Las ciencias del deporte trabajan con un límite estructural: los deportistas de alto nivel son pocos, están ocupados y no se dejan aleatorizar. De ahí salen las muestras de doce, catorce o dieciséis participantes que pueblan la literatura, y de ahí salen también casi todas las objeciones de un revisor: cómo se justifica esa muestra, cómo se controla el ruido de las medidas y qué se puede afirmar con ese material.
El campo ha vivido además un episodio metodológico propio que conviene conocer antes de enviar nada: la inferencia basada en magnitudes (MBI), muy popular durante años en revistas de rendimiento, fue objeto de críticas estadísticas duras y muchas revistas dejaron de aceptarla. Un manuscrito que la use hoy como análisis principal se expone a un rechazo directo, y quien lo escribió a menudo no se ha enterado.
Aquí tienes las críticas que aparecen de verdad en informes de Medicine and Science in Sports and Exercise, International Journal of Sports Physiology and Performance, Journal of Sports Sciences, European Journal of Sport Science o Sports Medicine, con el vocabulario del campo y con los detalles técnicos que un revisor comprueba línea a línea.
Nadie va a exigirte doscientos ciclistas de élite, porque no existen doscientos disponibles. Lo que sí exige el revisor es que dejes de fingir que tu muestra basta para lo que afirmas. Con n = 12, el intervalo de confianza de una diferencia de medias es ancho, la estimación del efecto es inestable y cualquier resultado significativo está probablemente inflado. Escribir "la suplementación mejoró el rendimiento un 3,2%" sin el intervalo, que quizá va del 0,1% al 6,3%, es la forma más común de sobreinterpretar.
Hay tres estrategias que un revisor acepta y que conviene combinar. La primera es diseñar en cruzado: cada participante es su propio control, lo que elimina la variabilidad entre sujetos y multiplica la potencia efectiva. La segunda es basar el cálculo del tamaño muestral en el cambio mínimo relevante para el rendimiento (el smallest worthwhile change) y en la variabilidad típica de tu test, no en una d de Cohen genérica. La tercera es presentar los datos individuales, no solo las medias: en muestras pequeñas, un gráfico con las líneas de cada participante dice mucho más que una barra de error y transmite honestidad.
La respuesta individual, eso sí, tiene su propia trampa. Ver que ocho mejoran y cuatro empeoran no demuestra que existan respondedores y no respondedores: parte de esa dispersión es simplemente error de medida y variabilidad biológica del día. Para afirmar que hay verdadera heterogeneidad de respuesta hace falta comparar la desviación típica del cambio en el grupo experimental con la del control, o repetir la intervención en los mismos sujetos. Un revisor formado va a pedir exactamente eso.
Antes de poder detectar un cambio del 2% en un test de sprint, tienes que saber cuánto varía ese test cuando no cambia nada. Esa es la variabilidad típica o error típico de medida, y se expresa habitualmente como coeficiente de variación. Si tu test tiene un CV del 3% y tu efecto es del 1,5%, no puedes distinguir uno de otro con una sola medición por sujeto. Un revisor de rendimiento pregunta por el CV casi siempre, y con razón.
De ahí salen dos exigencias prácticas. Una, la familiarización: los tests de rendimiento tienen aprendizaje, y la segunda vez casi todo el mundo lo hace mejor. Si tu protocolo no incluyó al menos una sesión de familiarización, parte de tu mejora es aprendizaje del test. Dos, el número de intentos y el criterio para quedarse con uno: el mejor, la media de los dos mejores, la media de tres. Cada criterio tiene una fiabilidad distinta y hay que declararlo.
La estandarización de las condiciones es el tercer frente. Hora del día (hay ritmo circadiano en fuerza y potencia), temperatura y humedad, tiempo desde la última comida, ingesta de cafeína, sueño de la noche previa, y sobre todo la carga de entrenamiento en las 24 a 48 horas anteriores. Un manuscrito que dice "los participantes evitaron el ejercicio intenso el día previo" sin comprobarlo deja abierta la explicación alternativa más plausible de cualquier diferencia.
El cruzado es el diseño estrella del campo y también donde se cometen errores que un revisor detecta enseguida. El primero es el contrabalanceo: si todos los participantes hacen primero placebo y después el suplemento, el efecto del suplemento y el efecto del orden están completamente confundidos. El orden tiene que asignarse al azar y hay que reportar cómo, y si la muestra lo permite, comprobar estadísticamente que no hubo efecto de periodo.
El segundo es el periodo de lavado. Tiene que ser suficiente para que el efecto de la primera condición haya desaparecido, y "suficiente" depende de la sustancia o del estímulo: la cafeína se elimina en horas, la creatina tarda semanas, un protocolo de daño muscular puede dejar efecto protector durante meses por el fenómeno de sesión repetida. Justificar el lavado con una referencia farmacocinética o fisiológica concreta, y no con "se dejaron siete días entre condiciones", es lo que distingue un método revisado con cuidado.
