REHABILITACIÓN DEPORTIVA × RENDIMIENTO HUMANO
El evento es un día.
La historia viene antes.
Carga, intensidad y recuperación cambian con el tiempo. Este proyecto sigue esas trayectorias en corredores competitivos y pregunta cuánto podemos aprender antes de una señal de lesión.
Explorar una historia ↓Leer la discusión científica ↗Antes de una etiqueta de lesión, los atletas corrieron más y descansaron menos que antes de sus controles sanos. Pero en atletas nuevos y periodo futuro el modelo logra AP 0,020 (IC 0,0148 a 0,0430) frente a 0,0161 del azar; el IC pareado de AP menos azar (0,0020 a 0,0270) excluye el cero. Supera al azar por muy poco; con una AUC de 0,546 no sirve para uso clínico.
Investigación reproducible · Probabilidades de la muestra seleccionada · Sin uso clínico validado
01 / ENTENDER QUÉ ESTAMOS MIRANDO
Una fila no es un corredor.
Tampoco es cualquier día.
Cada fila contiene siete días de entrenamiento anteriores a un evento retenido. La etiqueta indica que una lesión impidió completar la sesión prevista, incluida una sesión omitida. No es un diagnóstico con localización y gravedad.
Los controles saludables exigían tres semanas de plena aptitud antes y después. Se excluyeron eventos cercanos a lesiones. Esa selección usa información futura y limita qué probabilidad podemos estimar.
Lövdal et al. · Dataverse v2.0 · CC0 ↗Orden corregido en el README de 2024: sin sufijo = E−7; .6 = E−1. Date es un índice relativo; no hay fecha de calendario recuperable.
02 / EXPLORADOR DE HISTORIAS REALES
Primero, mirar la trayectoria.
Cinco ejemplos seleccionados para visualizar. Las curvas reconstruyen ventanas públicas solapadas: sirven para describir el pasado, no para simular un flujo prospectivo. Los huecos siguen siendo huecos.
Las escalas subjetivas se conservan en la escala publicada. −0.01 en descanso se muestra como dato no aplicable, no como recuperación baja. La probabilidad mostrada es una predicción retenida fuera de entrenamiento de la fase 2, validación por atleta; no es riesgo clínico.
03 / NUEVO ANÁLISIS · DENTRO DE CADA ATLETA
Los promedios se mueven.
Las filas se solapan.
Cada atleta se compara consigo mismo: la media de sus ventanas antes de una etiqueta de lesión frente a la media de sus ventanas antes de un control sano. Así, un atleta que siempre corre mucho no pesa más que uno que corre poco.
Punto relleno: el intervalo de confianza al 95 % de la diferencia pareada no incluye 0. Punto vacío: sí lo incluye. Tamaño del efecto = diferencia media pareada / desviación estándar de las diferencias. 63 atletas pareados (62 en escalas subjetivas). Sin ajuste por confusión variable en el tiempo ni corrección por comparaciones múltiples. Los controles sanos se seleccionaron usando aptitud futura, y esa selección puede explicar parte de la diferencia. Fuente: reports/tables/within_athlete_contrasts.csv y within_athlete_paired_*d.csv.
Distancia de 7 días por fila: la mitad central va de 22,5 a 70,0 km en 42.183 filas sin etiqueta y de 30,7 a 67,9 km en las 583 filas con etiqueta. Los rangos casi se superponen y solo 1,36 % de las filas son positivas: casi todas las semanas cargadas terminan sin etiqueta. Una diferencia de grupo no es una alerta individual, y eso es lo que muestra la sección siguiente.
Cuartiles por fila de reports/tables/pre_event_7d_distributions_by_label.csv; pondera filas, no atletas.
04 / CAMBIAR LA PREGUNTA CAMBIA LA EVALUACIÓN
¿Futuro conocido o atleta nuevo?
Tres evaluaciones separadas. Transformaciones solo con entrenamiento, calibración independiente y purga temporal que considera las ventanas y la selección futura de controles. No se eligió un modelo ganador en el test.
AP del modelo calibradoAzar (fracción positiva del test)
AP no interpolada. La línea base indica la fracción positiva del test; las constantes por fold también se exportan. Las poblaciones evaluadas difieren.
Calibrar no garantiza mejorar.
Una señal de ordenación tan pequeña no basta para tomar decisiones clínicas. La calibración corresponde a esta muestra seleccionada y no identifica la incidencia diaria real.
05 / EL COSTO DE UNA SEÑAL
¿Cuántas alertas revisarías?
El presupuesto se fija con puntuaciones de calibración. En datos futuros, el volumen de alertas puede cambiar. Explora ese costo usando la evaluación seleccionada arriba.
100 casillas = 100 filas seleccionadas, visualización redondeada. Nunca 100 días de vigilancia clínica. Positivos capturados = etiquetas retenidas; no inventario completo de lesiones nuevas. Estos son presupuestos exploratorios, no umbrales clínicos.
06 / COMPROBAR LOS LÍMITES
Más historia.
La misma exigencia.
La extensión compara ventanas de 14/21 días, pesos equilibrados por atleta y un bosque aleatorio fijo. Todos usan los mismos eventos coincidentes y particiones dentro de cada evaluación. Tres semillas muestran sensibilidad a la composición del grupo.
Se conserva la fase 2 como resultado principal. No se convierte el mejor resultado retrospectivo en una promesa de rendimiento futuro.
| Modelo | Semilla 1 | Semilla 2 | Semilla 3 |
|---|
07 / DISCUTIR ANTES DE APLICAR
La predicción no demuestra prevención.
La lesión emerge de múltiples factores. El entrenamiento es una parte del contexto, y una carga alta puede ser habitual para un atleta y excepcional para otro. La asociación no indica qué intervención cambiaría el desenlace.
La discusión contrasta estos hallazgos con complejidad de lesiones, controversias de ACWR, cambios dentro de la persona, calibración y calidad de los estudios de predicción. Una búsqueda narrativa documentada acompaña cada interpretación.
Evidencia, discusión y referencias ↗SoccerMon amplía el trabajo con bienestar y sesiones en una cohorte independiente de fútbol femenino. Wu 2026 aporta modalidades adicionales, pero sus suplementos no contienen identificadores explícitos de atleta y tiempo. Ninguno rellena campos ausentes de los corredores neerlandeses.
08 / REPLICAR, NO SOLO MIRAR
De la fuente al resultado.
git clone https://github.com/victorgomezadapty/competitive-runners-injury-risk
cd competitive-runners-injury-risk
python -m pip install -r requirements.txt
python scripts/reproduce.pyCódigo propio MIT. Datos originales de Lövdal, den Hartigh y Azzopardi: CC0, DOI 10.34894/UWU9PV. Artículos y suplementos mantienen derechos y licencias independientes. No se redistribuyen artículos ni figuras de terceros.