Predicción de la calidad del sueño en atletas de baloncesto mediante un marco de aprendizaje profundo con mecanismo de atención basado en datos multimodales

Por qué el sueño importa para los deportistas estudiantes

Para los jugadores universitarios de baloncesto, las sesiones de estudio nocturnas, los entrenamientos a primera hora de la mañana y los partidos de alta presión a menudo coinciden, dejando poco espacio para un buen descanso. Sin embargo, el sueño es cuando el cuerpo repara los músculos, la mente consolida el aprendizaje y las emociones se estabilizan. Este estudio plantea una pregunta práctica con grandes implicaciones para la salud y el rendimiento de los jugadores: ¿podemos usar pruebas sencillas y cuestionarios que los equipos ya recopilan—como puntuaciones de condición física, peso corporal y niveles de estrés—para señalar automáticamente qué atletas corren riesgo de dormir mal?

Mirando al atleta en su conjunto

En lugar de centrarse en un único número, como horas dormidas o la lectura de un dispositivo portátil, los investigadores tomaron una visión amplia de lo que condiciona el sueño. Trabajaron con equipos universitarios de baloncesto de ocho provincias de China y recolectaron datos de 379 jugadores. Cada atleta completó cuestionarios psicológicos estándar sobre ansiedad y estrés percibido, una encuesta de calidad del sueño ampliamente usada y un formulario en línea sobre edad, sexo, curso y antecedentes de entrenamiento. Al mismo tiempo, el personal de educación física midió la estatura, el peso, la capacidad pulmonar, la velocidad en sprints, la potencia de salto, pruebas de fuerza como dominadas o abdominales y la resistencia en pista. Esta combinación creó un perfil rico de cuerpo y mente para cada jugador.

Transformar los datos en niveles de riesgo de sueño

Para que los resultados fueran útiles a entrenadores y personal sanitario, los investigadores agruparon a los jugadores en tres categorías según las puntuaciones del cuestionario de sueño: buen sueño, problemas moderados y mal sueño. Casi la mitad de los atletas se ubicaron en el grupo de sueño deficiente, lo que subraya lo comunes que son los problemas de sueño en el deporte universitario. El equipo limpió y estandarizó los datos, completó los valores faltantes y usó esos perfiles para entrenar varios modelos computacionales. Métodos tradicionales como la regresión logística y enfoques basados en árboles se compararon con un modelo de aprendizaje profundo más flexible llamado perceptrón multicapa con atención. Este modelo puede aprender qué piezas de información merecen más “atención” a la hora de predecir, permitiéndole ponderar factores físicos, psicológicos y de antecedentes de manera diferencial.

Lo que aprendió el modelo inteligente

El modelo basado en atención funcionó algo mejor que los modelos tradicionales al clasificar a los atletas en los tres grupos de sueño. Su precisión global fue de aproximadamente el 73%, con un equilibrio notablemente mayor al identificar correctamente cada grupo que el alcanzado por otros métodos. Sin embargo, la mejora fue modesta más que dramática, y el modelo tuvo más dificultades con el grupo intermedio, “moderado”, donde el sueño no es claramente bueno ni claramente malo. Esto sugiere que los casos limítrofes son genuinamente difíciles de distinguir con las mediciones actuales. Cuando los investigadores probaron técnicas que reequilibran artificialmente los datos—dando peso extra a casos poco representados o creando ejemplos sintéticos—el modelo mejoró en reconocer ese grupo moderado, aunque con un pequeño coste en la precisión global.

Pistas desde el cuerpo y la mente

Para evitar un sistema de “caja negra”, el estudio también examinó en qué características parecía apoyarse más el modelo. Se emplearon dos herramientas complementarias: el mecanismo de atención dentro de la red, que destaca dónde se centra el modelo, y un método llamado SHAP, que estima cuánto empuja cada factor las predicciones hacia un sueño mejor o peor. A través de estas perspectivas, la carga psicológica—especialmente la ansiedad y el estrés percibido—se destacó como fuertemente vinculada al sueño deficiente. El índice de masa corporal (una relación simple entre peso y altura) y varias medidas de condición física, como la fuerza del tren superior y la capacidad pulmonar, también desempeñaron un papel importante, junto con el curso académico y la frecuencia de entrenamiento. Muchas pruebas individuales de aptitud mostraron solo vínculos directos débiles con el sueño al analizarse una por una, pero en conjunto añadían información útil, especialmente cuando se combinaban con medidas de salud mental.

Qué significa esto para los equipos

Para entrenadores, preparadores físicos y el personal de salud universitario, el mensaje principal no es que una computadora pueda diagnosticar de forma definitiva quién duerme mal, sino que los datos diarios pueden ayudar a identificar a los atletas que podrían necesitar una vigilancia más estrecha. El enfoque de aprendizaje profundo aportó mejoras pequeñas pero estadísticamente fiables frente a modelos más simples, y dejó claro que la ansiedad, el estrés y el peso se encuentran entre las señales de advertencia más informativas. Dado que el modelo rinde peor para los dormidores “intermedios”, los autores recomiendan usarlo como herramienta de cribado y triaje: identificar a los jugadores de mayor riesgo y luego hacer seguimiento con conversaciones, evaluaciones más detalladas y, si procede, atención profesional. Trabajos futuros que incorporen información sobre comportamiento y horarios—como consumo de cafeína, tiempo frente a pantallas por la noche y horarios de entrenamiento—podrían afinar estas predicciones y ayudar a los equipos a proteger mejor tanto el rendimiento como la salud a largo plazo.

Cita: Liu, L., Miao, J. Sleep quality prediction in basketball athletes using a deep learning framework with an attention mechanism based on multimodal data. Sci Rep 16, 11900 (2026). https://doi.org/10.1038/s41598-026-42147-1

Palabras clave: sueño de los atletas, rendimiento en baloncesto, psicología del deporte, aprendizaje automático salud, deportistas universitarios