Resumen
Cuantificar la carga de trabajo y el rendimiento es un enfoque sistemático empleado por los profesionales para mejorar su comprensión del proceso de formación en su conjunto. Este estudio tiene como objetivo utilizar datos recopilados del sistema de posicionamiento global (GPS) y análisis de video para evaluar los patrones de movimiento y los indicadores clave de rendimiento (KPI) de los jugadores en varias posiciones durante el entrenamiento y el partido. Además, busca simplificar el análisis de la carga de trabajo mediante el uso del análisis de componentes principales (PCA) para la reducción de la dimensionalidad. Durante tres temporadas, se recopilaron datos de 63 jugadores profesionales de rugby, divididos en seis grupos posicionales: primera fila, segunda fila, última fila, medio scrum, laterales internos y laterales externos. Los resultados mostraron diferencias posicionales significativas en las características del movimiento (p <0,05, tamaño del efecto = 0,02–0,59) y los KPI (p <0,05, tamaño del efecto = 0,04–0,77). Los medios scrum demostraron la mayor carga de trabajo en actividades de intensidad media y baja, mientras que los backs exteriores sobresalieron en métricas de alta intensidad y los delanteros de la primera fila tuvieron consistentemente la carga de trabajo más baja. En cuanto a los KPI, los delanteros registraron la mayor cantidad de tacleadas, el mayor número de llegadas a rucks ofensivos y defensivos, mientras que los medios scrum representaron la mayor cantidad de patadas, pases y recepciones. En el análisis de la carga de trabajo de entrenamiento y partido, PCA extrajo dos componentes principales, explicando el 73,9% y el 79,1% de la varianza, respectivamente. En general, los backs mostraron una mayor carga de trabajo de entrenamiento en comparación con los forwards, y los medios scrum tuvieron la mayor carga de trabajo total durante los partidos. Este estudio demuestra diferencias posicionales significativas en variables clave de movimiento, proporcionando información crítica sobre las demandas impuestas a los jugadores en diferentes posiciones.
Introducción
El rugby es un deporte que incorpora movimientos intermitentes de alta intensidad, caracterizados por períodos alternos de esfuerzos estáticos intensos y colisiones con carreras de alta velocidad, movimientos de baja intensidad e intervalos de descanso.1,2). Dadas estas demandas físicas y tácticas, los entrenadores y científicos del deporte emplean diversas técnicas para monitorear la carga de trabajo y adaptar programas de entrenamiento específicos para obtener resultados óptimos. La carga de trabajo se refiere al efecto acumulativo de factores estresantes fisiológicos, psicológicos y mecánicos experimentados por un atleta durante un período específico.3). La carga de trabajo se clasifica en carga de trabajo externa, que refleja el trabajo físico realizado por el atleta independientemente de los rasgos fisiológicos individuales, y carga de trabajo interna, que abarca respuestas psicológicas y fisiológicas a los ejercicios de entrenamiento prescritos.4).
La integración de sistemas basados en vídeo para analizar los movimientos de los jugadores, combinados con la tecnología GPS, permite una cuantificación precisa de la carga de trabajo y las demandas de movimiento durante el entrenamiento y la competición (5). Varios estudios han examinado la carga de trabajo en el rugby utilizando estos métodos, destacando diferencias significativas en las actividades de partido y entrenamiento entre las posiciones de los jugadores (6,7). Las investigaciones muestran que las métricas de carga de trabajo varían según la posición durante una semana de juego típica, y los corredores experimentan cargas de trabajo más altas, particularmente en términos de distancia recorrida en zonas de carrera de alta y muy alta velocidad (8). Además, se emplean indicadores clave de rendimiento (KPI) para evaluar las contribuciones de los jugadores en aspectos específicos del juego, lo que refleja componentes críticos del éxito del partido. Los KPI se definen como variables de acción que capturan objetivamente ciertos aspectos del desempeño, ayudando en la cuantificación de la carga de trabajo (9,10). Estudios anteriores informan consistentemente que los forwards soportan una mayor carga de trabajo de contacto, participando en scrums, rucks, tackles y mauls, mientras que los backs están más involucrados en carreras y juegos en campo abierto (11,12). Además, surgen diferencias cuando los roles posicionales se categorizan más detalladamente. Por ejemplo, los delanteros sueltos experimentan las mayores demandas de contacto, acompañadas de una mayor carga de trabajo de los jugadores y distancias recorridas en comparación con los delanteros apretados (13).
