#corr <- round(cor(dfBAdif %>% select(-CODE) %>% rename(SODIO=`NA`)),1)
#ggcorrplot(corr, hc.order = TRUE, type = "lower",
#   lab = TRUE)

Objetivos

  1. Las lesiones se relacionan con picos de cortisol (semana arriba o abajo) intrasujeto. Regresión logística.

Hay tres épocas especialmente interesantes:

Se quieren comparar los valores principalmente hormonas en las tres épocas. ANOVA de medidas repetidas

  1. Relación entre lesión durante la temporada y los cambios en la bioquímica (BA) entre inicio y fin de la temporada. La lesión se puede interpretar como: Aparicíon, Número de lesiones, Tiempo lesionado, Recidiba (LOS NA son CERO).

Idem para lesiones de tipo MUSCULAR.

Idem para mecanismos de la lesión (SOBRECARGA, etc,…)

  1. En Performance tenemos el numero de partidos jugados y la suma de minutos. Queremos estudiar la relación entre variables de rendimiento dentro de la posición que le toca al jugador y niveles de testosterona.

Resultados

1. Las lesiones se relacionan con picos de cortisol (semana arriba o abajo) intrasujeto

Como las lesiones aparecen en fechas concretas, vamos en primer lugar a convertir la base de datos con datos de cortisol a un formato tidy donde la fecha de la medida de Cortisol sea muy aparente.

Formato Actual

dfC %>% select(1:7) %>% head()
## # A tibble: 6 × 7
##   CODE  C_basal_temporada C_pre_18_8 C_post_18_8 C_pre_26_8 C_pre_30_8 C_pre_7_9
##   <chr>             <dbl>      <dbl>       <dbl>      <dbl>      <dbl>     <dbl>
## 1 COD1               4.8        3.99        2.88       3.23       4.3       5.6 
## 2 COD10              3.36       3.61        3.08       2.87       5.72      5.69
## 3 COD11              7          4.32        3.96       2.87       7.38      4.86
## 4 COD12             11.9        6.37        4.97       4.63       5.95      9.16
## 5 COD13              8.4        3.21        3.26       3.18       8.14      6.32
## 6 COD16              5.8        3.92        3          3.15       5.8       5.79
dfClong=dfC %>% rename(C_pre_12_8=C_basal_temporada) %>% select(CODE,contains("_pre_")) %>% pivot_longer(-CODE) %>% 
  mutate(mesDia=str_replace(name,"C_pre_([0-9]+)_([0-9]+)","\\2-\\1")) %>% 
  separate(col = "mesDia",into = c("mes","dia"),sep = "-") %>% 
  mutate(mes=as.integer(mes),dia=as.integer(dia),ano=as.integer(ifelse(mes>=7,2022,2023))) %>% 
  mutate(Fecha=make_date(month = mes,day = dia, year=ano)) %>% 
  select(CODE,Fecha,Cortisol=value) %>% filter(complete.cases(.))

dfClong %>% head()
## # A tibble: 6 × 3
##   CODE  Fecha      Cortisol
##   <chr> <date>        <dbl>
## 1 COD1  2022-08-12     4.8 
## 2 COD1  2022-08-18     3.99
## 3 COD1  2022-08-26     3.23
## 4 COD1  2022-08-30     4.3 
## 5 COD1  2022-09-07     5.6 
## 6 COD1  2022-09-15     6.29
dfTlong=dfT %>% rename(T_pre_12_8=T_basal_temporada) %>% select(CODE,contains("_pre_")) %>% pivot_longer(-CODE) %>% 
  mutate(mesDia=str_replace(name,"T_pre_([0-9]+)_([0-9]+)","\\2-\\1")) %>% 
  separate(col = "mesDia",into = c("mes","dia"),sep = "-") %>% 
  mutate(mes=as.integer(mes),dia=as.integer(dia),ano=as.integer(ifelse(mes>=7,2022,2023))) %>% 
  mutate(Fecha=make_date(month = mes,day = dia, year=ano)) %>% 
  select(CODE,Fecha,Testosterona=value) %>% filter(complete.cases(.))

dfTlong %>% head()
## # A tibble: 6 × 3
##   CODE  Fecha      Testosterona
##   <chr> <date>            <dbl>
## 1 COD1  2022-08-12          298
## 2 COD1  2022-08-18          254
## 3 COD1  2022-08-26          277
## 4 COD1  2022-08-30          287
## 5 COD1  2022-09-07          267
## 6 COD1  2022-09-15          250

Una vez tenemos los datos en formato tidy, los exploramos visualmente, teniendo en cuenta que hay tres ÉPOCAS:

  • E1 => 20/9
  • E2 => 25/1
  • E3 => Hasta final
fechasCorte=ymd(c("2022-07-01","2022-09-20","2023-01-25","2023-07-01"))
#dfClong$Epoca=str_c("E",dfClong$Fecha %>% cut(breaks=fechasCorte,labels=FALSE,right=T,left=T))
#dfTlong$Epoca=str_c("E",dfTlong$Fecha %>% cut(breaks=fechasCorte,labels=FALSE,right=T,left=T))
ultimaFecha=max(dfClong$Fecha,dfTlong$Fecha)+20
dfClong %>% ggplot(aes(x=Fecha,y=Cortisol,color=CODE)) +
  geom_line()+
  geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 15))+
   theme(legend.position = "top")

dfTlong %>% ggplot(aes(x=Fecha,y=Testosterona,color=CODE)) +
  geom_line()+
  geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 15))+
   theme(legend.position = "top")

