| dc.description.abstract | El objetivo de esta revisión sistemática fue analizar la eficacia de la inteligencia artificial (IA) en la predicción de lesiones en el fútbol de élite, para ello fueron analizados 17 estudios que implementan modelos como XGBoost, Random Forest, SVM y redes neuronales. Se identificaron variables clave que aportaron significativamente a la capacidad predictiva de los modelos , entre las cuales sobresalen especialmente las desaceleraciones,asociadas con una alta capacidad predictiva (precisión del 92%, F1 = 94,7%), el índice carga aguda-crónica (ACWR) (AUC = 0,91) y sprints repetidos (HSR) (precisión del 78%, AUC = 0,85).Modelos como XGBoost lograron sensibilidades superiores al 85% cuando integraron datos GPS y antecedentes lesionales. No obstante, en algunos estudios que alcanzaron precisiones del 90,38% se observaron limitaciones metodológicas significativas. Estos estudios estarían utilizando generación de datos sintéticos, con menor validez en contextos reales. Otras limitaciones metodológicas observadas fueron el desbalance de clases, que afectó la sensibilidad en varios modelos, y la falta de estandarización en métricas de evaluación (uso inconsistente de AUC, precisión, sensibilidad, MAE, entre otros). En contraposición, otros estudios demostraron alta aplicabilidad práctica al emplear datos longitudinales reales y variables fácilmente monitoreables en clubes profesionales. En conjunto, los hallazgos respaldan el potencial de la IA como herramienta complementaria en la prevención de lesiones, siempre que se aborden adecuadamente los desafíos metodológicos y se priorice la validación en contextos reales de competencia. | es |
