Inicio Noticias “Control de carga y predicción de lesiones”, por Hugo Salazar

“Control de carga y predicción de lesiones”, por Hugo Salazar

7

La revisión de la literatura científica de los últimos años ha demostrado como existe una necesidad de monitorizar a los jugadores para controlar de la manera más minuciosa posible sus cargas reales de entrenamiento (CE) y controlar, por ello, la aparición de lesiones ligadas a la propia CE. Existen diferentes formas de modelizar la CE y a su vez, variables sencillas extraídas de la propia CE de las cuales podemos obtener fácilmente información acerca de cómo se va desarrollando el proceso de entrenamiento.

Carga Aguda, Carga Crónica y Ratio A:C

En este “modelo”, los datos ligados a la CE son expresados en carga aguda (CA), (carga media de entrenamiento completada durante la presente semana) y carga crónica (CC) (media de la CE realizada durante las anteriores 4 semanas). Este modelo ya fue explicado previamente por Banister et al (1975) usando como referencia los términos “fatigue” (CA) y “fitness” (CC). Existe una crítica muy actual sobre el uso de las medias matemáticas o promedios para el control de la CE debido a:

  1. Los promedios pasan por encima las variaciones de carga y no permiten observar los patrones temporales en la CE. Una distribución de carga diferente durante un micro o mesociclo puede resultar en una misma CC pero con una periodización muy diferente.
  2. Los promedios no consideran el factor “tiempo”, es decir, una misma CE propuesta el día pre-partido o a mitad del microciclo no tendrá el mismo valor temporal, cosa que este modelo no distingue. Obtendrá el mismo valor la sesión de ayer que la realizada hace 3 semanas.

Asumiendo los “pros” y “contras” del modelo (es simplemente un modelo, ninguno es bueno o malo, simplemente útil) y obteniendo las mencionadas variables, podemos calcular el “estado de forma”, denominado “training Stress Balance” (TSB), definido como la diferencia entre “fitness” y “fatigue” o lo que es lo mismo: TSB= CC-CA. La obtención de un número positivo en este parámetro significará que el equipo o deportista estará en una buena oportunidad de rendimiento. Este parámetro, como la mayoría, también tiene sus limitaciones, en las cuales no entraremos en profundidad pero es una variable fácil de calcular y muy visible.

Otro concepto muy interesante y que está teniendo bastante impacto a nivel de publicaciones es el conocido como ratio carga aguda: crónica (A:C) (Acute:Chronic ratio en inglés). El ratio describe la CA respecto a la CC. De acuerdo con esto, numerosas publicaciones han mostrado cómo este parámetro puede servir a modo de predictor de lesiones (o al menos como un indicador) e indicador de periodos de carga o puesta a punto. El A:C puede servir de predictor de lesiones debido a que describe posibles picos o cambios demasiado bruscos en la CA respecto a la CC. Como resultado de ello, las investigaciones nos sugieren valores entre 0.80 y 1.20 como la zona “segura”, a partir de ahí se considera que el cambio en carga será demasiado brusco y por lo tanto, el riesgo de lesión (por simple regresión lineal) aumentará.

16_11_30_controlcarga_prediccionlesiones_01

A modo de evaluación y control, podemos graficar por ejemplo una temporada entera y ver las fluctuaciones de CE que hemos ido proponiendo. Observamos cuando nuestro A:C ratio esta fuera de esta zona de “seguridad” como indicador de una posible lesión debido a los picos en la carga entrenamiento.

En mi opinión tenemos 2 formas de analizar los cambios en el A:C:

  1. Simplemente comparando 2 test pre –post. Cuantificar la diferencia entre el A:C actual (post) con el del micro ciclo pasado (pre) y ver en cuanto ha cambiado.
  2. Mediante la utilización de la estadística, utilizando Z-Score o “Effect Size” para cuantificar (en desviaciones estándar) el cambio de un ratio sobre el otro. Asumimos que existe una variabilidad normal en las cargas, y por ello en el A:C debido a la periodización del enteramiento pero necesitamos conocer cuando esa variabilidad se sale de la “normalidad”. Para ello necesitaremos calcular el promedio de cambio del A:C (media de 4 semanas) para tomarla como “baseline”. A continuación deberemos conocer la variabilidad de esa “baseline” mediante su desviación estándar (DS) para ver cuánto de hetero/homogénea es la media. Una vez hecho eso, calcularemos el estadístico Z-Score: A:C actual – A:C “baseline” / A:C DS. Diferentes autores proponen límites variables en cuanto a la cantidad de desviaciones estándar que hacen falta para salirse de la variabilidad normal. En este caso, pondremos el límite en ±2 DS.