Ahora vamos a tomar nota de las lesiones y vamos a emparejarlos con los valores de cortisol más cercanos. Aquí habría varias posibilidades, pero comencemos por ahí.

dfInj$RECUPARATED[is.na(dfInj$RECUPARATED)]=ultimaFecha

dfInjCortisol=dfInj %>% mutate(Cortisol=pmap_dbl(.,function(CODE,DATE,...){
  Codigo=CODE
  solucion=dfClong %>% filter(CODE==Codigo) %>% filter(Fecha<=DATE) %>% select(Cortisol) %>% pull() %>% last()
  
  if(is.na(solucion)){
      solucion=dfClong %>% filter(CODE==Codigo) %>% filter(Fecha>=DATE) %>% select(Cortisol) %>% pull() %>% first()
  }
    solucion
  }
  )) %>% select(CODE,Cortisol,everything())

dfInjTestosterona=dfInj %>% mutate(Testosterona=pmap_dbl(.,function(CODE,DATE,...){
  Codigo=CODE
  solucion=dfTlong %>% filter(CODE==Codigo) %>% filter(Fecha<=DATE) %>% select(Testosterona) %>% pull() %>% last()
  
  if(is.na(solucion)){
      solucion=dfTlong %>% filter(CODE==Codigo) %>% filter(Fecha>=DATE) %>% select(Testosterona) %>% pull() %>% first()
  }
    solucion
  }
  )) %>% select(CODE,Testosterona,everything())
dfCortisolDuranteLesion=dfClong %>% left_join(dfInj,by = "CODE",multiple="all") %>% 
  filter(!is.na(DATE)) %>% 
  filter(as.numeric(difftime(Fecha,DATE,units="days"))>=-7,
        as.numeric(difftime(Fecha,RECUPARATED,units="days"))<=7) %>% 
  select(CODE,DATE,RECUPARATED,Fecha,everything()) %>% arrange(CODE,DATE,Fecha) %>% 
  group_by(CODE,Fecha) %>% summarise_all(first) %>%
  ungroup() %>% 
  mutate(idLesion=as.integer(as.factor(str_c(CODE,"-",DATE))))



dfTestosteronaDuranteLesion=dfTlong %>% left_join(dfInj,by = "CODE",multiple="all") %>% 
  filter(!is.na(DATE)) %>% 
  filter(as.numeric(difftime(Fecha,DATE,units="days"))>=-7,
        as.numeric(difftime(Fecha,RECUPARATED,units="days"))<=7) %>% 
  select(CODE,DATE,RECUPARATED,Fecha,everything()) %>% arrange(CODE,DATE,Fecha) %>% 
  group_by(CODE,Fecha) %>% summarise_all(first) %>%
  ungroup() %>% 
  mutate(idLesion=as.integer(as.factor(str_c(CODE,"-",DATE))))

Representamos lesiones y cortisol

# dfCortisolLesion=dfClong %>% 
#   left_join(dfCortisolDuranteLesion) %>% 
#   mutate(Lesionado=!is.na(DATE) & DATE<=Fecha)

#dfCortisolLesion %>% filter(CODE=="COD4")

dfCortisolLesionAltPre=dfClong %>% bind_rows(dfInjCortisol %>% mutate(Fecha=DATE)) %>% 
  arrange(CODE,Fecha,DATE) %>% group_by(CODE,Fecha) %>% summarise_all(first)%>% ungroup()


dfCortisolDuranteLesionAlt=dfCortisolLesionAltPre %>% select(CODE,Fecha,Cortisol) %>% left_join(dfInj,by = "CODE",multiple="all") %>%
  filter(!is.na(DATE)) %>% 
  filter(as.numeric(difftime(Fecha,DATE,units="days"))>=-7*0,
        as.numeric(difftime(Fecha,RECUPARATED,units="days"))<=7) %>% 
  select(CODE,DATE,RECUPARATED,Fecha,everything()) %>% arrange(CODE,DATE,Fecha) %>% 
  group_by(CODE,Fecha) %>% summarise_all(first) %>%
  ungroup() %>% 
  mutate(idLesion=as.integer(as.factor(str_c(CODE,"-",DATE))))


dfCortisolLesion=dfCortisolDuranteLesionAlt %>% bind_rows(dfCortisolLesionAltPre) %>% 
  arrange(CODE,Fecha,DATE) %>% group_by(CODE,Fecha) %>% summarise_all(first) %>% ungroup() %>% 
  mutate(Lesionado=(!is.na(DATE)))
dfTestosteronaLesionAltPre=dfTlong %>% bind_rows(dfInjTestosterona %>% mutate(Fecha=DATE)) %>% 
  arrange(CODE,Fecha,DATE) %>% group_by(CODE,Fecha) %>% summarise_all(first)%>% ungroup()


dTestosteronaDuranteLesionAlt=dfTestosteronaLesionAltPre %>% select(CODE,Fecha,Testosterona) %>% left_join(dfInj,by = "CODE",multiple="all") %>%
  filter(!is.na(DATE)) %>% 
  filter(as.numeric(difftime(Fecha,DATE,units="days"))>=-7*0,
        as.numeric(difftime(Fecha,RECUPARATED,units="days"))<=7) %>% 
  select(CODE,DATE,RECUPARATED,Fecha,everything()) %>% arrange(CODE,DATE,Fecha) %>% 
  group_by(CODE,Fecha) %>% summarise_all(first) %>%
  ungroup() %>% 
  mutate(idLesion=as.integer(as.factor(str_c(CODE,"-",DATE))))


