ISGlobal, el Barça Innovation Hub, la Universidad de Bonn y Made of Genes desarrollan un nuevo modelo de inteligencia artificial para anticipar las lesiones en el fútbol femenino de élite

Un equipo internacional de investigadores liderado por el Instituto de Salud Global de Barcelona (ISGlobal), centro impulsado por la Fundación "la Caixa, el Barça Innovation Hub (BIHUB), los Servicios Médicos del FC Barcelona, la Universidad de Bonn y Made of Genes ha desarrollado un nuevo marco computacional que representa un avance significativo en la predicción de lesiones en el fútbol femenino de élite.

Publicado en npj Digital Medicine, una revista científica internacional del grupo Nature, el estudio combina inteligencia artificial, análisis de supervivencia, calibración estadística y teoría de la decisión para transformar la predicción del riesgo en una herramienta útil para la práctica clínica y deportiva.

El estudio aborda uno de los principales retos de la medicina deportiva: anticipar las lesiones antes de que se produzcan. Aunque en los últimos años se han desarrollado numerosos modelos basados en inteligencia artificial, la mayoría presentan limitaciones importantes que dificultan su aplicación en los clubes profesionales. En lugar de limitarse a construir un modelo más preciso, este trabajo propone un nuevo marco metodológico que aborda varias de las principales carencias identificadas en la literatura científica.

Una nueva manera de entender el riesgo de lesión

La principal innovación consiste en tratar la predicción de lesiones como un problema de análisis de supervivencia. Esto permite representar matemáticamente una realidad que los profesionales ya conocen: el riesgo aumenta progresivamente a medida que se acumulan minutos de entrenamiento o de competición. A diferencia de los clasificadores tradicionales, este comportamiento está incorporado al modelo desde su diseño.

Este enfoque se complementa con tres innovaciones adicionales:

• La calibración beta (Beta Calibration), que ajusta las probabilidades para que reflejen con precisión el riesgo real observado;
• La incorporación de la teoría de la decisión, que adapta los umbrales de riesgo en función de la importancia deportiva de cada situación;
• La introducción del Rest Benefit Certainty (RBC), que permite al cuerpo técnico definir el nivel de certeza que quiere alcanzar antes de decidir si una jugadora debe descansar.

En conjunto, estos elementos transforman una probabilidad abstracta en una recomendación contextualizada que ayuda a los profesionales a valorar cuándo es más beneficioso para una jugadora participar o descansar.

Cuatro temporadas de datos del primer equipo femenino

El estudio se ha desarrollado utilizando una de las bases de datos longitudinales más completas disponibles en el fútbol femenino de élite: cuatro temporadas consecutivas del primer equipo femenino del FC Barcelona (2019-2023), que incluyen 34 jugadoras, casi 14.000 observaciones diarias y 83 lesiones musculoesqueléticas sin contacto. Los datos integran información GPS, carga de entrenamiento, minutos jugados, competiciones, compromisos con las selecciones nacionales y duración de las lesiones.

Un sistema de detección del riesgo de lesión mucho más fiable

Los resultados muestran que los modelos basados en el análisis de supervivencia superan de manera consistente a los algoritmos tradicionales de aprendizaje automático utilizados hasta ahora para predecir lesiones. En particular, estos modelos lograron una mejor capacidad de discriminación que los clasificadores convencionales, mejorando sustancialmente la identificación de situaciones de alto riesgo.

La calibración estadística también corrigió la tendencia de los modelos a subestimar el riesgo real, lo que hizo que las probabilidades resultantes fueran mucho más fiables e interpretables para el equipo médico.

En la validación temporal con una temporada completamente nueva, el sistema produjo mejoras positivas en la disponibilidad de las jugadoras, lo que sugiere que este tipo de modelo puede ayudar a reducir el impacto de las lesiones manteniendo a más jugadoras disponibles a lo largo de la temporada.

La fatiga acumulada, el predictor más importante

El análisis muestra que el predictor más importante es la distancia acumulada durante los 21 días anteriores, seguido de la intensidad de carrera a alta velocidad y de las aceleraciones y desaceleraciones del mismo día. Este resultado refuerza la idea de que la fatiga acumulada es el principal mecanismo asociado al riesgo de lesión musculoesquelética sin contacto.

“A diferencia de los enfoques anteriores, este marco permite identificar, clasificar y calibrar los factores asociados al riesgo de lesión con rigor estadístico, y cuantificar la contribución de la fatiga acumulada. Sobre todo, ofrece una nueva perspectiva científica sobre un fenómeno complejo”, afirma Juan R. González, investigador de ISGlobal.

“El reto metodológico era doble: representar cómo se acumula el riesgo con la exposición y, al mismo tiempo, contextualizar las probabilidades resultantes para que puedan interpretarse de acuerdo con la relevancia de cada situación. La incorporación de la teoría de la decisión permite adaptar los umbrales de riesgo a cada contexto deportivo y convertir las predicciones en una herramienta útil para apoyar la toma de decisiones profesionales”, explica Manuel Huth, primer autor del estudio, de la Universidad de Bonn.

De la investigación al terreno de juego y más allá

Esta investigación proporciona una visión única de los factores que explican el riesgo de lesión, con la carga externa como punto de partida. El gemelo digital del deportista integra esta información con la carga interna —cómo responde el cuerpo al esfuerzo, a través de biomarcadores, indicadores fisiológicos y datos moleculares— y con el perfil genético de cada deportista: una herramienta esencial para apoyar a los equipos técnicos y médicos, personalizar el seguimiento de cada deportista y anticipar las lesiones. Esta es la línea que el Barça Innovation Hub impulsa conjuntamente con Made of Genes.

“Este tipo de investigación aporta rigor científico a factores que, hasta ahora, a menudo interpretábamos de manera intuitiva. El valor real reside en entender mejor cómo se relacionan la carga y la biología de cada deportista con el riesgo de lesión”, explica Gil Rodas, médico del FC Barcelona.

“Avanzar en este campo requiere investigación y metodología del máximo rigor científico, como la de este trabajo. Como socio de plataforma de datos e inteligencia artificial, en Made of Genes trasladamos la investigación al terreno de juego mediante modelos de anticipación y mejora del rendimiento que integran, dentro de un gemelo digital, la carga externa, la carga interna y el perfil genético de cada deportista”, añade Berta Canal, científica de datos de Made of Genes.

El potencial va mucho más allá del fútbol de élite: dado que actualmente los sensores portátiles se utilizan ampliamente no solo por deportistas profesionales, sino también en el deporte amateur y en ocupaciones que exigen un gran esfuerzo físico, este mismo enfoque podría contribuir a la prevención de lesiones mucho más allá del terreno de juego.

Sobre el estudio

Título: Injury prediction in elite women's football: an integrative machine learning-based decision-support framework
Revista: npj Digital Medicine (Nature Portfolio)
Publicación: En línea, 8 de julio de 2026
DOI: 10.1038/s41746-026-02937-3
Datos: Primer equipo femenino del FC Barcelona · 4 temporadas (2019/20-2022/23) · 34 jugadoras · 83 lesiones sin contacto
Autores: Manuel Huth, Berta Canal-Simón, Eva Ferrer, Gil Rodas, Xavier Yanguas, Jan Hasenauer y Juan R. González
Instituciones: ISGlobal · Universidad de Bonn · Made of Genes · Departamento Médico del FC Barcelona y Barça Innovation Hub · Hospital Clínic-Sant Joan de Déu · Leitat · CIBERESP · Universitat Autònoma de Barcelona