La monitorización y optimización precisas de la carga de trabajo son fundamentales para mejorar el rendimiento de los atletas. Sin embargo, muchas métricas de carga de trabajo muestran fuertes correlaciones o son difíciles de interpretar debido a variaciones interrelacionadas. Estas relaciones están influenciadas por los patrones de entrenamiento (14). El análisis de componentes principales (PCA) aborda este problema reduciendo la redundancia de datos. PCA transforma las métricas originales en componentes principales (PC) no correlacionados, cada uno de los cuales representa distintas fuentes de variación (16). Este enfoque simplifica conjuntos de datos complejos y ofrece visualizaciones claras de datos multivariados en espacios de baja dimensión (15,16). Al aislar variables clave, PCA proporciona una representación eficiente y concisa de la información de la carga de trabajo, ayudando a los profesionales a comprender y gestionar la carga de trabajo de los atletas (17).
Si bien algunos estudios han explorado las diferencias posicionales en la carga de trabajo de pretemporada (6) o variaciones en las demandas de entrenamiento y partido a lo largo de una temporada (8,18), sigue habiendo una brecha en la investigación que aborda de manera integral los roles posicionales, las cargas de trabajo de capacitación y los KPI utilizando PCA (14,19). Este estudio tuvo como objetivo investigar (Ⅰ) la carga de trabajo de entrenamiento y partido, junto con los KPI, en roles posicionales específicos en el rugby profesional, incluidos los forwards (primera fila, segunda fila, última fila) y backs (medio scrum, backs internos, backs externos), y (Ⅱ) la aplicación de PCA para consolidar datos de carga de trabajo, permitiendo una mejor comprensión de las demandas posicionales. Nuestra hipótesis fue que (Ⅰ) los jugadores en seis roles posicionales exhibirían diferencias significativas en la carga de trabajo de entrenamiento, carga de trabajo de partidos y KPI, y (Ⅱ) PCA reduciría efectivamente la complejidad de la carga de trabajo, consolidando métricas clave en componentes interpretables.
Materiales y métodos
Enfoque experimental del problema.
Para estudiar las demandas de movimiento de posiciones específicas en jugadores profesionales de rugby utilizando datos de GPS y KPI, seleccionamos datos de las temporadas 2021-2022, 2022-2023 y 2023-2024. Dado que los días de partido variaban, a veces ocurrían los viernes y ocasionalmente otros días de la semana, solo se incluyeron datos de semanas que cumplían criterios específicos (22 semanas de entrenamiento, 7 de 2021-2022, 6 de 2022-2023 y 9 de 2023-2024). Estas semanas contaron con entrenamientos los lunes, martes y jueves, con partidos programados para el viernes. Si los jugadores estuvieron ausentes en cualquiera de estos tres días de entrenamiento, sus datos de esa semana se excluyeron del análisis. Para el análisis de KPI, solo se incluyeron partidos en casa (37 partidos, 13 de 2021-2022, 14 de 2022-2023 y 10 de 2023-2024) para minimizar los posibles factores externos que influyen en el rendimiento de los partidos fuera de casa, y solo se analizaron los jugadores que participaron durante los 80 minutos completos. Por el contrario, todos los jugadores con datos de GPS disponibles se incluyeron en el análisis de la carga de trabajo del partido, independientemente del tiempo de juego, con la carga de trabajo expresada en relación con los minutos jugados (mín.-1) para tener en cuenta las diferencias individuales en la duración de los partidos, particularmente entre los delanteros que fueron sustituidos con mayor frecuencia.
Participantes
En este estudio participaron sesenta y tres jugadores masculinos de rugby profesional (edad media: 25,7 ± 5,1 años; altura: 190,0 ± 10,0 cm; peso: 103,4 ± 15,8 kg) de un equipo francés de segunda división (Pro D2). Se agruparon en seis categorías posicionales según su posición de juego principal durante la temporada: primera fila (titulares y hooker), segunda fila (cerraduras), última fila (flankers y número 8), medio scrum, backs internos (medio elevado y centros) y backs externos (alas y laterales) (1). El grupo de forwards estaba compuesto por la primera fila, la segunda fila y la última fila, mientras que los backs incluían al medio scrum, los backs internos y los backs externos. Todos los participantes fueron informados sobre los procedimientos de seguimiento involucrados en el estudio. De acuerdo con la Declaración de Helsinki, los jugadores dieron su consentimiento para la recopilación y el uso de datos con fines de investigación, entendiendo los beneficios potenciales del estudio. Las sesiones de formación fueron supervisadas por entrenadores profesionales, quienes también actuaron como testigos del proceso de consentimiento oral. Este estudio cumplió estrictamente con los estándares éticos establecidos por la Universidad de Rennes y los laboratorios de investigación afiliados.