dfTestosteronaLesion=dTestosteronaDuranteLesionAlt %>% bind_rows(dfTestosteronaLesionAltPre) %>% 
  arrange(CODE,Fecha,DATE) %>% group_by(CODE,Fecha) %>% summarise_all(first) %>% ungroup() %>% 
  mutate(Lesionado=(!is.na(DATE)))
dfGPS_C=dfGPS %>% select(CODE,Fecha,Sesion,Puesto)
dfGPS_N=dfGPS %>% select(-Sesion,-Puesto)
dfGPS_Nlong=dfGPS_N %>% pivot_longer(-c(CODE,Fecha,Repeticion)) %>% 
  group_by(name) %>% mutate(Z=as.numeric(scale(value))) %>% 
  group_by(name,CODE) %>% 
  mutate(ZP=as.numeric(scale(value))) %>%
  ungroup()

Este es el historial de todas las lesiones registradas según que la variabilidad en Cortisol (alta o baja):

dfCortisolLesion  %>% ggplot(aes(x=Fecha,y=Cortisol)) +
  geom_line(aes(color=CODE),alpha=0.5)+
  geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  geom_line(data=dfCortisolDuranteLesion,aes(group=as.factor(idLesion),color=CODE),linewidth=2,alpha=0.5)+
  geom_point(data=dfCortisolDuranteLesion,size=3,alpha=0.5)+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 15))+
   theme(legend.position = "top")

dfTestosteronaLesion  %>% ggplot(aes(x=Fecha,y=Testosterona)) +
  geom_line(aes(color=CODE),alpha=0.5)+
  geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  geom_line(data=dfTestosteronaDuranteLesion,aes(group=as.factor(idLesion),color=CODE),linewidth=2,alpha=0.5)+
  geom_point(data=dfTestosteronaDuranteLesion,size=3,alpha=0.5)+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 15))+
   theme(legend.position = "top")

Y ahora las lesiones para cada individuo, indicando Mecanismo y Etiología

dfCortisolLesion  %>% ggplot(aes(x=Fecha,y=Cortisol)) +
  geom_line(alpha=0.5)+
  geom_point(alpha=0.5)+
  geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  geom_line(data=dfCortisolDuranteLesionAlt,aes(color=MECHANISM,group=idLesion),linewidth=2,alpha=0.5)+
  geom_point(data=dfCortisolDuranteLesionAlt,aes(pch=ETHIOLOGY,color=MECHANISM),size=3,alpha=0.5)+
  facet_wrap(~CODE,ncol=1)+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 5))+
   theme(legend.position = "top")

dfTestosteronaLesion  %>% ggplot(aes(x=Fecha,y=Testosterona)) +
  geom_line(alpha=0.5)+
  geom_point(alpha=0.5)+
  geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  geom_line(data=dfTestosteronaDuranteLesion,aes(color=MECHANISM,group=idLesion),linewidth=2,alpha=0.5)+
  geom_point(data=dfTestosteronaDuranteLesion,aes(pch=ETHIOLOGY,color=MECHANISM),size=3,alpha=0.5)+
  facet_wrap(~CODE,ncol=1)+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 5))+
   theme(legend.position = "top")
## `geom_line()`: Each group consists of only one observation.
## ℹ Do you need to adjust the group aesthetic?

Eliminamos los periodos donde los jugadores están lesionados y solo nos quedaos con el periodo donde está sano hasta que ocurre la lesión.

dfCortisolLesionSano=dfCortisolLesion %>% filter(Lesionado==FALSE) %>% bind_rows(
dfCortisolLesion %>% arrange(CODE,Fecha) %>% filter(Lesionado==TRUE) %>% group_by(idLesion) %>% 
  summarise_all(first)) %>% 
  arrange(CODE,Fecha)

dfTestosteronaLesionSano=dfCortisolLesion %>% filter(Lesionado==FALSE) %>% bind_rows(
dfTestosteronaLesion %>% arrange(CODE,Fecha) %>% filter(Lesionado==TRUE) %>% group_by(idLesion) %>% 
  summarise_all(first)) %>% 
  arrange(CODE,Fecha)
dfCortisolLesionSano=dfCortisolLesion%>% filter(!Lesionado) %>% bind_rows(
dfCortisolLesion %>% filter(Lesionado) %>% group_by(idLesion) %>% summarise_all(first)) %>% 
  arrange(CODE,Fecha) %>%
#  filter((!Lesionado & is.na(idLesion)) | Lesionado) %>% 
  ungroup() %>% 
  arrange(CODE,Fecha) %>% 
  mutate(racha=DATE) %>% 
  fill(racha,.direction="up") %>% 
  mutate(racha=as.integer(as.factor(str_c(CODE,"-",racha)))) %>% 
  select(CODE,Fecha,DATE,Lesionado,racha,everything())
dfTestosteronaLesionSano=dfTestosteronaLesion%>% filter(!Lesionado) %>% bind_rows(
dfTestosteronaLesion %>% filter(Lesionado) %>% group_by(idLesion) %>% summarise_all(first)) %>% 
  arrange(CODE,Fecha) %>%
#  filter((!Lesionado & is.na(idLesion)) | Lesionado) %>% 
  ungroup() %>% 
  arrange(CODE,Fecha) %>% 
  mutate(racha=DATE) %>% 
  fill(racha,.direction="up") %>% 
  mutate(racha=as.integer(as.factor(str_c(CODE,"-",racha)))) %>% 
  select(CODE,Fecha,DATE,Lesionado,racha,everything())

Y esto deberían ser los periodos de cada jugador que terminan o no con Lesión.

