​Supervisar lo Importante: Un Proceso Sistemático para Seleccionar las Variables de Medición Vinculadas a la Carga de Entrenamiento.

​Supervisar lo Importante: Un Proceso Sistemático para Seleccionar las Variables de Medición Vinculadas a la Carga de Entrenamiento.

Sean Williams1, Grant Trewartha1, Matthew J. Cross2, Simon P.T. Kemp2 y Keith A. Stokes1

1 Dept for Health, University of Bath, Bath, UK.

2Rugby Football Union, Twickenham, UK.

Objetivo: Es posible obtener numerosas medidas derivadas a partir del sencillo índice de esfuerzo percibido de la sesión (sRPE), una herramienta que permite monitorear las cargas de entrenamiento (ej., carga de trabajo aguda: crónica y carga acumulada). El desafío desde la perspectiva de un profesional es poder decidir cuales variables deben ser calculadas y controladas en los atletas para prevenir lesiones. El objetivo del presente estudio fue describir un proceso sistemático de reducción de datos y selección de variables para tales medidas de carga de entrenamiento. Métodos: Se registraron las cargas de entrenamiento de 173 jugadores profesionales de rugby durante la temporada de la Premiership inglesa 2013-14, utilizando el método sRPE, y las lesiones se informaron a través de un sistema de supervisión establecido. Diez medidas derivadas de la carga de entrenamiento de sRPE fueron identificadas en la literatura existente y fueron sometidas a un análisis de componentes principales. Se seleccionó una medida representativa de cada componente al identificar la variable que explicaba la mayor cantidad de varianza en el riesgo de lesión a partir de modelos univariados de efectos mixtos lineales generalizados. Resultados: Se obtuvieron tres componentes principales, que explicaban el 57%, 24% y 9% de la varianza. La medida de carga de entrenamiento con mayor peso en el componente 1 se relacionó con la carga acumulada en los jugadores, el componente 2 se asoció con medidas de cambios en la carga, y el componente 3 se relacionó con la variable de carga aguda. Las variables representativas de cada componente fueron la carga acumulada de cuatro semanas, la relación carga de trabajo aguda:crónica y carga de entrenamiento diario. Conclusiones: El proceso esbozado en el estudio actual permite que los profesionales monitoreen el conjunto de variables más parsimonioso y conserven la variación y los distintos aspectos vinculados a la "carga" en los datos.

Palabras clave: rugby, lesión, carga de trabajo, RPE, deportes de equipo

El monitoreo de la carga de entrenamiento es actualmente un tema prominente en los entornos deportivos de élite, especialmente como herramienta para identificar a los atletas con riesgo de lesión, enfermedad y sobre entrenamiento a corto plazo no funcional (1). El índice de esfuerzo percibido de la sesión (sRPE) desarrollado por Foster (2) es uno de los parámetros de medición mas frecuentemente utilizado para cuantificar las cargas de trabajo internas en deportes de equipo de élite (3). Este enfoque simple implica multiplicar el RPE del atleta para una sesión dada (generalmente usando una escala de 1-10) por la duración de la sesión (en minutos), para obtener una carga de entrenamiento en unidades arbitrarias (AU). Una de las ventajas de esta metodología es que puede ser utilizada para cuantificar diferentes modalidades de entrenamiento que realizan los atletas de deportes de equipo, entre las que se incluye el entrenamiento de la fuerza (4) y las sesiones de entrenamiento y acondicionamiento basadas en lanzamientos (5). Además, se ha demostrado que el método del sRPE se relaciona favorablemente con medidas de carga objetiva entre las que se incluyen la frecuencia cardíaca (6), lactato sanguíneo (6) y eventos que ocurren durante un partido (por ejemplo, impactos corporales) (7, 8). Por lo tanto, el método sRPE es una herramienta económica y altamente práctica para el monitoreo de cargas de entrenamiento en este entorno.

