La combinación de sensores portátiles y aprendizaje automático (machine learning, ML) muestra un potencial prometedor para el reconocimiento de movimientos y la monitorización del rendimiento en tenis y pádel, aunque las limitaciones metodológicas actuales restringen considerablemente su generalización y su traslación a la práctica clínica y deportiva.
Qué se estudió: revisión sistemática sobre ML y sensores portátiles en tenis y pádel
Esta revisión sistemática tuvo como objetivo sintetizar la evidencia disponible sobre el uso de ML aplicado a datos de sensores portátiles (wearables) en tenis y pádel, con foco en cinco áreas: reconocimiento de movimientos, monitorización del rendimiento, evaluación de carga de trabajo y fatiga, aplicaciones relacionadas con lesiones, y rehabilitación.
La búsqueda bibliográfica se realizó en PubMed y Scopus desde el inicio de cada base de datos hasta el 1 de agosto de 2026. Se incluyeron estudios que investigaran tenis o pádel, utilizaran sensores portátiles y aplicaran métodos de ML o aprendizaje profundo (deep learning). La selección de estudios y la extracción de datos fueron realizadas de forma independiente por dos revisores. El riesgo de sesgo se evaluó en dominios relacionados con los participantes, los predictores, los resultados y el análisis o la validación. Dado que la heterogeneidad entre estudios fue considerable, se optó por una síntesis cualitativa en lugar de un metaanálisis.
De 393 registros identificados inicialmente, se incluyeron 16 estudios en la revisión. Catorce de ellos investigaron tenis, uno fue exclusivo de pádel y uno incluyó datos de tenis dentro de un estudio multideportivo.
Qué encontraron: reconocimiento de golpes con buen rendimiento, pero validación insuficiente
La tecnología más utilizada en los estudios incluidos fueron los sistemas basados en unidades de medición inercial (IMU, por sus siglas en inglés), dispositivos que miden aceleración, velocidad angular y orientación del segmento corporal o del implemento deportivo.
La mayoría de los estudios se centró en el reconocimiento de movimientos y golpes, mientras que un número menor abordó el rendimiento, la carga de trabajo, la fatiga o las aplicaciones relacionadas con lesiones. El rendimiento reportado por los modelos de ML fue, en términos generales, alto. Sin embargo, las estrategias de validación fueron heterogéneas, y la validación independiente del participante o la validación externa resultó poco frecuente.
En cuanto al riesgo de sesgo, nueve estudios presentaron algunas preocupaciones metodológicas y siete fueron clasificados directamente con alto riesgo de sesgo. La evidencia específicamente orientada a la rehabilitación y al retorno al deporte fue particularmente escasa.
Qué significa para la práctica clínica en fisioterapia y rehabilitación deportiva
Estos resultados tienen implicancias concretas para los fisioterapeutas y kinesiólogos que trabajan con tenistas y jugadores de pádel, aunque es fundamental interpretarlos con cautela dado el estado incipiente de la evidencia.
Reconocimiento de movimientos y análisis biomecánico
La capacidad de los sistemas IMU combinados con ML para reconocer y clasificar golpes (como el servicio, el drive o la volea) con un rendimiento generalmente alto abre posibilidades interesantes para el análisis biomecánico funcional. En el contexto clínico, esto podría facilitar la evaluación objetiva de patrones de movimiento en campo, sin necesidad de laboratorios equipados. Sin embargo, dado que la validación independiente del participante fue infrecuente en los estudios revisados, conviene ser cautelosos antes de asumir que los modelos entrenados en una población funcionarán de forma equivalente en los pacientes que se atienden en consulta. Los sistemas disponibles comercialmente deben ser evaluados críticamente, ya que su rendimiento real puede diferir del reportado en entornos de investigación controlados.
Monitorización de carga y fatiga en deportistas en rehabilitación
La monitorización objetiva de la carga de trabajo y la fatiga es uno de los desafíos más relevantes en la rehabilitación de deportistas de raqueta. Los sensores portátiles con algoritmos de ML podrían, en teoría, cuantificar la carga mecánica acumulada durante las sesiones de entrenamiento o en las fases progresivas de retorno al deporte. No obstante, la revisión señala que los estudios sobre estas aplicaciones son escasos y con importantes limitaciones metodológicas. Por lo tanto, en la práctica actual no es posible recomendar el uso de estos sistemas como herramienta validada para la toma de decisiones clínicas en la progresión de carga durante la rehabilitación.