dfCortisolLesionSano   %>% ggplot(aes(x=Fecha,y=Cortisol,group=racha)) +
  geom_line(alpha=0.5)+
  geom_point(alpha=0.5)+
  geom_text(data=dfPartidos %>% mutate(racha=1,Cortisol=15), aes(x=Fecha,y=Cortisol,label=Resultado))+
  geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  geom_point(data=dfCortisolLesionSano %>% filter(Lesionado),aes(pch=ETHIOLOGY,color=MECHANISM),size=3,alpha=0.5)+
  facet_wrap(~CODE,ncol=1)+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 5))+
   theme(legend.position = "top")

dfTestosteronaLesionSano   %>% ggplot(aes(x=Fecha,y=Testosterona,group=racha)) +
  geom_line(alpha=0.5)+
  geom_point(alpha=0.5)+
  geom_text(data=dfPartidos %>% mutate(racha=1,Testosterona=500), aes(x=Fecha,y=Testosterona,label=Resultado))+
  geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  geom_point(data=dfTestosteronaLesionSano %>% filter(Lesionado),aes(pch=ETHIOLOGY,color=MECHANISM),size=3,alpha=0.5)+
  facet_wrap(~CODE,ncol=1)+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 5))+
   theme(legend.position = "top")

Regresiones logísticas

Algunos aálisis de regresión logística en bruto. En estos se busca asociación entre valores altos de Cortisol y lesión, donde en lo de “alto” no se tiene en cuenta que cada jugador tal vez tenga su propios valores “altos”. No se considera el nivel medio de cada jugador ni se extraen periodos difíciles para ellos.

dfCortisolTestosterona=dfCortisolLesionSano %>% inner_join(dfTestosteronaLesionSano %>% select(CODE,Fecha,Testosterona))
## Joining with `by = join_by(CODE, Fecha)`
glm(Lesionado ~ Cortisol+Testosterona,data=dfCortisolTestosterona) %>% summary()
## 
## Call:
## glm(formula = Lesionado ~ Cortisol + Testosterona, data = dfCortisolTestosterona)
## 
## Deviance Residuals: 
##      Min        1Q    Median        3Q       Max  
## -0.18840  -0.06735  -0.05213  -0.04455   0.96436  
## 
## Coefficients:
##               Estimate Std. Error t value Pr(>|t|)  
## (Intercept)  1.718e-02  3.280e-02   0.524   0.6007  
## Cortisol     7.283e-03  3.086e-03   2.360   0.0185 *
## Testosterona 4.726e-06  9.265e-05   0.051   0.9593  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for gaussian family taken to be 0.05668437)
## 
##     Null deviance: 40.396  on 709  degrees of freedom
## Residual deviance: 40.076  on 707  degrees of freedom
## AIC: -17.996
## 
## Number of Fisher Scoring iterations: 2
glm(Lesionado ~ Cortisol+Testosterona,data=dfCortisolTestosterona %>% filter(MECHANISM=="SOBRECARGA")) %>% summary()
## 
## Call:
## glm(formula = Lesionado ~ Cortisol + Testosterona, data = dfCortisolTestosterona %>% 
##     filter(MECHANISM == "SOBRECARGA"))
## 
## Deviance Residuals: 
##        Min          1Q      Median          3Q         Max  
## -1.332e-15  -1.110e-15  -1.110e-15  -8.882e-16  -4.441e-16  
## 
## Coefficients:
##                Estimate Std. Error    t value Pr(>|t|)    
## (Intercept)   1.000e+00  1.078e-15  9.275e+14   <2e-16 ***
## Cortisol     -1.509e-17  9.172e-17 -1.650e-01    0.871    
## Testosterona  2.198e-18  3.194e-18  6.880e-01    0.501    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for gaussian family taken to be 1.339903e-30)
## 
##     Null deviance: 0.0000e+00  on 19  degrees of freedom
## Residual deviance: 2.2778e-29  on 17  degrees of freedom
## AIC: -1314.2
## 
## Number of Fisher Scoring iterations: 1
glm(Lesionado ~ Cortisol,data=dfCortisolLesionSano %>% filter(ETHIOLOGY=="LIGAMENTOSA")) %>% summary()
## 
## Call:
## glm(formula = Lesionado ~ Cortisol, data = dfCortisolLesionSano %>% 
##     filter(ETHIOLOGY == "LIGAMENTOSA"))
## 
## Deviance Residuals: 
##       Min         1Q     Median         3Q        Max  
## -2.22e-16  -2.22e-16  -2.22e-16   0.00e+00   0.00e+00  
## 
## Coefficients:
##              Estimate Std. Error   t value Pr(>|t|)    
## (Intercept) 1.000e+00  2.004e-16 4.991e+15   <2e-16 ***
## Cortisol    4.039e-17  2.912e-17 1.387e+00    0.215    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for gaussian family taken to be 4.108651e-32)
## 
##     Null deviance: 0.0000e+00  on 7  degrees of freedom
## Residual deviance: 2.4652e-31  on 6  degrees of freedom
## AIC: -551.76
## 
## Number of Fisher Scoring iterations: 1
glm(Lesionado ~ Cortisol+Testosterona,data=dfCortisolTestosterona %>% filter(ETHIOLOGY=="MUSCULAR")) %>% summary()
## 
## Call:
## glm(formula = Lesionado ~ Cortisol + Testosterona, data = dfCortisolTestosterona %>% 
##     filter(ETHIOLOGY == "MUSCULAR"))
## 
## Deviance Residuals: 
##       Min         1Q     Median         3Q        Max  
## 4.441e-16  7.494e-16  8.327e-16  9.159e-16  1.110e-15  
## 
## Coefficients:
##                Estimate Std. Error   t value Pr(>|t|)    
## (Intercept)   1.000e+00  6.331e-16  1.58e+15   <2e-16 ***
## Cortisol      9.431e-19  5.005e-17  1.90e-02    0.985    
## Testosterona -1.624e-18  1.718e-18 -9.46e-01    0.352    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for gaussian family taken to be 7.803602e-31)
## 
##     Null deviance: 0.000e+00  on 31  degrees of freedom
## Residual deviance: 2.263e-29  on 29  degrees of freedom
## AIC: -2122.8
## 
## Number of Fisher Scoring iterations: 1
glm(Lesionado ~ Cortisol+Testosterona,data=dfCortisolTestosterona %>% filter(ETHIOLOGY %in% c("MUSCULAR","LIGAMENTOSA") )) %>% summary()
## 
## Call:
## glm(formula = Lesionado ~ Cortisol + Testosterona, data = dfCortisolTestosterona %>% 
##     filter(ETHIOLOGY %in% c("MUSCULAR", "LIGAMENTOSA")))
## 
## Deviance Residuals: 
##       Min         1Q     Median         3Q        Max  
## 1.110e-15  1.332e-15  1.443e-15  1.665e-15  1.887e-15  
## 
## Coefficients:
##                Estimate Std. Error    t value Pr(>|t|)    
## (Intercept)   1.000e+00  9.987e-16  1.001e+15   <2e-16 ***
## Cortisol     -9.694e-18  8.255e-17 -1.170e-01    0.907    
## Testosterona -1.770e-18  2.405e-18 -7.360e-01    0.466    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## (Dispersion parameter for gaussian family taken to be 2.443203e-30)
## 
##     Null deviance: 0.0000e+00  on 39  degrees of freedom
## Residual deviance: 9.0399e-29  on 37  degrees of freedom
## AIC: -2609
## 
## Number of Fisher Scoring iterations: 1
list(RachasCortisolLesion=dfCortisolTestosterona %>% select(CODE,Fecha,Cortisol,Testosterona,Lesionado,everything())) %>% openxlsx::write.xlsx("CortisolTestosteronaLesiones.xlsx")
ggplot(dfCortisolTestosterona,aes(x=Cortisol,y=Testosterona,color=CODE))+geom_point(alpha=0.2)+
  geom_smooth(method="lm",se=FALSE)
## `geom_smooth()` using formula = 'y ~ x'

