A PRISMA-guided systematic review of musculoskeletal modelling approaches in lower-limb cycling biomechanics

Esta revisión sistemática guiada por PRISMA analiza 28 estudios sobre modelado musculoesquelético en ciclismo de extremidades inferiores, revelando una gran variabilidad en las metodologías, una falta de estandarización en los informes y una validación limitada, lo que subraya la necesidad urgente de mejorar la transparencia, la diversidad de participantes y la rigurosidad en la investigación futura.

Lo esencial

Imagina que el ciclismo es como un gran misterio. Sabemos lo que pasa por fuera: el ciclista gira las piernas, la bicicleta avanza y el velocímetro marca la velocidad. Pero lo que ocurre por dentro (los músculos tensándose, las articulaciones soportando peso, los tendones estirándose) es un secreto que los ojos no pueden ver y las máquinas normales no pueden medir fácilmente.

Para descubrir esos secretos, los científicos usan simulaciones por computadora. Piensa en ellas como "videojuegos de física superrealistas" donde crean un ciclista digital. Pueden apretar un botón y decir: "¿Qué pasaría si cambiamos la altura del sillín?" o "¿Qué pasa si el ciclista tiene una lesión?". La computadora calcula las fuerzas internas invisibles.

Este artículo es como un gran reporte de detectives que revisó 28 de estos "videojuegos" científicos creados entre 2010 y 2024. Los autores querían saber: ¿Cómo están jugando los científicos? ¿Están usando las reglas correctas? ¿Podemos confiar en sus resultados?

Aquí tienes los hallazgos principales, explicados de forma sencilla:

1. ¿Para qué sirven estos "videojuegos"?

La mayoría de los estudios usan estas simulaciones para tres cosas:

• Ajustar la bicicleta: Como un sastre midiendo a un cliente, pero para bicicletas. Buscan la posición perfecta del sillín o el manillar para que el ciclista vaya más rápido o no se lastime.
• Entender los músculos: Quieren saber cómo trabajan los músculos en equipo, como una orquesta, para pedalear eficientemente.
• Ayudar a pacientes: Para personas con lesiones o que usan estimulación eléctrica (como un "marcapasos" para los músculos), las simulaciones ayudan a diseñar mejores terapias.

2. El problema de la "Caja de Jugadores" (Demografía)

Aquí es donde la historia se pone un poco triste. Imagina que quieres diseñar un traje para todo el mundo, pero solo probas el modelo en hombres jóvenes y atléticos.

• De los 272 participantes en todos estos estudios, casi todos eran hombres (más del 70%).
• Muy pocas mujeres, y casi ningún adulto mayor o persona con una enfermedad crónica.
• La metáfora: Es como si todas las recetas de cocina del mundo estuvieran hechas solo para personas que aman el picante, y luego nos sorprendemos de que a alguien que no le gusta el picante no le gusten. Necesitamos "recetas" para todos los tipos de cuerpos y edades.

3. El problema de las "Recetas Secretas" (Transparencia)

Los científicos usaron diferentes "motores" de videojuego (programas como OpenSim, AnyBody o sus propios códigos).

• El problema: Muchos investigadores dicen: "Hicimos una simulación increíble", pero no dejan ver el código ni los detalles de cómo la construyeron. Es como si un chef dijera: "Hice un pastel delicioso" pero se negara a decirte los ingredientes o el tiempo de horneado.
• La consecuencia: Si no puedes ver la receta, nadie puede probarla, mejorarla o confiar en ella al 100%. Solo un puñado de estudios compartió sus "recetas" (códigos) públicamente.

4. La "Prueba de Fuego" (Validación)

Cuando un científico hace una simulación, debe compararla con la realidad para ver si es cierta.

• Lo que hicieron: La mayoría comparó sus resultados con datos de movimiento (cómo se mueven las piernas).
• Lo que faltó: Pocos compararon las fuerzas internas (lo que realmente importa) con datos reales. Es como si un arquitecto diseñara un puente y solo mirara si la pintura se ve bien, pero nunca calculara si el puente aguantará el peso de los coches.
• Además, casi nadie midió cosas biológicas reales como el consumo de oxígeno o la fatiga muscular durante la simulación.