Se pueden calcular varias medidas derivadas de la carga de entrenamiento interno a partir de los valores diarios del sRPE, e investigar el riesgo de lesión. Por ejemplo, es posible calcular las cargas acumuladas sumando los valores de carga del sRPE de un jugador durante un período específico (por ejemplo, las 4 semanas anteriores) (9, 10), y los cambios en la carga pueden ser evaluados analizando el cambio semana a semana entre el total de la semana actual y el de la semana anterior (10). Más recientemente, se utilizó la relación entre carga de trabajo aguda y crónica (carga aguda:crónica) para determinar si la comparación entre los datos de carga aguda (1 semana) y crónica(carga semanal promedio calculada durante 4 semanas continuas) se asocia con un aumento en el riesgo de sufrir lesiones (11, 12). Además en la bibliografía también realizó el análisis de una serie de medidas adicionales derivadas del método sRPE, entre las que se incluye la monotonía de entrenamiento, estrés de entrenamiento y la media móvil ponderada exponencialmente (2, 6, 13) (Tabla 1). El desafío para un entrenador es decidir cuales variables deben medir y monitorear en sus atletas. Con respecto al análisis de la asociación entre las mediciones de carga de entrenamiento y el riesgo de lesión o el rendimiento, muchas de las variables que mencionamos previamente probablemente estén altamente correlacionadas entre sí, por lo que incluir varias de estas medidas en un análisis puede no ser aconsejable por razones estadísticas (es decir, multicolinealidad) (14). Sería beneficioso que los entrenadores pudieran reducir la cantidad de variables hasta un conjunto de variables más parsimonioso, que aún contengan las dimensiones subyacentes de los datos. En otras palabras, probablemente sería beneficioso para quienes realizan control de la carga de entrenamiento poder contar con la capacidad de identificar y monitorear objetivamente las variables claves de carga de entrenamiento a partir de las numerosas medidas derivadas que se pueden obtener (Tabla 1) manteniendo los aspectos únicos de la "carga. De hecho, en una editorial reciente se enfatizó la necesidad de simplificar las prácticas en el deporte de élite y diferenciar la señal del ruido en las medidas que monitoreamos (15). En consecuencia, el objetivo del presente estudio fue establecer un proceso sistemático de reducción de datos y selección de variables provenientes de datos de carga de entrenamiento de sRPE que los profesionales en entornos deportivos de equipo pueden utilizar para optimizar sus prácticas de monitoreo de atletas.

MÉTODOS

Sujetos

Este fue un estudio prospectivo de cohortes de jugadores profesionales de rugby integrantes del primer equipo de cuatro equipos que compiten en el más alto nivel del rugby en Inglaterra (English Premiership) Los datos de carga de entrenamiento fueron obtenidos a partir de 173 jugadores (Equipo A=43 jugadores, Equipo B= 41 jugadores; Equipo C= 46 jugadores y Equipo D= 43 jugadores) durante 1 temporada (2013-2014). El estudio fue aprobado por el Comité de Etica de Investigación en Salud de la Universidad de Bath, y los participantes firmaron un formulario de consentimiento informado antes de participar en el estudio.

Metodología

Se estimó la intensidad de todas las sesiones de entrenamiento (incluyendo las sesiones de entrenamiento de la fuerza y acondicionamiento y otras sesiones no relacionadas con el rugby) utilizando la escala de Borg modificada CR-10 RPE (índice de esfuerzo percibido) (16) y los puntajes de cada jugador fueron obtenidos dentro de los 30 minutos posteriores al final de cada sesión de entrenamiento (17). Cada club recibió información sobre la escala y se les proporcionó la misma escala para utilizar durante la temporada. Los entrenadores de fuerza y acondicionamiento explicaron la escala a los jugadores quienes debían informar su RPE en cada sesión de forma confidencial al entrenador de fuerza y acondicionamiento; y además no recibieron información de los puntajes obtenidos por otros jugadores. El RPE de sesión de cada jugador en unidades arbitrarias (AU) se obtuvo multiplicando el RPE por la duración de la sesión (min).