Trámites
Seguimiento de la carga de trabajo.
Los datos de la carga de trabajo se recopilaron utilizando el dispositivo GPS Vector X7 (Catapult Innovations, Australia), que incluye GPS integrado de 10 Hz, un acelerómetro triaxial de 100 Hz, un giroscopio y un magnetómetro de 100 Hz. Para garantizar una conectividad satelital adecuada, los dispositivos se activaron 30 minutos antes del entrenamiento de campo en un área abierta. Cada jugador llevaba un chaleco especialmente diseñado que albergaba la unidad del sensor (81 × 43 × 16 mm, 53 g) colocada entre los omóplatos. Este dispositivo ha sido validado en investigaciones anteriores para rastrear métricas de carrera y aceleración en deportes de equipo (20,21).
Los datos del GPS y los sensores inerciales se exportaron utilizando el software OpenField Console 3.7 y se almacenaron en OpenField Cloud para su posterior análisis. Las métricas incluyeron distancia total (TD), carga del jugador (PL), recuentos de aceleración y desaceleración dentro de umbrales de velocidad específicos (por ejemplo, 2–2,5 m·s).-22,5–3 m·s-2> 3 m·s-2), carrera a velocidad media (MSR: 15–18 km·h-1), carrera a alta velocidad (HSR: 18–21 km·h-1), carrera a muy alta velocidad (VHSR: 21–25 km·h-1), carrera de velocidad (SR: > 25 km·h-1), y esfuerzos repetidos de alta intensidad (RHIE) (Tabla 1).
Indicadores clave de rendimiento del juego.
La actividad en el campo durante los juegos se registró en una matriz de rendimiento utilizando secuencias de video analizadas por Opta (Stats Perform, Pro Rugby Hub). Los analistas recopilaron datos en tiempo real y realizaron controles exhaustivos de precisión. Cada analista pasó de 3 a 6 meses de capacitación antes de codificar juegos de forma independiente. KPI analizados en este estudio (Tabla 1) incluyó el número total de tacleadas completas, acarreos, patadas, pérdidas de balón, pases y recepciones. Las métricas adicionales incluyeron el recuento de veces que los jugadores defensivos llegaron a los rucks ofensivos y defensivos (llegadas generales, OOA), llegadas de rucks ofensivos (OOAA) y llegadas de rucks defensivos (OOAD), así como los metros recorridos y los metros pateados.
Análisis estadístico
Análisis de varianza.
Los resultados se expresaron como medias ± desviación estándar (DE). El análisis de varianza (ANOVA) se realizó utilizando SPSS (versión 27; SPSS Inc., Chicago, IL), con significancia establecida en p <0,05. La prueba de Shapiro-Wilk evaluó la normalidad de los datos y se verificó la homogeneidad de la varianza. Cuando fue necesario, se realizaron pruebas ANOVA unidireccionales de Kruskal-Wallis no paramétricas. El tamaño del efecto (ES) se midió utilizando ε², con umbrales establecidos en 0,01 (pequeño), 0,08 (medio) y 0,26 (grande) (24). También se realizaron ANOVA unidireccionales para evaluar las diferencias estacionales. Como sólo se observaron efectos pequeños, la estación no se incluyó como covariable en el análisis final.
Análisis de componentes principales.
Las métricas utilizadas para la carga de trabajo de entrenamiento PCA fueron TD semanal, AZ1, AZ2, AZ3, DZ1, DZ2, DZ3, PL, MSR, HSR, VHSR, SR, RHIE y las métricas utilizadas para la carga de trabajo de partido incluyeron m·min.-1PL·min-1RHIE·min-1recuentos de aceleraciones y desaceleraciones superiores a 2 y 2,5 m·s-2·min-1distancia para velocidades superiores a (>) 15, 18, 21, 25 km·h-1 (>MSR·mín-1> HSR·mín.-1> VHSR·mín-1SR·min-1;). La idoneidad de los datos para PCA se evaluó utilizando la medida de adecuación del muestreo de Kaiser-Meyer-Olkin (KMO) y la prueba de esfericidad de Bartlett. Un valor de KMO de 0,6 o superior se consideró suficiente para proceder con la PCA. En este estudio, el KMO para la carga de trabajo de entrenamiento fue de 0,91 y para la carga de trabajo de juego de 0,83, lo que indica una gran idoneidad para PCA. Para la extracción del componente principal (PC) se consideraron valores propios mayores a 1.
En PCA, las variables originales se estandarizaron primero para que tuvieran una media de 0 y una desviación estándar de 1. Luego, basándose en la matriz de datos estandarizada, la matriz de covarianza…