ggplot(dfCortisolTestosterona,aes(y=Cortisol,x=Testosterona,color=CODE))+geom_point(alpha=0.2)+
  geom_smooth(method="lm",se=FALSE)
## `geom_smooth()` using formula = 'y ~ x'

ggplot(dfCortisolTestosterona,aes(x=Cortisol,y=Testosterona,color=!is.na(DATE)))+geom_point()+
  geom_smooth(method="lm",se=FALSE)+
  facet_wrap(~CODE,ncol=5)
## `geom_smooth()` using formula = 'y ~ x'

Comparaciones de lo que ocurre en las diferentes ÉPOCAS

El número de variables es enorme cada una con sus propias unidades, así que una buena primera idea es tipificarlas todas poniendo su media en cero y desviación en uno.

Por otro lado si lo que nos interesa es comparar épocas, podría ser interesante tomar los cambios en los individuos con respecto a sí mismos, es decir, estandarizar dentro de los propios individuos. Esto no es necesario, pero puede añadir algo más de claridad.

gfC=dfCortisolLesionSano %>% select(CODE,Fecha,Cortisol) %>% mutate(name="Cortisol",value=Cortisol) %>%  select(-Cortisol)
gfT=dfTestosteronaLesionSano %>% select(CODE,Fecha,Testosterona) %>% mutate(name="Testosterona",value=Testosterona) %>% select(-Testosterona)
gfCC=dfCC %>% pivot_longer(-c(CODE,Fecha))

gfRaw=gfC %>% bind_rows(gfT) %>% bind_rows(gfCC) %>% filter(!name %in% c("ALTURA","MUÑECA","FEMUR","P.GEMELO12","P.MUSLO14","P.MUSLO4","P.MUSLO5","P.MUSLO9","P.OSEO","P.MEDIAL MUSLO","P.MEDIAL MUSLO10",
                                                                         "P.GEMELO","P.MEDIAL MUSLO6","P.VASTO","P.VASTO7","P.VASTO11",
                                                                         "P.GEMELO8","P.VASTO 11","P.VASTO 7"))

gfZ=gfRaw %>% group_by(name) %>% mutate(Z=as.numeric(scale(value))) %>% 
  group_by(name,CODE) %>% mutate(ZP=as.numeric(scale(value))) %>% ungroup() %>% 
  mutate(Fecha=as.Date(Fecha)) %>% 
  mutate(Epoca=str_c("E",Fecha %>% cut(breaks=fechasCorte,labels=FALSE,right=T,left=T)))
gfZ %>% ggplot(aes(y=ZP,x=Epoca,fill=Epoca)) + 
  geom_jitter(alpha=0.25,pch=".")+
  geom_boxplot(alpha=0.5)+
  geom_signif(comparisons = list(c("E1", "E2"),c("E2", "E3")),map_signif_level = TRUE)+
  facet_wrap(~name,ncol=5)
## Warning: Removed 93 rows containing non-finite values (`stat_boxplot()`).
## Warning: Removed 93 rows containing non-finite values (`stat_signif()`).
## Warning: Removed 93 rows containing missing values (`geom_point()`).