A partir de los valores de carga de entrenamiento diaria descriptos anteriormente, se calcularon diferentes medidas asociadas a la carga de entrenamiento (Tabla 1). Las medidas de carga de entrenamiento se identificaron a partir de investigaciones previas sobre la relación entre la carga de entrenamiento y el riesgo de lesión. En los casos en que se realizaran múltiples sesiones de entrenamiento en un solo día, las cargas sRPE de esas sesiones se sumaron para obtener la carga diaria. Todas las variables calculadas se incluyeron en un análisis de componentes principales (PCA) para determinar cuales eran los componentes subyacentes clave (Tabla 1).


Tabla 1: Resumen de las variables analizadas en el estudio actual, su forma de cálculo y su uso en la bibliografía existente.


El personal médico de cada equipo registró la pérdida de tiempo asociada a lesiones en la base de datos médicos del equipo de Rugby (The Sports Office, Wigan, Reino Unido). Los valores de pérdida de tiempo asociada a lesiones fueron incluidos en el estudio si las lesiones se producían durante el entrenamientos o durante partidos competitivos de equipos de primera o segunda, y si cumplían con la definición de pérdida de tiempo de 24 horas (18). En este estudio una pequeña cantidad de lesiones (n=24) y de exposición a partidos (200 h) durante el período de pretemporada produjo estimaciones poco uniformes (es decir, con grandes errores estándar); por lo tanto, en los análisis solo se incluyeron datos de carga y lesiones que se produjeron durante la temporada.

Análisis estadístico

Se realizó un análisis de componentes principales (PCA) para identificar combinaciones lógicas de las 10 variables de medición asociadas a la carga de entrenamiento. El PCA es un procedimiento estadístico que se utiliza para reducir la dimensionalidad de un determinado conjunto de datos que consiste en una serie de variables altamente correlacionadas, y que permite conservar la mayor cantidad de variación posible en el conjunto de datos (19). Recientemente se realizó un proceso de reducción de datos similar para identificar las variables de rendimiento mas importantes en un entorno deportivo de élite (20). A diferencia de las variables dentro de un componente principal que se correlacionan entre sí, los componentes principales no tienen correlación entre si y por lo tanto explican información distinta (21). El PCA se realizó con IBM SPSS Statistics para Windows (Versión 20.0, Armonk, NY, EE. UU.). Todos los datos fueron escalados y centrados (utilizando los datos dentro de cada individuo) antes de realizar el PCA. Se aplicó el test de Kaiser-Meyer-Olkin para verificar la adecuación del muestreo de los datos, y se tomó un valor de 0,5 como umbral de aceptabilidad (22). La prueba de esfericidad de Bartlett también se utilizó para determinar la idoneidad de los datos para PCA, y la significancia se fijó en un nivel α de P≤0,05. Se utilizó rotación ortogonal (varimax) para mejorar la identificación y la interpretación de los factores (14). La cantidad óptima de factores para extraer se determinó mediante el análisis del diagrama de sedimentación, los autovalores (Eigenvalue) y el "porcentaje de varianza explicada", junto con una interpretación conceptual de la estructura de datos, siguiendo un enfoque multifacético recomendado por Hair et al. (14). Las cargas de factor superiores a ± 0,70 se consideraron indicativas de una estructura bien definida (14).