Aplicaciones en prevención de lesiones y retorno al deporte
Esta es precisamente el área donde la evidencia es más limitada y donde la brecha entre el potencial teórico y la realidad clínica es mayor. La revisión destaca explícitamente que la evidencia sobre rehabilitación y retorno al deporte fue particularmente escasa. Esto significa que, a pesar del interés creciente en usar ML para identificar patrones de movimiento asociados a riesgo de lesión (por ejemplo, en el hombro o el codo del tenista), aún no existe una base sólida de evidencia que respalde decisiones clínicas en este sentido.
Los profesionales de la rehabilitación deben tener presente que los estudios incluidos trabajaron con cohortes pequeñas y seleccionadas, lo que limita la generalización a poblaciones más amplias o con características distintas (por ejemplo, tenistas amateur con patologías previas). La distinción entre asociación y causalidad es especialmente relevante aquí: que un algoritmo identifique un patrón de movimiento asociado a lesión en una muestra de laboratorio no implica que pueda predecir lesiones en condiciones reales.
Consideraciones para la evaluación clínica con sensores portátiles
Si se decide incorporar sensores portátiles en la evaluación de pacientes deportistas, conviene considerar algunos aspectos prácticos que se desprenden de los hallazgos de esta revisión:
- Los sistemas basados en IMU son los más estudiados en este contexto y ofrecen una plataforma tecnológica relativamente accesible.
- El rendimiento de los modelos reportado en los estudios puede estar sobreestimado si la validación no fue independiente del participante, algo que ocurrió con frecuencia en los estudios revisados.
- La heterogeneidad en los métodos de validación hace difícil comparar el rendimiento entre sistemas distintos.
- El pádel está prácticamente ausente de la literatura científica en este campo, por lo que cualquier extrapolación desde estudios de tenis debe hacerse con precaución.
Perspectiva para la investigación clínica aplicada
Los autores señalan que la investigación futura debería priorizar cohortes más grandes y diversas, validación independiente del participante y validación externa, así como estudios prospectivos que aborden específicamente la prevención de lesiones, la rehabilitación y el retorno al deporte. Para los profesionales interesados en participar en proyectos de investigación aplicada, estas áreas representan oportunidades concretas de contribución.
Limitaciones del estudio
La revisión presenta varias limitaciones relevantes que condicionan la interpretación de sus conclusiones. La heterogeneidad sustancial entre los estudios incluidos impidió realizar un metaanálisis cuantitativo. La mayoría de los estudios trabajó con muestras pequeñas y seleccionadas, lo que compromete la representatividad. El alto riesgo de sesgo en siete de los dieciséis estudios incluidos y las preocupaciones metodológicas en otros nueve reducen la confianza en los resultados reportados. La escasez de validación externa o independiente del participante es una limitación crítica para la traslación práctica. Finalmente, el pádel está representado por un único estudio, lo que hace virtualmente imposible extraer conclusiones específicas para este deporte.
Conclusiones aplicables para la práctica profesional
- El ML aplicado a sensores portátiles muestra un potencial prometedor para el reconocimiento de movimientos en tenis y pádel, pero la evidencia actual no es suficiente para respaldar su uso clínico rutinario.
- Las limitaciones metodológicas de los estudios disponibles —incluyendo muestras pequeñas, alto riesgo de sesgo y escasa validación externa— restringen considerablemente la generalización de los resultados.
- La evidencia sobre aplicaciones en rehabilitación y retorno al deporte es particularmente escasa; no conviene tomar decisiones clínicas basándose en estos sistemas sin una validación adecuada.
- Los sistemas IMU son la tecnología más utilizada en este campo y podrían tener un rol en la evaluación objetiva del movimiento, siempre que se comprendan sus limitaciones de validación.
- El pádel está prácticamente ausente de la literatura científica sobre ML y sensores portátiles; cualquier extrapolación desde estudios de tenis debe hacerse con cautela.
- La investigación futura debería orientarse a cohortes más grandes y diversas, validación independiente y estudios prospectivos enfocados en prevención de lesiones y retorno al deporte.