Hay diferencias entre las cargas de entrenamiento de cada semana competitiva dependiendo de los resultados del partido de esa semana

Esto se puede interpretar de dos modos, dependiendo de que nos refiramos a los entrenamientos antes del partido o después del partido. También hay que saber qué es carga de entrenamiento. ¿Testosterona? ¿Cortisol? ¿Las variables %Agua?

De momento va con testosterona y Cortisol.

dgPost <- fuzzy_left_join(dfPartidos, gfZ,
                             by = c("Fecha","Fecha"),
                             match_fun = list(`<`)) %>%
  group_by(Fecha.x,CODE,name) %>%
  filter(Fecha.y == min(Fecha.y)) %>%
  ungroup() %>% rename(Fecha=Fecha.x,FechaPost=Fecha.y)


dgPre <- fuzzy_left_join(dfPartidos, gfZ,
                             by = c("Fecha","Fecha"),
                             match_fun = list(`>=`)) %>%
  group_by(Fecha.x,CODE,name) %>%
  filter(Fecha.y == max(Fecha.y)) %>%
  ungroup()%>% rename(Fecha=Fecha.x,FechaPre=Fecha.y)

dgDif=dgPre %>% inner_join(dgPost,by=c("Fecha","Resultado","Puntos","Acumulado","CODE","name","Epoca")) %>% 
  filter(as.numeric(FechaPost-FechaPre)<=14) %>% 
  mutate(ZPdif=ZP.y-ZP.x)
dhPre <- fuzzy_left_join(dfPartidos, dfGPS_Nlong,
                             by = c("Fecha","Fecha"),
                             match_fun = list(`>=`)) %>%
  group_by(Fecha.x,CODE,name) %>%
  filter(Fecha.y == max(Fecha.y)) %>%
  ungroup()%>% 
  rename(Fecha=Fecha.x,FechaPre=Fecha.y) %>%
  mutate(Epoca=str_c("E",Fecha %>% cut(breaks=fechasCorte,labels=FALSE,right=T,left=T)))

Tras cada partido hay una primera medición de Testosterona y Cortisol cuando el jugador no se ha lesionado. Esta es la distribución de los valores, indicándose en color el resultado de ese partido justo anterior.

dgPost %>% filter(name %in%c("Testosterona","Cortisol"))  %>% ggplot(aes(x=Fecha,y=ZP,group=Fecha,fill=Resultado)) +
  geom_boxplot()+
  facet_wrap(~name,ncol=1)+
    geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
  scale_fill_manual(values=c("D"="Gray","L"="darkred","W"="darkgreen"))+
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 5))+
   theme(legend.position = "top")

Lo mismo pero observando los valores justo antes del partido. El color representa el resultado del partido.

dgPre %>% filter(name %in%c("Testosterona","Cortisol"))  %>% ggplot(aes(x=Fecha,y=ZP,group=Fecha,fill=Resultado)) +
  geom_boxplot()+
  facet_wrap(~name,ncol=1)+
    geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
  scale_fill_manual(values=c("D"="Gray","L"="darkred","W"="darkgreen"))+
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 5))+
   theme(legend.position = "top")

Aquí miramos la diferencia que hay entre la medida anterior y posterior del partido para jugadores que no se han lesionado.

dgDif %>% filter(name %in%c("Testosterona","Cortisol"))  %>% ggplot(aes(x=Fecha,y=ZPdif,group=Fecha,fill=Resultado)) +
  geom_boxplot()+
  facet_wrap(~name,ncol=1)+
    geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
  scale_fill_manual(values=c("D"="Gray","L"="darkred","W"="darkgreen"))+
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 5))+
   theme(legend.position = "top")

Comparaciones de los valores PREVIOS según resultado del partido

dgPre %>% ggplot(aes(x=Resultado,y=ZP,fill=Resultado))+
  geom_jitter(alpha=0.25,pch=".")+
  geom_boxplot(alpha=0.5)+
  facet_wrap(~name,ncol=4)+
  scale_fill_manual(values=c("D"="gray","L"="darkred","W"="darkgreen"))+
  theme(legend.position = "top")+
  geom_signif(comparisons = list(c("L", "W")),map_signif_level = TRUE,y_position=4)
## Warning: Removed 86 rows containing non-finite values (`stat_boxplot()`).
## Warning: Removed 86 rows containing non-finite values (`stat_signif()`).
## Warning: Removed 86 rows containing missing values (`geom_point()`).

Comparaciones de los valores POSTERIORES según resultado del partido

dgPost %>% ggplot(aes(x=Resultado,y=ZP,fill=Resultado))+
  geom_jitter(alpha=0.25,pch=".")+
  geom_boxplot(alpha=0.5)+
  facet_wrap(~name,ncol=4)+
  scale_fill_manual(values=c("D"="gray","L"="darkred","W"="darkgreen"))+
  theme(legend.position = "top")+
  geom_signif(comparisons = list(c("L", "W")),map_signif_level = TRUE,y_position=4)
## Warning: Removed 98 rows containing non-finite values (`stat_boxplot()`).
## Warning: Removed 98 rows containing non-finite values (`stat_signif()`).
## Warning: Removed 98 rows containing missing values (`geom_point()`).