Una vez que las variables fueron agrupadas en componentes mediante el procedimiento PCA, se utilizaron modelos de efectos mixtos lineales generalizados (GLMM) para seleccionar la variable dentro de cada componente principal que presentaba la mayor asociación con el riesgo de lesión, y por lo tanto esta variable sería seleccionada como la variable representativa de ese componente. El modelo GLMM se seleccionó por su capacidad de explicar mediciones repetidas dentro de los datos, y se implementó utilizando el paquete lme4 (23) con R (versión 3.2.4, R Foundation for Statistical Computing, Viena, Austria). Cada parámetro de carga de entrenamiento se modeló independientemente como una variable de estimación de efectos fijos, tanto por sí misma (modelo lineal) como mediante la inclusión de un término cuadrático para investigar posibles efectos no lineales (modelo no lineal) (11, 24). Los efectos aleatorios fueron la identidad de atleta anidada dentro de su equipo y el residuo. Los modelos fueron compensados por la participación individual de los jugadores en partidos. Para calcular un valor R2 condicional (R2GLMM) para cada modelo se utilizó el paquete estadístico MuMIn25 con el fin de determinar cual modelo explicaba la mayor cantidad de varianza en el riesgo de lesión. El estadístico R2GLMM mide la varianza explicada tanto por factores fijos como por factores aleatorios (es decir, el modelo completo) (25). Se identificó la variable de carga de entrenamiento que tuviera el mayor valor R2 dentro de cada componente y esta fue considerada como la variable representativa de se componente.

RESULTADOS

Durante el período de estudio se analizó un total de 8027 semanas de entrenamiento individual y 173 jugadores aportaron 32±8 semanas de entrenamiento cada uno. La Tabla 2 muestra los valores medios de cada variable de carga de entrenamiento durante el período de estudio. Durante el estudio en estos 173 jugadores se reportó un valor total de 465 lesiones que provocaron tiempo fuera de actividad (303 partidos, 162 entrenamientos, 391 contactos, 74 sin contacto). La carga de entrenamiento promedio semanal en el transcurso de la temporada fue 1706±239 AU. Tanto la prueba de Kaiser-Meyer-Olkin de adecuación del muestreo como la prueba de esfericidad de Bartlett indicaron que los datos eran aptos para un PCA, arrojando valores de 0,74 y P<0,001, respectivamente. Se identificaron tres componentes principales (Figura 1): el componente 1 explicó el 57% de la varianza, el componente 2 explicó un 24% adicional de la varianza y el componente 3 explicó un 9% adicional de la varianza total. En total, los 3 componentes explicaron el 90% de la varianza total. En la Tabla 3 se presentan las cargas de los factores después de la rotación. Las variables de carga de entrenamiento que tenían una elevada participación en el componente 1 se asociaron a la carga acumulada en los jugadores, el 2 se asocio con variables de cambios en la carga, y el componente 3 representaba una medida de la carga aguda. Las dimensiones identificadas de las variables carga de entrenamiento tenían una buena validez aparente.



Tabla 2: Datos descriptivos de las variables de carga de entrenamiento internas asociadas al sRPE para cada equipo durante el período de estudio. Abreviaturas: sRPE= Índice de esfuerzo percibido de la sesión; AU= Unidades arbitrarias


Eigenvalue= Autovalor; Component number= Cantidad de Componentes

Figura 1: Diagrama de dispersión del análisis de componentes principales (PCA) que permitió establecer la presencia de 3 componentes principales.


Tabla 3: Procedimiento de reducción de datos: Matriz de componentes rotados de las medidas de carga de entrenamiento. Nota: Las variables con un peso >0,70 se observan marcadas con negrita


La Tabla 4 muestra los resultados del proceso de selección de variables. De las 6 variables con elevada participación en el componente 1, el modelo no lineal para la carga acumulada durante 4 semanas presentó la mayor asociación con el riesgo de lesión (R2GLMM: 42,67%). Entre las 2 variables de mayor peso en el componente 2, la relación entre la carga de trabajo aguda y la crónica (carga aguda:crónica) presentó la mayor asociación con el riesgo de lesión (R2GLMM: 42,13%), y nuevamente el modelo no lineal presentó un mejor ajuste que el modelo lineal. La carga de entrenamiento diaria fue la única variable altamente correlacionada con el componente 3 (carga aguda), por lo que fue automáticamente seleccionada como variable representativa de este componente (R2GLMM: 36,97%), y el modelo lineal presentó un mejor ajuste que el modelo no lineal.

Tabla 4: Procedimiento de selección de variables: Relaciones univariadas entre las mediciones de carga de entrenamiento y riesgo de lesiones. a Variable que explica la mayor cantidad de variación en el riesgo de lesiones y por lo tanto seleccionada como variable representativa para este componente.