El tercero es el análisis. Un cruzado se analiza con un modelo que reconozca las medidas repetidas dentro del sujeto: modelo mixto con el participante como efecto aleatorio y términos para condición y periodo. Analizarlo con una prueba t para muestras independientes, que todavía ocurre, tira a la basura la ventaja del diseño y es un error de bulto.
Y en estudios de suplementación, el placebo tiene que ser creíble y hay que comprobar si lo fue. Un placebo de cafeína que no sabe amargo se identifica, y la expectativa de haber tomado el suplemento produce mejoras reales y medibles en rendimiento. Preguntar al final qué creían haber tomado, y reportar la tabla de aciertos, es un análisis de dos líneas que cierra una objeción segura.
Durante más de una década, muchos artículos de rendimiento usaron la inferencia basada en magnitudes: umbrales de probabilidad para clasificar efectos como posiblemente, probablemente o muy probablemente beneficiosos. La crítica estadística que recibió fue contundente, señalando que el método infla sustancialmente la tasa de falsos positivos, y varias revistas del campo dejaron de aceptarlo. Si tu manuscrito lo usa como análisis principal, hay una probabilidad alta de que el revisor pida rehacer el análisis entero.
Lo que se espera hoy son estimaciones con sus intervalos de confianza, interpretadas frente al cambio mínimo relevante para el rendimiento en ese deporte, y si quieres afirmar equivalencia o superioridad práctica, un contraste diseñado para eso (equivalencia por dos pruebas unilaterales, o un enfoque bayesiano bien especificado con sus priores justificados). La lógica de fondo de la MBI, que preguntarse por la magnitud importa más que por la significación, sigue siendo buena; lo que no se sostiene es la implementación.
Otras dos prácticas que reciben crítica sistemática. La primera es el uso de porcentajes de cambio sin considerar la variabilidad: una mejora del 5% en un test con un CV del 4% no dice lo mismo que en uno con CV del 1%. La segunda es la ratio de carga aguda respecto a la crónica como predictor de lesión, que se popularizó enormemente y después recibió críticas metodológicas serias por artefactos matemáticos, sesgo de acoplamiento y por la forma en que se categoriza la exposición. Usarla como si fuera un estándar incontestado te expone a un revisor que sí ha leído esa discusión.
Cuando tu variable resultado sale de un dispositivo, el dispositivo forma parte del método y hay que describirlo con el mismo detalle que un protocolo de laboratorio. Para GPS y sistemas de posicionamiento local: marca y modelo, frecuencia de muestreo, versión del firmware y del software de procesamiento, número medio de satélites y dilución de la precisión en exteriores, y los umbrales de velocidad usados para definir las zonas de alta intensidad. Ese último punto es crítico, porque los umbrales absolutos y los relativos al perfil de cada jugador producen conclusiones distintas con los mismos datos.
Con acelerometría: el emplazamiento del sensor, la frecuencia de muestreo, el filtrado aplicado, el tamaño de epoch y el algoritmo de conversión a categorías de intensidad, incluida la referencia de los puntos de corte. Distintos puntos de corte publicados dan estimaciones de actividad moderada-vigorosa que difieren en más del doble, así que sin esa información tus resultados no son comparables con nada.
Con electromiografía: colocación de electrodos según recomendaciones estandarizadas, preparación de la piel, distancia intereletrodo, filtrado, y sobre todo cómo normalizaste la señal. Comparar amplitudes de EMG sin normalizar entre sujetos o entre sesiones no es interpretable, y el método de normalización (contracción voluntaria máxima, contracción submáxima, pico dinámico) cambia las conclusiones.
Y una advertencia general: la validez y la fiabilidad del dispositivo en la tarea concreta que mides. Un GPS de 10 Hz validado para carrera lineal no está validado para los cambios de dirección de un partido de fútbol sala, y un revisor que conozca la literatura de validación lo va a decir.
La descripción de la muestra es donde más se pierde la comparabilidad en este campo. "Doce varones físicamente activos" no permite situar el estudio: la respuesta a un programa de fuerza en principiantes es varias veces mayor que en levantadores experimentados, y una intervención que mejora el consumo máximo de oxígeno en sedentarios puede no mover nada en un fondista de nivel nacional. El revisor va a pedir datos objetivos: años de entrenamiento sistemático, volumen semanal actual, marcas personales o potencia relativa, VO2 máximo, y nivel competitivo con la categoría concreta.