Comparaciones de los valores entre PRE y POST partido según resultado del partido

Lo pongo por que lo tenemos. Es dificil de interpretar aquí por que todo “PRE” es también un “POST” de otro partido.

dgDif %>% ggplot(aes(x=Resultado,y=ZPdif,fill=Resultado))+
  geom_jitter(alpha=0.25,pch=".")+
  geom_boxplot(alpha=0.5)+
  facet_wrap(~name,ncol=4)+
    scale_fill_manual(values=c("D"="gray","L"="darkred","W"="darkgreen"))+
  theme(legend.position = "top")+
  geom_signif(comparisons = list(c("L", "W")),map_signif_level = TRUE,y_position=4)
## Warning: Removed 72 rows containing non-finite values (`stat_boxplot()`).
## Warning: Removed 72 rows containing non-finite values (`stat_signif()`).
## Warning: Removed 72 rows containing missing values (`geom_point()`).

Las diferencia o no de las cargas de entrenamiento para cada entrenador comparando los unos con los otros.

Esto está hecho anteriormente. Lo interpretaremos como que queremos añadir las comparaciones entre entrenadores según el tipo de resultado. Aquí habría que ver qué comparaciones realmente nos interesa hacer, por que habría dos factores a estudiar, el entrenador y el resultado del partido.

Comparación entre entrenadores y según tipo de resultado

Usando las mediciones PRE partido

dgPre %>% ggplot(aes(x=Epoca,y=ZP,fill=Resultado))+
  #geom_jitter(alpha=0.25,pch=".")+
  geom_boxplot(alpha=0.5,position = "dodge2")+
  facet_wrap(~name,ncol=4)+
    scale_fill_manual(values=c("D"="gray","L"="darkred","W"="darkgreen"))+
  theme(legend.position = "top")
## Warning: Removed 86 rows containing non-finite values (`stat_boxplot()`).

  #geom_signif(comparisons = list(c("L", "W")),map_signif_level = TRUE,y_position=4)

Usando las mediciones POST partido

dgPost %>% ggplot(aes(x=Epoca,y=ZP,fill=Resultado))+
  #geom_jitter(alpha=0.25,pch=".")+
  geom_boxplot(alpha=0.5,position = "dodge2")+
  facet_wrap(~name,ncol=4)+
    scale_fill_manual(values=c("D"="gray","L"="darkred","W"="darkgreen"))+
  theme(legend.position = "top")
## Warning: Removed 98 rows containing non-finite values (`stat_boxplot()`).

  #geom_signif(comparisons = list(c("L", "W")),map_signif_level = TRUE,y_position=4)

Valores GPS y resultado del partido

A lo largo de la temporada esta es lo que se ha recogido, estandarizando la variable dentro de cada jugador. Habría que ver si sería bueno sacar a los porteros de aquí y qué hacer cuando tenemos dos mediciones de un jugador en el mismo dia (Quedarnos solo con la primera?). Esta es la primera aproximación:

dhPre  %>% ggplot(aes(x=Fecha,y=ZP,group=Fecha,fill=Resultado)) +
  geom_boxplot()+
  facet_wrap(~name,ncol=1)+
    geom_vline(data=data.frame(xintercept=fechasCorte),aes(xintercept=xintercept), linetype="dashed", color = "red")+
  scale_x_date(date_breaks = "1 week", date_labels = "%Y-%m-%d") +
  scale_fill_manual(values=c("D"="Gray","L"="darkred","W"="darkgreen"))+
  theme_minimal()+
    theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
    guides(color = guide_legend(ncol = 5))+
   theme(legend.position = "top")
## Warning: Removed 280 rows containing non-finite values (`stat_boxplot()`).

Simplifiquémolo a la relación con resultados del partido, ignorando las fechas:

dhPre %>% ggplot(aes(x=Resultado,y=ZP,fill=Resultado))+
  geom_jitter(alpha=0.25,pch=".")+
  geom_boxplot(alpha=0.5)+
  facet_wrap(~name,ncol=4)+
  scale_fill_manual(values=c("D"="gray","L"="darkred","W"="darkgreen"))+
  theme(legend.position = "top")+
  geom_signif(comparisons = list(c("L", "W")),map_signif_level = TRUE,y_position=4)
## Warning: Removed 280 rows containing non-finite values (`stat_boxplot()`).
## Warning: Removed 280 rows containing non-finite values (`stat_signif()`).
## Warning: Removed 280 rows containing missing values (`geom_point()`).

Desglosemos los resultados anteriores según épocas de entrenador:

dhPre %>% ggplot(aes(x=Epoca,y=ZP,fill=Resultado))+
  #geom_jitter(alpha=0.25,pch=".")+
  geom_boxplot(alpha=0.5,position = "dodge2")+
  facet_wrap(~name,ncol=4)+
    scale_fill_manual(values=c("D"="gray","L"="darkred","W"="darkgreen"))+
  theme(legend.position = "top")
## Warning: Removed 280 rows containing non-finite values (`stat_boxplot()`).

  #geom_signif(comparisons = list(c("L", "W")),map_signif_level = TRUE,y_position=4)

Relación entre el tipo de entrenamiento y hormonas C y T

Hay dias con dos tipos de entrenamiento diferente. Promediar no es evidente que sea la solución con ellos. Voy a quedarme con los dias en los que solo hay un entrenamiento, que son la inmensa mayoría:

dfGPS_C1=dfGPS_C %>% count(CODE,Fecha) %>% filter(n==1)
dfGPS_C1 %>% nrow()
## [1] 2925
dfGPS_CT=dfGPS_C1 %>% inner_join(dfGPS_C) %>% 
  inner_join(gfZ %>% filter(name %in% c("Testosterona","Cortisol")),by = join_by(CODE, Fecha))
## Joining with `by = join_by(CODE, Fecha)`
## Warning in inner_join(., gfZ %>% filter(name %in% c("Testosterona", "Cortisol")), : Each row in `x` is expected to match at most 1 row in `y`.
## ℹ Row 25 of `x` matches multiple rows.
## ℹ If multiple matches are expected, set `multiple = "all"` to silence this
##   warning.