DISCUSIÓN

El objetivo del presente estudio fue ayudar a los profesionales que requieren el monitoreo de la carga de los atletas a establecer un proceso sistemático de reducción de datos, con el fin de que puedan seleccionar las variables más relevantes para identificar y controlar el riesgo de lesión. El PCA caracterizó 3 dimensiones subyacentes: cargas acumuladas, cambios en las cargas y cargas agudas. La carga acumulada en cuatro semanas, la relación carga de trabajo aguda:crónica y la carga de entrenamiento diaria fueron seleccionadas como las variables representativas dentro de cada componente, respectivamente, en función de su asociación con los datos de lesiones establecidos en esta población de jugadores de rugby. Es probable que las variables seleccionadas en esta instancia sean propias del conjunto de datos presente, pero el proceso que describimos aquí podría ser utilizado para seleccionar y monitorear un conjunto de variables más parsimonioso (conservando al mismo tiempo la variación y los componentes particulares dentro de los datos) en otros ambientes, tanto para el control del riesgo de lesiones como para el monitoreo del rendimiento.

Cada uno de los tres componentes identificados por el PCA explicaron una dimensión única de la carga de entrenamiento. El componente 1, que explicaba la mayor proporción de varianza (57%), se asoció principalmente con las variables de carga de entrenamiento que describían la carga acumulada a la que habían estado expuestos los jugadores, entre las que se incluyeron las cargas acumuladas de 1 a 4 semanas y la media móvil ponderada exponencialmente. Se ha observado una fuerte asociación entre las medidas de carga acumulada y el riesgo de lesiones en futbolistas australianos de élite (9, 10) y en jugadores de rugby (24). Estas medidas de carga acumulativa podrían estar representando la acumulación de fatiga en los jugadores, la cual podría producir una reducción de la capacidad de soportar estrés por parte de los tejidos (26) y, por lo tanto, incrementaría la probabilidad de sufrir lesiones. Además, la fatiga acumulada podría alterar las respuestas de control neuromuscular lo que provocaría la selección de estrategias de movimiento potencialmente peligrosas que podrían incrementar la probabilidad de lesión (27). Sin embargo, la evidencia reciente sugiere que las cargas acumuladas que son demasiado bajas también pueden aumentar el riesgo de lesión (24, 28) probablemente debido a la disminución asociada en los niveles de aptitud física de los jugadores (29). Por lo tanto, las cargas acumuladas por los atletas que realizan deportes de colisión deben ser monitoreadas para ayudar a controlar estos efectos sobre la aptitud física y la fatiga.

El segundo componente identificado por el PCA presentó una fuerte asociación con las 2 variables de carga de entrenamiento que describen los cambios absolutos y relativos en la carga de un jugador (cambio semana a semana y relación carga de trabajo aguda: crónica, respectivamente). Este componente explicó un 24% adicional de la varianza total. Se observó que los cambios substanciales entre la semana previa y la semana actual en la carga aumentaban significativamente el riesgo de lesiones en futbolistas de élite australianos (10) y jugadores de rugby (24). Estos resultados se consideraron especialmente pertinentes para jugadores que venían de sufrir lesiones; por lo tanto, se abogó por un enfoque más conservador para el aumento de la carga de entrenamiento semana a semana en aquellos jugadores previamente lesionados. En otros estudios, la relación carga de trabajo aguda: crónica resultó ser un mejor estimador de lesiones que la carga de trabajo aguda o crónica por separado en los jugadores de élite de la liga de rugby (28). En conjunto, estos hallazgos sugieren que es necesario evitar incrementos repentinos en la carga, y que en cambio, las cargas deberían ser incrementadas sistemáticamente en relación con la carga acumulada de cada jugador (tal como se describió en el componente 1) (28).

