Resumen
El proceso de regreso a deportes (RTS) es multifacético y complejo, ya que múltiples variables pueden interactuar e influir en el tiempo de RTS. Estas variables incluyen factores intrínsecos relacionados con el jugador, como la antropometría y la posición de juego, o los factores extrínsecos, como la presión competitiva. Proporcionar una estimación individualizada del tiempo para volver al juego a menudo es un desafío, y las herramientas de apoyo a las decisiones clínicas no son comunes en la medicina deportiva. Este estudio utiliza datos epidemiológicos para demostrar una red bayesiana (BN). Aplicamos un BN que integró factores clínicos, no clínicos y conocimientos expertos para clasificar el día de tiempo a RTS y la gravedad de la lesión (mínimo, leve, moderado y severo) para los jugadores individuales. Los datos de lesiones retrospectivas de 3374 temporadas de jugadores y 6143 lesiones por pérdida de tiempo de siete temporadas de la liga profesional de fútbol alemán (Bundesliga, 2014/2015 a 2020/2021) se recogieron de bases de datos públicas y recursos de medios. Se incluyeron un total de doce variables de tres categorías (características del jugador y antropometría, información de coincidencias e información de lesiones). Las variables de respuesta fueron 1) días a RT (1-3, 4-7, 8-14, 15-28, 29-60,> 60 y 2) gravedad de la lesión (mínimo, leve, moderado y grave). La sensibilidad del modelo durante días a RTS fue 0.24-0.97, mientras que para las categorías de gravedad fue de 0.73-1.00. La precisión del modelo del modelo durante días a RTS fue de 0.52-0.83, mientras que para las categorías de gravedad, fue 0.67-1.00. El BN puede ayudar a integrar diferentes tipos de datos para modelar la probabilidad de un resultado, como los días para volver al deporte. En nuestro estudio, el BN puede apoyar a los entrenadores y jugadores en 1) predecir los días a RTS dada una lesión, 2) planificación del equipo a través de la evaluación de escenarios basados en las características y el riesgo de lesiones de los jugadores, y 3) comprender las relaciones entre los factores de riesgo de lesiones y las RT. Este estudio demuestra cómo una red bayesiana puede ayudar a la toma de decisiones clínicas para RTS.
