Un modelo puede anticipar el estrés de una futbolista, pero nadie ha definido qué pasa con esa predicción

Un algoritmo puede entrenarse con datos de 50 futbolistas de élite y estimar, con un día de anticipación, la probabilidad de que una jugadora reporte estrés percibido elevado. Eso es exactamente lo que documenta ARISE-Net, un estudio publicado en Scientific Reports. La pregunta que sigue sin respuesta es más incómoda que el modelo mismo: ¿quién ve esa predicción, qué decisión autoriza y qué puede hacer la jugadora si no está de acuerdo con lo que el sistema infiere sobre su estado?

El avance técnico es real y los autores son cuidadosos al enmarcarlo. ARISE-Net se entrenó y evaluó sobre un solo corpus, SoccerMon, con datos longitudinales de 50 futbolistas de élite, todas mujeres. La variable objetivo fue estrés percibido, no un diagnóstico clínico ni una proyección de lesiones. Los propios investigadores advierten que se requiere validación externa antes de generalizar los resultados a otras poblaciones o contextos. Ese matiz importa: no estamos ante un sistema listo para desplegarse en cualquier club, sino ante una demostración de que la señal existe y puede modelarse.

El detalle del corpus único también obliga a separar dos cosas que suelen confundirse en la conversación pública. Una segunda publicación, en PLOS ONE, usó el mismo conjunto de datos SoccerMon para estimar readiness, es decir, disposición para el rendimiento, no estrés clínico ni riesgo de lesión. Que dos estudios distintos aprovechen el mismo corpus muestra reutilización de datos, no validación independiente. Reproducir resultados sobre la misma muestra no equivale a demostrar que el modelo funciona en otra liga, otra edad, otro calendario o con hombres.

La distinción es central porque el monitoreo de bienestar no ocurre en un vacío académico. Ocurre dentro de una relación laboral, donde la información sobre el cuerpo y el estado mental de una deportista puede convertirse en minuto de juego, convocatoria, contrato o renovación. Un modelo que predice estrés percibido al día siguiente no es una herramienta neutral de salud: es un insumo que, en manos equivocadas o sin reglas claras, puede transformarse en un mecanismo de control.

FIFPRO, el sindicato internacional de futbolistas profesionales, puso este problema sobre la mesa con su Carta de Derechos de Datos del Jugador, publicada en 2022. El documento formula principios que suenan elementales pero que rara vez están garantizados en la práctica: derecho a la información sobre qué datos se recogen y para qué se usan, derecho de acceso a esa información y derecho de control sobre la misma. La carta no es una ley ni un reglamento vinculante para clubes o federaciones; es un marco que los jugadores pueden exigir como punto de partida.

Lo que la carta no resuelve, y tal vez no puede resolver por sí sola, es cómo se traducen esos principios cuando el procesamiento es predictivo. ¿Tiene una jugadora derecho a saber que un club usa un modelo para estimar su estrés? ¿Puede revisar la predicción, corregirla o impugnarla? ¿Qué pasa si la inferencia es errónea y aun así alimenta una decisión de alineación? El acceso a los datos brutos no equivale al acceso a la lógica que los convierte en una alerta automática.

El caso de ARISE-Net también invita a pensar en el consentimiento como proceso y no como firma única. Las futbolistas cuyos datos alimentaron SoccerMon participaron en un estudio académico; difícilmente podían anticipar todos los usos posteriores de sus registros. La reutilización documentada en PLOS ONE no implica que una jugadora haya perdido derechos sobre su información, pero sí demuestra que los datos de bienestar pueden viajar más lejos de lo que el contexto original sugería. Ese desfase entre lo que se consintió y lo que se terminó haciendo es exactamente el tipo de brecha que una carta de derechos busca cerrar.

No hay evidencia en las fuentes consultadas de que un club esté implementando ARISE-Net hoy. Tampoco hay registro de un caso específico en el que una predicción de estrés haya perjudicado a una jugadora. Lo que existe es una ventana abierta: la tecnología ya demostró que puede hacer la inferencia, y el marco de derechos apenas empieza a discutirse. El momento para definir salvaguardas no es después del primer uso laboral controversial, sino antes.

Las preguntas concretas para clubes, ligas y federaciones son al menos estas: ¿qué datos de bienestar se capturan, con qué frecuencia y bajo qué consentimiento? ¿Quién tiene acceso a las predicciones: cuerpo técnico, directivos, agentes, aseguradoras? ¿Qué decisión puede tomarse automáticamente a partir de una alerta y cuál exige intervención humana? ¿Qué mecanismo tiene la jugadora para revisar, corregir o impugnar una inferencia? ¿Qué pasa con los datos cuando la jugadora cambia de club o termina su carrera?

La conversación sobre datos en el deporte suele girar alrededor del rendimiento: quién corre más, quién se recupera mejor, quién está listo para jugar. El estrés percibido introduce una dimensión distinta, más íntima y más delicada. Un modelo puede estimar mañana lo que una jugadora siente hoy, pero esa capacidad técnica no viene acompañada de una respuesta sobre quién controla la predicción. Esa es la conversación que ARISE-Net, sin proponérselo, deja abierta.