El tercer componente identificado por el PCA solo contenía 1 factor altamente ponderado, la carga de entrenamiento sRPE diaria, que puede considerarse una medida de la carga de trabajo aguda. Esta variable explicó un 9% adicional de la varianza total. Probablemente las cargas de trabajo agudas (o recientes) utilizadas por los jugadores reflejen el nivel actual de fatiga en su sistema (30), por lo que deben ser monitoreadas para garantizar que las cargas de trabajo prescriptas en el período subsiguiente sean apropiadas con respecto a las variables descritas en los componentes 1 y 2 (es decir, cargas acumuladas y cambios en la carga, respectivamente).

Para seleccionar 1 medida de carga de entrenamiento que represente cada componente, se recomienda comparar las asociaciones univariadas entre cada medida y el riesgo de lesión (por ej. utilizando modelos de efectos mixtos lineales generalizados). Deberían analizarse tanto las relaciones lineales como las no lineales entre estas medidas de carga y el riesgo de lesión debido a que varios estudios recientes han observado asociaciones no lineales (11, 24). Utilizando esta metodología en el presente estudio, se seleccionó la carga acumulada de 4 semanas como la variable representativa del componente 1 (carga acumulada), la relación carga de trabajo aguda:crónica como la variable representativa del componente 2 (cambios en la carga), y la carga diaria de entrenamiento fue la única variable altamente correlacionada con el componente 3 (carga aguda) y por lo tanto fue seleccionada automáticamente como la variable representativa para este componente. Es probable que las variables específicas seleccionadas sean propias del conjunto de datos actual, pero el proceso que describimos puede ser utilizado para seleccionar y monitorear las variables más importantes en otros ámbitos. En el estudio actual, este proceso nos permitió seleccionar para un análisis y monitoreo posterior 3 variables de carga de entrenamiento (carga acumulada de 4 semanas, relación carga de trabajo aguda:crónica y carga de entrenamiento diaria), a partir de un grupo inicial de 10 variables posibles, lo que simplificaría el proceso de análisis de monitoreo de la carga, al tiempo que permitiría obtener componentes propios de la carga en esta cohorte. Además, el proceso descripto aquí también podría ser aplicado para seleccionar las variables más pertinentes para otras medidas de carga de entrenamiento (por ejemplo, datos de GPS y de acelerómetros) tanto para el riesgo de lesiones como para la supervisión del rendimiento.

Aplicaciones prácticas

• Los profesionales que realizan medición de datos de sRPE en atletas que participan en deportes de colisión de élite, deberían implementar el monitoreo de variables como la carga acumulada, el cambio en la carga y la carga aguda para manejar el riesgo de lesiones.

• En otros deportes, los procedimientos de reducción de datos y selección de variables que planteamos en este estudio pueden ser aplicados de manera similar para extraer variables importantes para ese entorno específico, con el fin de optimizar el proceso de monitoreo de la carga de entrenamiento.

CONCLUSIONES

El presente estudio permitió establecer un proceso sistemático de reducción de datos y selección de variables que puede ser utilizado para simplificar el análisis de las variables de carga de entrenamiento en el ámbito de los deportes de equipo. Para monitorear el riesgo de lesiones en este conjunto de datos de la unión de rugby de élite se identificaron tres componentes principales, que estuvieron representados por las cargas acumuladas, los cambios en las cargas y cargas agudas. La selección de una variable representativa de cada uno de estos componentes permite que los profesionales puedan monitorear el conjunto de variables más parsimonioso y conservar la variación y los componentes únicos dentro de los datos.

Agradecimientos.

Los autores desean agradecer a todos los miembros de los clubes, a los médicos y al personal de entrenamiento de fuerza y acondicionamiento por registrar los datos de lesiones y de exposición durante el período de estudio.

