La lesión no aparece el día que duele: llevaba semanas en tus datos

La lesión no es un evento: es un proceso

Cuando hablamos de lesiones por sobrecarga en running (tendinopatías, dolor femoropatelar, periostitis, fracturas por estrés), solemos contarlas como si fueran un accidente. Un día todo va bien y al siguiente no puedes correr. Pero el tejido no funciona así.

La mayoría de las lesiones del corredor aparecen cuando la carga acumulada supera, durante un tiempo, la capacidad del tejido para adaptarse. Es un desequilibrio que se va gestando: una semana con más kilómetros, unas noches durmiendo mal, unas piernas que no terminan de recuperarse. Ninguna de esas cosas, por separado, parece grave. Juntas y sostenidas, sí lo son.

Por eso el día que aparece el dolor no es el inicio del problema. Es el día en que el problema se vuelve imposible de ignorar.

Si eres entrenador, esto cambia la pregunta. Ya no es ¿qué hizo ese día?, sino ¿qué estaba pasando en las tres o cuatro semanas anteriores, y por qué no lo vimos?

Lo que dice la ciencia al respecto

Revisando la evidencia reciente sobre carga de entrenamiento y lesión en corredores. El mensaje general es claro: las lesiones de running se pueden anticipar mejor mirando tendencias que mirando días sueltos. Estos son los hallazgos que más me han llamado la atención.

1. Lo que dispara el riesgo no es la semana: es la sesión. En una cohorte danesa de 5.205 corredores seguidos durante 18 meses con relojes Garmin, el 35 % se lesionó. El riesgo de lesión por sobrecarga subía cuando una sola salida superaba en más de un 10 % la tirada más larga de los 30 días anteriores. Con un aumento de más del 100 %, el riesgo se multiplicaba por 2,3 (Frandsen et al., 2025). La conocida regla del 10 % semanal, en cambio, no mostró relación con la lesión.

2. El ratio agudo:crónico (ACWR) no es la bola de cristal que nos vendieron. En 461 corredores populares holandeses con datos GPS, la asociación entre ACWR y lesión fue pequeña e inconsistente (Cloosterman et al., 2026). El mismo grupo comprobó que, según el método de cálculo que uses, un aumento “significativo” de carga se detecta en el 16 % o en el 33 % de las sesiones (Cloosterman et al., 2024). Mismo corredor, distinta alarma. Tomar el dato sí, pero no como única métrica.

3. Entrenar poco también lesiona. En corredores de la Comrades (ultramaratón), quienes llegaron con menos volumen en las 12 semanas previas tuvieron más riesgo de lesionarse, sobre todo en la carrera o justo después (Burgess et al., 2025). El objetivo no es cargar menos, sino cargar de forma coherente con lo que el cuerpo ha preparado.

4. El sueño avisa antes que el dolor. En 339 corredores seguidos durante 26 semanas, la mala calidad de sueño se asoció a un 36 % más de riesgo de lesión. Además, el dolor muscular ya estaba elevado dos semanas antes de la lesión, y la fatiga, una semana antes (Goldberg et al., 2025). Los propios autores lo describen como una posible señal de alarma temprana.

5. La fatiga cambia cómo corres. Una revisión sistemática de 24 estudios muestra que, con fatiga, aumenta el tiempo de contacto, el impacto y la variabilidad del gesto. La carga se desplaza del tobillo hacia la rodilla y la cadera (Choudhary et al., 2026). Correr cansado no es solo correr más lento: es cargar tejidos distintos.

6. El historial pesa más de lo que creemos. En la rodilla del corredor, los factores de riesgo más repetidos fueron la lesión previa, el aumento de carga o volumen y las alteraciones estructurales (Senthil et al., 2026).

7. El reloj ya puede estimar cargas que antes solo veíamos en laboratorio. Con un solo sensor inercial en la pelvis se pueden estimar las fuerzas en el tendón de Aquiles, el tendón rotuliano, la rodilla y el tobillo durante la carrera (Bogaert et al., 2026). Y con sensores en la posición del reloj y de la banda de pecho se estima la fuerza vertical de reacción del suelo al aire libre (Binnekamp et al., 2026).

Las señales que aparecen semanas antes

Si juntamos estos estudios, la lesión deja de parecer un rayo caído del cielo y empieza a parecer una historia con capítulos. Este es el orden en que suelen aparecer las señales:

Ojo con un matiz: son asociaciones observadas en grupos de corredores, no reglas que se cumplan en todas las personas. Por eso lo útil no es comparar a tu atleta con la media, sino con su propio historial: su tirada más larga, su sueño habitual, su nivel normal de fatiga.

El problema es que cada una de estas señales vive en un sitio distinto. La distancia, en el reloj. El sueño, en otra app o ninguna. La fatiga y el dolor, en un mensaje de WhatsApp, o en ningún sitio.

