Mg. Víctor García Casas
Veinte años de tecnología deportiva. GPS, medidores de variabilidad cardíaca, plataformas de fuerza, software especializado en gestión de cargas. Y en ese mismo período, la tasa de lesiones musculares en el fútbol profesional europeo subió cerca del 25% a lo largo de 21 temporadas consecutivas.
Algo no cierra.
Durante ese período, la respuesta más repetida en el ecosistema del rendimiento fue el ACWR: el ratio agudo-crónico de la carga. Un número que compara lo que el atleta hizo esta semana contra lo que venía haciendo en las semanas previas. Si se mantiene entre 0.8 y 1.3, zona verde. Si supera 1.5, zona roja. Simple, visual, exportable a apps y plataformas. Y según la publicación de referencia de 2016, “la mejor práctica predictiva de lesiones relacionadas con el entrenamiento”.
El problema es que la evidencia no lo sostiene.
Qué dicen los datos cuando los medís en serio
Fanchini (2018) probó múltiples configuraciones del ACWR en fútbol italiano de élite. El área bajo la curva (AUC), indicador estándar de precisión predictiva, no superó 0.60 en ninguna configuración y osciló entre 0.53 y 0.58 cuando se amplió el análisis al fútbol europeo. Para contexto: un predictor perfecto puntúa 1.0 y el azar puro puntúa 0.50. El ACWR flotaba a apenas 3 décimas del azar.
West (2020) realizó el análisis más amplio publicado hasta la fecha: 696 jugadores de fútbol profesional y 1.718 lesiones registradas. El resultado fue contundente: solo el 40% de las comparaciones alcanzó significancia estadística para el total de lesiones —el 60% restante no lo logró—. Para lesiones de tejidos blandos —las más directamente atribuibles a la carga de entrenamiento— ese porcentaje cayó aún más: solo el 31% de las comparaciones fue significativo. Ningún método de cálculo mostró de forma consistente una relación con las lesiones. Los autores concluyeron que lo que impulsaba las asociaciones aparentes era el método de cálculo elegido, no el estado real del atleta.
Impellizzeri (2020) fue más directo todavía: “Ningún estudio ha tratado siquiera de estimar los efectos causales correctamente.” El ratio carece de un marco conceptual para la inferencia causal. El acoplamiento matemático entre las ventanas aguda y crónica infla artificialmente las asociaciones, otorgando a los investigadores demasiados grados de libertad que incrementan el riesgo de falsos descubrimientos y sesgo de confirmación.
Un ensayo controlado publicado en 2021 siguió a 482 jugadores de fútbol noruego distribuidos en 25 equipos durante toda una temporada (febrero a noviembre de 2018). Once equipos planificaron sus microciclos con base en el ACWR; catorce actuaron como grupo control sin seguimiento sistemático de carga. Si el ACWR funcionara como predictor, el grupo de intervención debería haber registrado menos lesiones. No hubo diferencia estadísticamente significativa en la prevalencia de lesiones entre ambos grupos: aplicar el ACWR o prescindir de él dio exactamente el mismo resultado (Dalen-Lorentsen et al., 2021).
El cierre más demoledor lo aportó un equipo argentino liderado por Carbone: diseñaron un ACWR aleatorio —donde la carga crónica se reemplaza por un valor generado al azar a partir de una distribución normal— y lo corrieron en paralelo con el ACWR real sobre datos de jugadores profesionales. El resultado habla solo: el ACWR real no predijo el riesgo de lesiones mejor que su versión aleatoria. Ambas métricas mostraron una correlación leve con el riesgo de lesión, pero esa correlación fue calificada como clínicamente irrelevante. Cuando una herramienta rinde igual que el azar, la discusión sobre sus zonas de seguridad y umbrales se cierra sola (Carbone et al., 2022).
La curva se construyó sobre 2 puntos
Hay un problema estructural que no suele discutirse fuera de los journals.