Como se puede apreciar en el gráfico, la mayoría de lesiones ocurren cuando el Z-Score sobrepasa el límite de 2 DS, es decir, que el cambio en el A:C y por tanto en la CE semanal sale de la variabilidad normal y por lo tenao, provocando “picos” demasiado brucos en la CE. Si nos fijamos en simplemente la diferencia de ratios (Dif Ac:Ch), este fenómeno no se aprecia tan concluyentemente debido a la variabilidad normal que hay durante un proceso de entrenamiento.

Para deportes colectivos, debido a la estructuración actual con 1 o 2 competiciones semanales el uso de este modelo cambiaría un poco. Los modelos de planificación para este tipo de deportes no te permiten ir más allá de las próximas 2 semanas porque no sabes lo que te va a pasar, por ello, el ajuste de CE debe de ser lo más específico y adecuado posible. Para ello, re-ajustaríamos la constante tiempo en el cálculo de las variables proponiendo la CA en 3-5 días, y la crónica en no más de 2 semanas e individualizadas a los minutos de juego de cada uno (no supondrá el mismo A:C para una jugadora que juegue 35’ que para una de 8’). Esto nos permitirá programar el trabajo individual complementario de tal manera que la CC sea más o menos pareja en todos los jugadores para así poder disponer de ellos en cualquier momento a su máximo rendimiento físico.

Yendo un poquito más lejos, sabemos que en estos deportes la distribución de carga dentro del microciclo es más o menos similar en la mayoría de ellos (en periodo competitivo) ya que la propia competición te impone la modelización a seguir. En este caso, el factor temporal de distribución de cargas cobra una importancia máxima, es por ello que aparte de una comparación entre CA y CC, debemos tener en cuenta la variación entre el mismo día de la semana en diferente micro. Establecer una “baseline” de carga en cada día de la semana (suponiendo que siempre se compite sábado por ejemplo) y ver las alteraciones entre días iguales de diferentes micros.

16_11_30_controlcarga_prediccionlesiones_02

“Monotony” y “Strain”

Ante estos dos términos no me atrevo a dar una traducción ya que desconozco si los términos “monotonía” y “esfuerzo” o “estrés” corresponden exactamente a la terminología científica.

“Monotony” es una medida acerca de la variabilidad de la carga durante las sesiones de entrenamiento. Su cálculo es simple: dividir la CE semanal por la desviación estándar de que la carga para la semana. Y “Strain” se considera el producto de la carga semanal y “monotony”. Son numerosos los estudios en la literatura científica que describen la relación entre estos 2 parámetros y la incidencia lesional. No es menester de este artículo entrar en profundidad en su análisis.

16_11_30_controlcarga_prediccionlesiones_03

Es de sobra conocido que la incidencia de lesión, y en este caso en concreto lesiones de no contacto es multifactorial y muy difícil de predecir. Aun así, utilizando sencillas variables y controlando exhaustivamente todo el proceso de lo que nosotros podemos controlar (en este caso la CE) nos puede dar una idea de por dónde nos estamos moviendo y ser capaces de corregir el proceso o re-planificarlo.

Saber interpretar y utilizar de una forma u otra la gran cantidad de información en forma de datos que recogemos a diario para mejorar el proceso de entrenamiento. Esto no es más que una pequeña descripción de ideas y reflexiones personales basadas en el trabajo de campo y en “papers” sobre el control del entrenamiento.

  • Bilbiografía:
    Banister EW, Calvert TW, Savage MV, Bach A. A system model of training for athletic performance. Aus J Sport Med. 1975; 7:170-176.
  • Blanch P & Gabbett TJ. Has the athlete trained enough to return to play safely? The acute: chronic workload ratio permits clinicians to quantify a player’s risk of subsequent injury.Bri J Sports Med. 2016;50(8): 471-475.
  • Foster, C. Monitoring training in athletes with reference to overtraining syndrome. Med Sci Sports Exer. 1998;30(7): 1164-1168.
  • Gabbett TJ, Hulin BT, Blanch P & Whiteley R. High training workloads alone do not cause sports injuries: how you get there is the real issue. 2016. Br J Sports Med. 2016;50(8): 444-445.
  • Hopkins WG. Measures of reliability in sports medicine and science. Sports Med. 2000;30(1):1-15.
  • Hulin BT, Gabbett TJ, Blanch P, Chapman P, Bailey D & Orchard JW. Spikes in acute workload are associated with increased injury risk in elite cricket fast bowlers. Bri J Sports Med. 2014; 48: 708-12.
  • Lurken, JJ, Foster C, McGuigan M, Brooks T, & Wright G. Effect of periodized vs. monotony training on exercise performance and salivary endocrine measures. J Strength Cond Res. 2005; 19(4).
  • Menaspà, P. Are rolling averages a good way to assess training load for injury prevention?Br J Sports Med. 2016; (online)

Hugo Salazar

Preparador Físico del Araski (Liga Femenina)

Colaborador de Genera Equipo