Por qué tener datos no es lo mismo que decidir bien

Hoy casi todos los corredores llevan un reloj que registra distancia, ritmo, frecuencia cardiaca, sueño y variabilidad cardiaca. Datos no faltan. Lo que falta es tiempo y criterio para leerlos a tiempo.

Un entrenador con 30 atletas no puede abrir cada mañana 30 paneles distintos, comparar cada sesión con la tirada más larga del último mes y cruzarlo con cómo ha dormido cada uno. Así que acaba pasando lo de siempre: el dato estaba, pero nadie lo vio hasta que el atleta escribió “me duele”.

Y aquí hay un matiz importante: ninguna métrica aislada predice una lesión. Lo que de verdad aporta valor es la combinación:

• Carga objetiva: cuánto, a qué intensidad y cómo cambia respecto a lo habitual de ese atleta.
• Respuesta interna: sueño, fatiga, dolor muscular, estrés percibido.
• Contexto: lesiones previas, fase de la temporada, objetivo de carrera.

Cuando las tres van en la misma dirección durante varios días, la señal deja de ser ruido. Y es justo en ese momento cuando ajustar una sesión cuesta poco y evita mucho.

Por eso no hablo de predecir lesiones con certeza. La evidencia no lo permite y prometerlo sería engañar. Hablo de detectar antes y decidir mejor: bajar una tirada, cambiar unas series por rodaje suave o preguntar al atleta cómo está antes de que lo diga el dolor.

Referencias

Binnekamp, M., Scheltinga, B. L., Wouda, F. J., & Reenalda, J. (2026). No extra sensors needed: Estimating vertical ground reaction force using IMUs at the smartwatch and heartrate strap location. Sports Biomechanics. Publicación anticipada en línea. https://doi.org/10.1080/14763141.2026.2657897

Bogaert, S., Davis, J., & Vanwanseele, B. (2026). Machine learning-based estimation of structure-specific load around the ankle and knee joint during running using IMU data. Frontiers in Bioengineering and Biotechnology, 14, Artículo 1710980. https://doi.org/10.3389/fbioe.2026.1710980

Burgess, T. L., Durand, P., & Buchholtz, K. (2025). Assessing the relationship between training load and injury in ultramarathon runners: A novel approach using generalised additive models. South African Journal of Sports Medicine, 37(1). https://doi.org/10.17159/2078-516X/2025/v37i1a20747

Choudhary, P. K., Choudhary, S., Saha, S., Rajpoot, Y. S., Ciocan, V.-C., Nicolae-Lucian, V., Pavel, S.-I., & Șufaru, C. (2026). Lower-limb biomechanical adaptations to exercise-induced fatigue during running: A systematic review of injury-relevant mechanical changes. Life, 16(2), Artículo 272. https://doi.org/10.3390/life16020272

Cloosterman, K. L. A., de Vos, R.-J., van Oeveren, B., Visser, E., Bierma-Zeinstra, S. M. A., & van Middelkoop, M. (2024). Comparison of weekly training load and acute:chronic workload ratio methods to estimate change in training load in running. Journal of Athletic Training, 59(10), 1028–1034. https://doi.org/10.4085/1062-6050-0430.23

Cloosterman, K. L. A., de Vos, R.-J., Willemsen, S., van Oeveren, B., Visser, E., Bierma-Zeinstra, S. M. A., & van Middelkoop, M. (2026). Association between global positioning system-based training load and injury risk in recreational runners: A large prospective study. Journal of Athletic Training, 61(5), 341–347. https://doi.org/10.4085/1062-6050-0030.25

Frandsen, J. S. B., Hulme, A., Parner, E. T., Møller, M., Lindman, I., Abrahamson, J., Simonsen, N. S., Jacobsen, J. S., Ramskov, D., Skejø, S., Malisoux, L., Bertelsen, M. L., & Nielsen, R. O. (2025). How much running is too much? Identifying high-risk running sessions in a 5200-person cohort study. British Journal of Sports Medicine, 59(17), 1203–1210. https://doi.org/10.1136/bjsports-2024-109380

Goldberg, M., Le Mat, Y., Metra, M., de Sousa, T., Edouard, P., Millet, G. Y., Pairot de Fontenay, B., & Debarnot, U. (2025). Poor sleep quality is associated with an increased risk of running-related injuries: A prospective study of 339 runners over six months. Scandinavian Journal of Medicine & Science in Sports, 35(11), Artículo e70164. https://doi.org/10.1111/sms.70164

Senthil, K., Whitaker, S., Nazarov, M., Cassidy, B., Edge, C., Cyrus, J., O’Neill, C., & Goodloe, J. (2026). Common risk factors for knee injuries in runners: A systematic review. Orthopaedic Journal of Sports Medicine, 14(5). https://doi.org/10.1177/23259671261444314