Los marcos de clasificación por niveles publicados en los últimos años se han convertido en referencia precisamente para evitar esa ambigüedad, y usarlos explícitamente en el método es una señal de que conoces el estado del campo. Va acompañado de otra exigencia: si generalizas a "atletas" a partir de estudiantes de ciencias del deporte que entrenan tres días por semana, la objeción de validez externa es inevitable.
El sesgo de sexo es hoy una crítica frontal y creciente. Una proporción muy alta de la literatura de rendimiento se ha hecho solo con hombres y ha extrapolado a todo el mundo. Si tu muestra es solo masculina, dilo en el título o al menos en el abstract, y limita las conclusiones. Si incluyes mujeres, el revisor esperará que informes de la fase del ciclo menstrual o del uso de anticonceptivos hormonales cuando la variable estudiada pueda verse afectada, con el método usado para determinarla (calendario, test de ovulación, confirmación hormonal), porque el simple autoinforme de calendario tiene precisión limitada.
En estudios de suplementación, la lista de variables que pueden explicar tu efecto sin que sea tuyo es larga y el revisor la conoce. La habituación es la primera: en cafeína, el consumo habitual modula la respuesta aguda, así que registrarlo y estratificar o controlarlo es esperable. La segunda es la dieta en las horas previas, especialmente la ingesta de hidratos en pruebas de resistencia, que se controla con registro dietético replicado antes de cada condición, y no con una recomendación verbal.
La tercera es la dosis y su justificación farmacológica: dosis por kilogramo de peso frente a dosis fija, momento de la toma respecto al test, y forma de administración. Un estudio de nitratos que no reporta el contenido real de nitrato de la remolacha usada, o uno de creatina que no distingue carga de mantenimiento, tiene un agujero evidente.
La cuarta es el estado de hidratación y la masa corporal, que en deportes de peso pueden ser la variable que de verdad cambió. Y la quinta, el conflicto de interés: si el suplemento lo proporcionó el fabricante, hay que declararlo con claridad, decir si participó en el diseño o en el análisis, y explicar que no tuvo acceso a los datos antes de la publicación. Ocultar esa relación es de los problemas que más daño hacen a la credibilidad de un artículo en este campo, precisamente porque hay mucho dinero alrededor.
Depende del diseño y del nivel de la muestra. Un cruzado bien controlado con diez o doce deportistas de nivel nacional puede publicarse en revistas sólidas si el efecto es grande y la fiabilidad del test está documentada. Un diseño de grupos paralelos con doce por grupo casi nunca tiene potencia suficiente y es donde más se rechaza. La regla práctica: si no puedes aumentar la muestra, cambia el diseño para que cada participante aporte más información.
Es arriesgado. Varias revistas del campo la desaconsejan o la rechazan tras la crítica estadística que recibió. Si tu interés es la magnitud práctica, puedes conseguir lo mismo sin exponerte: reporta la estimación con su intervalo de confianza, define de antemano el cambio mínimo relevante y discute qué parte del intervalo cae por encima o por debajo de ese umbral. Es transparente, dice lo mismo y nadie te lo va a rechazar.
Aceptando el alcance y aprovechando la ventaja. Un solo equipo te da homogeneidad de entrenamiento, calendario y contexto, lo que reduce ruido, pero impide separar el efecto del programa del efecto del club. Presenta el estudio como un caso longitudinal con medidas repetidas frecuentes, usa cada jugador como su propio control a lo largo de la temporada y no concluyas superioridad de un método sobre otro. Los diseños de series temporales dentro de un equipo se publican bien cuando se escriben con esa modestia.
Aporta la evidencia de validación para esa marca, ese modelo y esa tarea concreta, y si no existe, dilo y valora el impacto sobre tu conclusión. Una alternativa fuerte es incluir en el propio estudio un pequeño análisis de fiabilidad test-retest con tus participantes y tu protocolo: convierte una debilidad en un dato y suele desactivar la objeción.
Sí, y bastante estrictos. Hay declaraciones de consenso sobre registro y reporte de lesiones específicas para varios deportes que definen qué cuenta como lesión (tiempo perdido, atención médica, cualquier molestia), cómo se calcula la exposición en horas de entrenamiento y competición, y cómo se expresa la incidencia. Un estudio de lesiones que no sigue la definición consensuada de su deporte no es comparable con la literatura previa, y ese es el primer comentario que recibirá.
Sí, y el campo lo necesita, sobre todo en suplementación, donde el sesgo de publicación está bien documentado. Para que sea publicable tiene que ser informativo: potencia o precisión suficiente para descartar un efecto del tamaño mínimo relevante, protocolo preregistrado, fiabilidad del test documentada y comprobación de que el placebo funcionó. Un nulo con muestra pequeña y test ruidoso no aporta nada y se rechaza con razón.