REFERENCIAS

1. Halson S.L. (2014). Monitoring training load to understand fatigue in athletes. Sports Med.44(2):S139–S147. PubMed doi:10.1007/ s40279-014-0253-z

2. Foster C. (1998). Monitoring training in athletes with reference to overtraining syndrome. Med. Sci. Sports Exerc. 30(7):1164–1168. PubMed doi:10.1097/00005768-199807000-00023

3. Akenhead R., Nassis G. (2016). Training load and player monitoring in high-level football: current practice and perceptions. Int. J. Sports Physiol. Perform.11(5):587–593. PubMed http://dx.doi.org/10.1123/ ijspp.2015-0331

4. Sweet T.W., Foster C., McGuigan M.R., Brice G. (2004). Quantitation of resistance training using the session rating of perceived exertion method. J. Strength Cond. Res.;18(4):796–802. PubMed

5. Clarke N., Farthing J.P., Norris S.R., Arnold B.E., Lanovaz J.L. (2013). Quantifcation of training load in Canadian football: application of session-RPE in collision-based team sports. J. Strength Cond. Res. 27(8):2198–2205. PubMed doi:10.1519/JSC.0b013e31827e1334

6. Gabbett T.J. (2010). The development and application of an injury prediction model for noncontact, soft-tissue injuries in elite collision sport athletes. J. Strength Cond. Res. 24(10):2593–2603. PubMed doi:10.1519/ JSC.0b013e3181f19da4

7. Lovell T.W., Sirotic A.C., Impellizzeri F.M., Coutts A.J. (2013). Factors affecting perception of effort (session rating of perceived exertion) during rugby league training. Int. J. Sports Physiol. Perform. 8(1):62–69. PubMed doi:10.1123/ijspp.8.1.62

8. Webborn N. (2012). Lifetime injury prevention: the sport profile model. Br. J. Sports Med.46(3):193–197. PubMed doi:10.1136/ bjsports-2011-090417

9. Colby M.J., Dawson B., Heasman J., Rogalski B., Gabbett T.J. (2014). Accelerometer and GPS-derived running loads and injury risk in elite Australian footballers. J. Strength Cond. Res. 28(8):2244–2252. PubMed doi:10.1519/JSC.0000000000000362

10. Rogalski B., Dawson B., Heasman J., Gabbett T.J. (2013). Training and game loads and injury risk in elite Australian footballers. J. Sci. Med. Sport. 16(6):499–503. PubMed doi:10.1016/j.jsams.2012.12.004

11. Hulin B.T., Gabbett T.J., Blanch P., Chapman P., Bailey D., Orchard J.W. (2014). Spikes in acute workload are associated with increased injury risk in elite cricket fast bowlers. Br. J. Sports Med.48(8):708–712. PubMed doi:10.1136/bjsports-2013-092524

12. Hulin B.T., Gabbett T.J., Lawson D.W., Caputi P., Sampson J.A. (2016). The acute:chronic workload ratio predicts injury: high chronic workload may decrease injury risk in elite rugby league players. Br. J. Sports Med.;50(4):231–236. PubMed

13. Kara S.D. (2013). Injuries in Professional Rugby Union: A Study of Five Years of Injury Data With Training Loads and Travel as Co-Variates. Auckland, New Zealand: Auckland University of Technology;

14. Hair J.F., Black W.C., Babin B.J., Anderson R.E. (2009). Multivariate Data Analysis—A Global Perspective. Upper Saddle River, NJ: Pearson; 2009.

15. Coutts A.J. (2014). In the age of technology, Occam’s razor still applies. Int. J. Sports Physiol. Perform.9(5):741. PubMed doi:10.1123/ ijspp.2014-0353

16. Foster C., Florhaug J.A., Franklin J., et al. (2001). A new approach to monitoring exercise training. J. Strength Cond. Res.15(1):109–115. PubMed

17. Kraft J.A., Green J.M., Thompson K.R. (2014). Session ratings of perceived exertion responses during resistance training bouts equated for total work but differing in work rate. J. Strength Cond. Res.28(2):540–545. PubMed doi:10.1519/JSC.0b013e31829b569c

18. Fuller C.W., Molloy M.G., Bagate C., et al. (2007). Consensus statement on injury definitions and data collection procedures for studies of injuries in rugby union. Br. J. Sports Med. 41(5):328–331. PubMed doi:10.1136/ bjsm.2006.033282