5. ¿Qué nos dicen los resultados?

El informe concluye que, aunque la tecnología es impresionante y nos ayuda a entender el ciclismo, todavía estamos en una etapa de "niños aprendiendo a caminar".

• Falta de reglas claras: Cada científico hace las cosas a su manera, lo que hace difícil comparar estudios.
• Falta de diversidad: Necesitamos más mujeres, más edades y más tipos de cuerpos en los estudios.
• Falta de honestidad: Necesitamos que los científicos compartan sus códigos y datos para que todos puedan verificar el trabajo.

En resumen

Este artículo es un llamado a la acción. Dice: "¡Muy bien, hemos creado estos videojuegos increíbles! Pero ahora necesitamos jugar con reglas más claras, incluir a todos los tipos de jugadores en nuestra caja de personajes, y compartir nuestras recetas para que la ciencia avance de verdad".

El objetivo final es que estas simulaciones no sean solo ejercicios de laboratorio, sino herramientas reales que ayuden a ciclistas profesionales a ganar medallas, a pacientes a recuperarse de lesiones y a cualquiera a pedalear de forma más segura y eficiente.

Resumen técnico

A continuación se presenta un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Una revisión sistemática guiada por PRISMA de los enfoques de modelado musculoesquelético en la biomecánica del ciclismo de extremidades inferiores

1. Problema y Justificación

El ciclismo es una actividad fundamental en el deporte, la rehabilitación y la salud clínica. Si bien los estudios experimentales han proporcionado una comprensión detallada de la cinemática y la coordinación articular, las mediciones experimentales tienen limitaciones inherentes: no pueden medir directamente variables internas críticas como las fuerzas musculares y las cargas articulares.
Las simulaciones musculoesqueléticas (MSK) permiten estimar estas variables internas y realizar investigaciones de "qué pasaría si" (predictivas). Sin embargo, existe una falta de claridad sobre cómo se aplican, validan y estandarizan estas simulaciones en la literatura actual. La diversidad metodológica (marcos de modelado, estrategias de control, protocolos de ciclismo) y la falta de transparencia en la información dificultan la comparación de resultados, la reproducibilidad y la generalización de los hallazgos, especialmente en poblaciones diversas.

2. Metodología

La revisión siguió las directrices PRISMA 2020 para asegurar la rigurosidad en la selección y síntesis de la literatura.

• Fuentes de datos: Se realizaron búsquedas en Scopus, PubMed, IEEE Xplore y Web of Science el 1 de agosto de 2024.
• Criterios de inclusión:
  • Artículos revisados por pares en inglés (2010–2024).
  • Uso de simulaciones musculoesqueléticas para analizar la biomecánica interna de las extremidades inferiores en el ciclismo.
  • Se excluyeron estudios que solo utilizaran cinemática inversa sin modelado musculoesquelético, o que no se centraran en el ciclismo.
• Proceso de selección: De 1.006 registros iniciales, tras eliminar duplicados y realizar cribados por título, resumen y texto completo, se seleccionaron 28 estudios que cumplieron todos los criterios.
• Extracción de datos: Se extrajeron variables sobre objetivos del estudio, características de los participantes, protocolos de ciclismo, configuración del modelo (anatomía, grados de libertad, software), métodos computacionales, funciones de costo, análisis de sensibilidad y prácticas de validación.
• Nota metodológica: No se realizó evaluación formal de riesgo de sesgo ni síntesis cuantitativa (meta-análisis), dado el objetivo de mapear prácticas metodológicas en lugar de efectos de intervención.

3. Contribuciones Clave

El estudio ofrece la primera síntesis sistemática centrada exclusivamente en simulaciones musculoesqueléticas aplicadas al ciclismo, identificando:

• Un panorama de las tendencias metodológicas y las lagunas en la validación.
• Una caracterización de la diversidad demográfica de los participantes en estos estudios.
• Un análisis crítico de la transparencia en la publicación de modelos y código.
• La identificación de brechas entre las prácticas actuales y las necesidades de aplicaciones clínicas y deportivas reales.