Nos hemos quedado con muchas menos mediciones por no coincidir en el mismo dia las mediciones. Más adelante haremos una unión permitiendo ciertas distancia hacia delante y detrás.

Vamos a explorar tipo de entrenamiento y hormonas cuando se hacen las mediciones el mismo dia y solo hay un tipo de entrenamiento ese dia:

dfGPS_CT 
## # A tibble: 955 × 10
##    CODE  Fecha          n Sesion       Puesto name   value       Z      ZP Epoca
##    <chr> <date>     <int> <chr>        <chr>  <chr>  <dbl>   <dbl>   <dbl> <chr>
##  1 COD10 2022-08-18     1 Técnico-tác… Pivote Cort…   3.61 -0.740  -0.373  E1   
##  2 COD10 2022-08-18     1 Técnico-tác… Pivote Test… 302     0.0245 -0.760  E1   
##  3 COD10 2022-08-26     1 Prepartido   Pivote Cort…   2.87 -0.994  -0.869  E1   
##  4 COD10 2022-08-26     1 Prepartido   Pivote Test… 340     0.417  -0.233  E1   
##  5 COD10 2022-08-30     1 Preventivo-… Pivote Cort…   5.72 -0.0147  1.04   E1   
##  6 COD10 2022-08-30     1 Preventivo-… Pivote Test… 320     0.210  -0.511  E1   
##  7 COD10 2022-09-07     1 F.dirigida-… Pivote Cort…   5.69 -0.0250  1.02   E1   
##  8 COD10 2022-09-07     1 F.dirigida-… Pivote Test… 352     0.540  -0.0665 E1   
##  9 COD10 2022-09-15     1 Técnico-tác… Pivote Cort…   6.37  0.209   1.47   E1   
## 10 COD10 2022-09-15     1 Técnico-tác… Pivote Test… 330     0.313  -0.372  E1   
## # … with 945 more rows
dfGPS_CT %>% ggplot(aes(x=name,y=ZP,fill=name))+
  geom_jitter(alpha=0.25,pch=".")+
  geom_boxplot(alpha=0.5)+
  facet_wrap(~Sesion,ncol=4)+
#  scale_fill_manual(values=c("D"="gray","L"="darkred","W"="darkgreen"))+
  theme(legend.position = "top")

Hay tantos tipos de entrenamiento que tal vez deberíamos recodificarlos en otras categorías.

Cargas de Entrenamiento Y Hormonas según posición donde juegan

Vamos a empezar viendo la descriptiva por posición centrándonos en el entrenamiento antes del partido. No es la única posibilidad, pero por mantener el que la posición se le asigna al jugador en GPS, y buscamos la más cercana para hormonas.

dfGPSHormonasLong=dfGPS_Nlong %>% left_join(dfGPS_C,by = join_by(CODE, Fecha)) %>% 
  bind_rows(dfGPS_CT)
## Warning in left_join(., dfGPS_C, by = join_by(CODE, Fecha)): Each row in `x` is expected to match at most 1 row in `y`.
## ℹ Row 9 of `x` matches multiple rows.
## ℹ If multiple matches are expected, set `multiple = "all"` to silence this
##   warning.
dfGPSHormonasLong %>% ggplot(aes(x=Puesto,y=Z,fill=Puesto))+
  geom_jitter(alpha=0.1)+
  coord_cartesian(ylim=c(-4,4))+
  geom_boxplot(alpha=0.5)+
  facet_wrap(~name,ncol=3)+
     theme(legend.position = "top")

qq=dfGPSHormonasLong  %>% filter(Repeticion==0 | is.na(Repeticion)) %>% 
  filter(name %in% c("Duration","Testosterona","Cortisol")) %>% arrange(CODE,Fecha,name)

ww=qq %>% count(CODE,Fecha) %>% filter(n==3) %>% select(-n) %>%  
  inner_join( qq  %>% select(CODE,Fecha,name,ZP)) %>% 
  arrange(CODE,Fecha,name) %>% 
  select(CODE,Fecha,name,ZP)  %>% 
  pivot_wider(names_from="name",values_from = "ZP",id_cols = c("CODE","Fecha"))
## Joining with `by = join_by(CODE, Fecha)`
## Warning in inner_join(., qq %>% select(CODE, Fecha, name, ZP)): Each row in `x` is expected to match at most 1 row in `y`.
## ℹ Row 1 of `x` matches multiple rows.
## ℹ If multiple matches are expected, set `multiple = "all"` to silence this
##   warning.
corr=cor(ww %>% select(-CODE,-Fecha))
p.mat=cor_pmat(ww %>% select(-CODE,-Fecha))

La matriz de correlaciones:

corr
##                 Cortisol    Duration Testosterona
## Cortisol      1.00000000 -0.06438283   0.06389939
## Duration     -0.06438283  1.00000000   0.03551336
## Testosterona  0.06389939  0.03551336   1.00000000

Y la de los “p”:

p.mat
##               Cortisol  Duration Testosterona
## Cortisol     0.0000000 0.1603457    0.1635150
## Duration     0.1603457 0.0000000    0.4390298
## Testosterona 0.1635150 0.4390298    0.0000000

No es nada interesante