Los avances recientes en inteligencia artificial ofrecen una claridad sin precedentes sobre los factores que distinguen a los buenos atletas de los de élite. Un estudio innovador publicado en la revista Sports por investigadores de la Universidad Semmelweis y Argus Cognitive, Inc., utiliza el aprendizaje automático para analizar la compleja relación entre los logros competitivos y la resistencia fisiológica. Esta investigación marca un cambio importante respecto al cribado tradicional en cardiología deportiva hacia la optimización del rendimiento basada en datos.

El estudio analizó datos procedentes de 688 atletas de élite sanos y asintomáticos. Se revisaron 1.194 exámenes de cribado en cardiología deportiva. El objetivo principal era evaluar qué tan bien los modelos de aprendizaje automático podían predecir dos métricas distintas: la Puntuación de Logro, derivada de los resultados competitivos, y la Puntuación de Resistencia, basada en la capacidad cardiorrespiratoria absoluta. Para garantizar la solidez, el equipo empleó explicaciones SHAP (SHapley Additive exPlanations). Esta técnica identificó los determinantes más influyentes para cada puntuación y abrió así la caja negra de las predicciones de la IA.

Los resultados mostraron una dicotomía clara en lo que impulsa el éxito. En cuanto a la Puntuación de Logro, que refleja los resultados competitivos, los predictores más fuertes fueron los años de entrenamiento, las horas semanales de práctica y la edad. Esto sugiere que el éxito competitivo depende en gran medida de la experiencia, el conocimiento acumulado y el volumen de práctica deliberada, más que de los rasgos físicos puros. Por el contrario, la Puntuación de Resistencia estuvo impulsada principalmente por la masa muscular esquelética, el peso corporal y la frecuencia cardíaca máxima. Estos hallazgos indican que la resistencia fisiológica pura está más estrechamente relacionada con la composición corporal y adaptaciones específicas vinculadas a medidas cardiorrespiratorias absolutas.

Aunque el modelo para predecir el logro mostró una precisión moderada (R² = 0,29), el modelo para la resistencia fue altamente preciso (R² = 0,69). Esta diferencia resalta que, si bien la capacidad física puede estimarse con precisión mediante datos biométricos, el logro competitivo está influenciado por un conjunto más amplio de factores psicológicos, estratégicos y experienciales que resultan más difíciles de cuantificar. Los entrenadores podrían preguntarse por qué algunos atletas destacan a pesar de perfiles físicos similares. La respuesta radica en los activos intangibles de la experiencia y la estrategia.

Estos conocimientos tienen implicaciones profundas para el entrenamiento y la identificación de talentos. Al comprender que la resistencia depende en gran medida de la composición corporal y la adaptación cardíaca, los entrenadores pueden diseñar programas de acondicionamiento más efectivos. Reconocer que el logro está vinculado a la historia de entrenamiento subraya la importancia del desarrollo a largo plazo y el mentorazgo. A medida que el aprendizaje automático siga evolucionando, su integración en la medicina deportiva promete personalizar los regímenes de entrenamiento, reducir el riesgo de lesiones y desbloquear nuevos niveles de potencial humano. Esta investigación no solo avanza en el campo de la cardiología deportiva, sino que también ofrece una hoja de ruta sobre cómo la IA puede ayudar a descifrar la naturaleza multifacética del rendimiento humano.