Deporte y Rendimiento

IA y genómica en deporte: qué es viable hoy y qué sigue siendo promesa

El artículo distingue con precisión entre deporte de precisión, clasificar subgrupos, y verdadera personalización, predecir qué ocurrirá en un individuo concreto, , señalando que solo el primero está maduro para aplicación práctica actual. Variantes como ACTN3, ACE, PPARGC1A o COL5A1 tienen efectos poblacionales pequeños y no permiten inferencia individual robusta. La mayor oportunidad identificada es la integración multimodal: combinar datos genómicos, transcriptómicos, metabolómicos y epigenéticos con series temporales de GPS, HRV, sueño, carga de entrenamiento y percepción subjetiva del esfuerzo. Los modelos de aprendizaje automático, redes neuronales recurrentes y arquitecturas LSTM, son los más adecuados para analizar estas secuencias. El artículo alerta sobre sobreajuste en datasets con miles de variables y pocas decenas de sujetos, y sobre la ausencia de validación externa, temporal y geográfica como obstáculo principal para trasladar estos modelos a la práctica.