La curva en J que muestra el riesgo de lesión según el valor del ACWR —el gráfico que terminó en apps, plataformas y certificaciones en todo el mundo— proviene de un ajuste polinómico sobre datos de tres deportes. Cuando se rastrean los estudios originales citados como base de ese gráfico, uno de los tres no existe en la literatura con los datos que se le atribuyen. La curva polinómica se construyó sobre datos de dos deportes.
Dos puntos. Con dos puntos se puede trazar una recta; no se puede validar una curva polinómica con umbrales de riesgo, zonas de seguridad y aplicación clínica generalizable. La figura original en el trabajo de Blanch y Gabbett (2016) rotulaba ambos ejes como “carga hipotética”. Ese calificador se perdió en cada reproducción posterior del gráfico.
El argumento de la herramienta de comunicación
Algunos profesionales del alto rendimiento —especialmente en fútbol— defienden el ACWR no como predictor sino como lenguaje compartido con el cuerpo técnico. “El ratio está en 1.4, hay que bajar un poco esta semana.” La distinción es legítima.
El problema: si las zonas del ratio no tienen anclaje empírico sólido —y dos puntos de dos deportes distintos no lo dan—, ¿qué es exactamente lo que se está comunicando? Un número que cambia según cómo se definan las ventanas temporales, con umbrales que varían por deporte y nivel, y que en al menos un contexto generó el efecto opuesto al esperado: en Taekwondo, la zona “segura” de 0.8-1.3 fue la zona con mayor concentración de lesiones (Lee, 2025).
Usar una métrica como herramienta de comunicación no suspende el requisito de que esa métrica sea válida.
Entonces, ¿qué sigue?
El ACWR cerró su ciclo como predictor de lesiones. No como conclusión ideológica sino como consecuencia de la acumulación de evidencia: Fanchini (2018), West (2020) e Impellizzeri (2020) apuntan en la misma dirección.
Lo que queda abierto es la pregunta más difícil: ¿qué se usa en su lugar para tomar decisiones sobre la carga individual?
Esa respuesta existe. Pero no es un número único ni una tabla universal. Involucra individualización de referencia, elección de la variable de carga según el deporte y la modalidad, y un mínimo de historia longitudinal de cada atleta. Cómo construir todo eso sin un software de cinco cifras y sin perder más de quince minutos diarios es exactamente lo que trabajamos dentro del Club ACE Pro.
¿Y vos qué usás en su lugar?
Contá en los comentarios con qué tomás hoy las decisiones de carga en tu deporte: qué variable mirás, cada cuánto la registrás y qué te sirvió de verdad en la cancha. Las respuestas de otros entrenadores suelen valer más que cualquier tabla.
Referencias
- Fanchini, M. (2018). ACWR y poder predictivo en fútbol italiano de élite.
- West, S. W. (2020). Estudio sobre 696 jugadores y 1.718 lesiones.
- Impellizzeri, F. M. (2020). Revisión crítica del marco conceptual del ACWR.
- Lee, J. (2025). ACWR en Taekwondo: análisis de zona de riesgo.
- Suarez-Arrones, L., De Alba, B., Röll, M., Torreno, I., Strütt, S., Freyler, K., & Ritzmann, R. (2020). Player Monitoring in Professional Soccer: Spikes in Acute:Chronic Workload Are Dissociated From Injury Occurrence.
- Tiernan, C. (2020). Incremento semanal del 9% y riesgo de lesión.
- Blanch, P., & Gabbett, T. J. (2016). Has the athlete trained enough to return to play safely? The acute:chronic workload ratio permits clinicians to quantify a player’s risk of subsequent injury.
- Dalen-Lorentsen, T., Bjørneboe, J., Clarsen, B., Vagle, M., Fagerland, M. W., & Andersen, T. E. (2021). Does load management using the acute:chronic workload ratio prevent health problems? A cluster randomised trial of 482 elite youth footballers of both sexes.
- Carbone, L., Sampietro, M., Cicognini, A., y cols. (2022). Is the Relationship between Acute and Chronic Workload a Valid Predictive Injury Tool? A Bayesian Analysis.
Academia de Ciencias del Ejercicio · Club ACE Pro