19. Federolf P., Reid R., Gilgien M., Haugen P., Smith G. (2014). The application of principal component analysis to quantify technique in sports. Scand. J. Med. Sci. Sports. 24(3):491–499. PubMed doi:10.1111/j.1600-0838.2012.01455.x

20. Colyer S.L., Stokes K.A., Bilzon J.L., Cardinale M., Salo A.I. (2017). ;Physical predictors of elite skeleton start performance. Int. J. Sports Physiol. Perform. 12(1):81–89. PubMed doi:10.1123/ijspp.2015-0631

21. Weaving D., Marshall P., Earle K., Nevill A., Abt G. (2014). Combining internal-and external-training-load measures in professional Rugby League. Int. J. Sports Physiol. Perform. 9(6):905–912. PubMed doi:10.1123/ ijspp.2013-0444

22. Kaiser HF. (1974). An index of factorial simplicity. Psychometrika. 39(1):31–36. doi:10.1007/BF02291575

23. Bates D., Maechler M., Dai B. (2014). The lme4 package. 2008. http://cran.r-project.org/web/packages/lme4/lme4.pdf. Accessed August 1, 2014.

24. Cross M.J., Williams S., Trewartha G., Kemp S., Stokes K. (2016). The influence of in-season training loads on injury risk in professional rugby union. Int. J. Sports Physiol. Perform. 11:350–355. PubMed doi:10.1123/ ijspp.2015-0187

25. Barton K. (2016). MuMIn: multi-model inference. R Package Version 1.15.6. 2016. https://CRAN.R-project.org/package=MuMIn

26. Kumar S. (2001). Theories of musculoskeletal injury causation. Ergonomics. 44(1):17–47. PubMed doi:10.1080/00140130120716

27. McLean S.G., Felin R.E., Suedekum N., Calabrese G., Passerallo A., Joy S. (2007). Impact of fatigue on gender-based high-risk landing strategies. Med. Sci. Sports Exerc.39(3):502. PubMed doi:10.1249/ mss.0b013e3180d47f0

28. Hulin B.T., Gabbett T.J., Lawson D.W., Caputi P., Sampson J.A. (2015). The acute:chronic workload ratio predicts injury: high chronic workload may decrease injury risk in elite rugby league players. Br. J. Sports Med. doi:bjsports-2015-094817

29. Gabbett T.J., Ullah S., Finch C.F. (2012). Identifying risk factors for contact injury in professional rugby league players-application of a frailty model for recurrent injury. J. Sci. Med. Sport.15(6):496–504. PubMed doi:10.1016/j.jsams.2012.03.017

30. Banister E., Calvert T., Savage M., Bach T. (1975). A systems model of training for athletic performance. Austr. J. Sports Med.7(3):57–61.

31. Gabbett T.J., Domrow N. (2007). Relationships between training load, injury, and fitness in sub-elite collision sport athletes. J. Sports Sci.25(13):1507–1519. PubMed doi:10.1080/02640410701215066

32. Gabbett T.J., Jenkins D.G. Relationship between training load and injury in professional rugby league players. J Sci Med Sport. 2011;14(3):204– 209. PubMed doi:10.1016/j.jsams.2010.12.002

33. Gabbett T.J, Ullah S., Jenkins D., Abernethy B. (2012). Skill qualities as risk factors for contact injury in professional rugby league players. J. Sports Sci. 30(13):1421–1427. PubMed doi:10.1080/02640414.2012. 710760

34. Holt C.C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. Int. J. Forecast. 20(1):5–10. doi:10.1016/j. ijforecast.2003.09.015

Para citar este artículo en su versión original:

S.Williams, G. Trewartha, M.J. Cross, S. P.T. Kemp and K. A. Stokes. (2017). Monitoring What Matters: A Systematic Process for Selecting Training-Load Measures International Journal of Sports Physiology and Performance.12, S2-101 -S2-106

COMPARTIR