4. Resultados Principales

• Aplicaciones y Objetivos:

  • Los estudios se centraron principalmente en: optimización de la configuración bicicleta-ciclista (53.6%), análisis de coordinación neuromuscular (64.3%) y aplicaciones de rehabilitación/FES (32.1%).
  • La mayoría de los estudios se centraron en la optimización de parámetros geométricos (altura de sillín, longitud de biela) más que en la predicción de movimientos emergentes.

• Características de los Participantes (Sesgo Demográfico):

  • Se analizaron datos de 272 participantes.
  • Sesgo de género: El 72.8% eran hombres y solo el 17.6% mujeres.
  • Perfil: Predominancia de adultos jóvenes (24-30 años), sanos y recreativos o entrenados. Las poblaciones clínicas (ej. lesión medular, osteoartritis) estaban subrepresentadas (<7%).

• Modelado y Complejidad:

  • Variabilidad extrema: Los modelos oscilaron desde modelos de una sola pierna en 2D hasta modelos de cuerpo completo en 3D con hasta 286 unidades músculo-tendinosas.
  • Falta de estandarización: Aproximadamente el 50% de los estudios no especificaron claramente los grados de libertad (DOF) utilizados o si el modelo estaba adaptado al ciclismo.
  • Software: OpenSim fue la plataforma más usada (57.1%), seguida de software personalizado (25%) y AnyBody (14.3%).
  • Reproducibilidad: Solo el 14.3% de los estudios hicieron públicos sus modelos o códigos, a pesar del uso de herramientas de código abierto.

• Datos Experimentales y Validación:

  • El 100% de los estudios con datos experimentales reportaron cinemática, pero solo el 73.9% incluyeron datos cinéticos (fuerzas).
  • Los datos de activación neuromuscular (EMG) se utilizaron en solo el 26.1% de los estudios.
  • Validación débil: La validación se basó frecuentemente en valores de la literatura o comparaciones cinemáticas simples. Ningún estudio validó directamente las cargas articulares simuladas contra medidas experimentales de resistencia.

• Estrategias Computacionales:

  • La optimización estática (32.1%) fue el método más común, seguido de la dinámica hacia adelante y el control óptimo (cada uno 17.9%).
  • Funciones de costo: El 77.3% de los estudios con optimización utilizaron la minimización de la actividad o el esfuerzo muscular como objetivo principal, con poca incorporación de objetivos fisiológicos (energía metabólica) o de rendimiento.
  • Análisis de sensibilidad: Aunque la mayoría de los estudios variaron parámetros, estos cambios fueron mayoritariamente exploratorios y no constituyeron análisis de sensibilidad sistemáticos o cuantificación de incertidumbre.

5. Significado y Conclusiones

Esta revisión revela que, aunque el campo de la simulación del ciclismo es técnicamente diverso, adolece de inconsistencias metodológicas que limitan su utilidad práctica y científica:

1. Falta de Generalización: La dependencia de muestras pequeñas, predominantemente masculinas y jóvenes, limita la aplicabilidad de los hallazgos a mujeres, personas mayores o poblaciones clínicas.
2. Crisis de Reproducibilidad: La falta de estandarización en la descripción de modelos (DOF, escalado) y la escasa disponibilidad de código impiden la verificación independiente y la comparación justa entre estudios.
3. Validación Insuficiente: La ausencia de validación rigurosa de las variables internas (fuerzas musculares, cargas articulares) contra datos experimentales de alta calidad genera incertidumbre sobre la precisión de las predicciones.
4. Recomendaciones Futuras:
   • Adoptar estándares de reporte más estrictos (incluyendo modelos y código).
   • Incluir poblaciones diversas y equilibradas por sexo.
   • Avanzar hacia simulaciones predictivas completas y control óptimo en lugar de depender solo de métodos inversos.
   • Realizar análisis de sensibilidad sistemáticos y cuantificación de incertidumbre.
   • Desarrollar modelos personalizados para aplicaciones clínicas y de rehabilitación.

En resumen, el campo necesita evolucionar de la exploración técnica aislada hacia prácticas estandarizadas, transparentes y validadas para que las simulaciones musculoesqueléticas puedan impactar realmente en el diseño de equipamiento, la prevención de lesiones y la rehabilitación clínica.