🧬 biology

Data-driven computational framework for personalized training plans in cycling

Este estudio propone un marco computacional modular y basado en datos que automatiza la generación de planes de entrenamiento de ciclismo personalizados mediante la integración de una novedosa métrica de rendimiento continuo, modelos de regresión avanzada para capturar las relaciones dosis-respuesta individuales y optimización por evolución diferencial para maximizar el rendimiento futuro.

Autores originales: Tom Van Deuren, Louis Van Gaelen, Thomas Servotte, Tim Verdonck

Publicado 2026-10-05

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Tom Van Deuren, Louis Van Gaelen, Thomas Servotte, Tim Verdonck

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Durante décadas, el camino hacia la mejora atlética ha sido una mezcla de datos duros e intuición humana. Los ciclistas y sus entrenadores han dependido durante mucho tiempo de dispositivos portátiles que rastrean cada vatio de potencia generado y cada latido del corazón, creando un flujo masivo de información sobre cómo responde el cuerpo al esfuerzo. Tradicionalmente, dar sentido a estos datos requería que un entrenador analizara los números, aplicara su experiencia y trazara manualmente un plan para la siguiente semana o mes. Si bien este enfoque funciona, deja una vasta cantidad de potencial sin explotar, dependiendo de conjeturas en lugar de un cálculo sistemático de lo que el cuerpo necesita a continuación. El desafío central en la ciencia del deporte moderna ya no es solo la recopilación de datos, sino determinar cómo convertir ese historial de esfuerzo en una prescripción precisa para el éxito futuro, pasando de simplemente observar a un atleta a guiarlo matemáticamente hacia su máximo nivel.

Un equipo de investigadores de la Universidad de Amberes ha desarrollado un nuevo marco computacional diseñado para automatizar este proceso para los ciclistas. En lugar de pedirle a un entrenador que interprete los datos, construyeron un sistema que aprende del entrenamiento pasado de un atleta para predecir su rendimiento futuro y luego calcula el plan de entrenamiento exacto necesario para alcanzar un objetivo específico. El sistema comienza creando una medida continua de la condición física que no requiere que el atleta visite un laboratorio o realice pruebas máximas agotadoras. Al analizar la relación entre la potencia de salida y la frecuencia cardíaca durante recorridos regulares y submáximos, el sistema estima qué tan apto está el ciclista en cualquier momento dado. Esta métrica, derivada enteramente de los datos diarios ya recopilados por los sensores del corredor, permite una visión constante y actualizada de la condición fisiológica sin la interrupción de pruebas frecuentes e invasivas.

Una vez que el sistema tiene una medida fiable de la condición física actual, analiza el historial de entrenamiento para comprender cómo se construyó esa condición. Examina no solo la cantidad total de trabajo realizado, sino también la intensidad, la duración y cómo se distribuyó el esfuerzo a través de diferentes zonas de exigencia. Los investigadores probaron cuatro enfoques matemáticos diferentes para modelar la relación entre este historial de entrenamiento y el rendimiento resultante. Descubrieron que no existe una única fórmula que funcione para todas las personas. Para algunos atletas, una relación simple y lineal entre la carga de entrenamiento y el rendimiento era suficiente para realizar predicciones precisas. Para otros, la respuesta del cuerpo era mucho más compleja, requiriendo modelos no lineales sofisticados para capturar los matices de cómo se adaptan. Este descubrimiento resalta una limitación crítica de las teorías de entrenamiento de "talla única": la mejor manera de predecir el rendimiento depende enteramente de la fisiología única de cada atleta.

Con un modelo predictivo adaptado al atleta específico, el marco de trabajo invierte el proceso. En lugar de preguntar "¿cuál será mi condición física si hago este entrenamiento?", pregunta "¿qué entrenamientos debo hacer para maximizar mi condición física en una fecha futura?". Utilizando un algoritmo de optimización avanzado, el sistema busca entre millones de combinaciones posibles de duración, intensidad y distribución de entrenamiento para encontrar el mejor plan. En sus pruebas, este enfoque generó prescripciones de entrenamiento que, en promedio, podrían conducir a un aumento del 5,5 por ciento en el rendimiento en comparación con los métodos de planificación estándar. El sistema es lo suficientemente flexible como para priorizar diferentes objetivos; puede configurarse para maximizar la potencia bruta o para gestionar el equilibrio entre la forma física y la fatiga, permitiendo una estrategia altamente personalizada.

El estudio, que analizó datos de dieciocho ciclistas durante periodos prolongados, confirma que este enfoque basado en datos es viable y efectivo. Los investigadores validaron su métrica de condición física frente a pruebas de laboratorio y encontraron que rastreaba las tendencias fisiológicas con precisión, aunque señalaron que podría ser menos estable durante los periodos de descanso cuando los datos de entrenamiento son escasos. Los resultados sugieren que el futuro del entrenamiento de resistencia reside en sistemas modulares que puedan adaptar sus modelos matemáticos al individuo, en lugar de forzar a cada atleta a entrar en un marco rígido. Al cerrar la brecha entre predecir cómo responderá un atleta y prescribir exactamente qué debe hacer, este marco ofrece una nueva vía para la optimización del rendimiento. Aunque actualmente se demuestra en el ciclismo, la lógica subyacente está diseñada para ser aplicable a otros deportes de resistencia, sugiriendo un futuro donde el Big Data se transforme de un registro del pasado en una guía precisa para el futuro.

Resumen Técnico: Marco computacional basado en datos para planes de entrenamiento personalizados en ciclismo

Planteamiento del Problema
A pesar de la proliferación de la tecnología vestible (wearable) en el ciclismo, que genera conjuntos de datos longitudinales masivos, la transición del monitoreo descriptivo hacia la toma de decisiones prescriptiva basada en datos sigue sin realizarse. Los planes de entrenamiento actuales se diseñan predominantemente mediante la interpretación manual de expertos en lugar de la optimización matemática. Además, los métodos existentes para evaluar el rendimiento dependen de pruebas de laboratorio invasivas e infrecuentes (p. ej., umbrales de lactato, $VO_2max$ ) o esfuerzos máximos de campo (p. ej., pruebas de FTP) que interrumpen los ciclos de entrenamiento. Existe una falta distintiva de sistemas capaces de determinar matemáticamente las intervenciones de entrenamiento óptimas para alcanzar objetivos de rendimiento específicos, lo que deja un vacío entre la analítica predictiva y la ciencia del deporte prescriptiva.

Metodología
Los autores proponen un marco computacional modular diseñado para automatizar la generación de planes de entrenamiento personalizados. El marco consta de cuatro pasos secuenciales e intercambiables:

Definición de la Métrica de Rendimiento Continua:
En lugar de depender de pruebas de laboratorio discretas, el estudio introduce una métrica continua, PO@HRtarget (Potencia de Salida a la Frecuencia Cardíaca Objetivo). Esta métrica se deriva de datos de sensores submáximos longitudinales (potencia de salida y frecuencia cardíaca).
- Cálculo: Filtra los esfuerzos dentro de un rango de frecuencia cardíaca personalizado centrado en el percentil 60 de la FC. Descarta los primeros 5 minutos (para contabilizar el retraso de la frecuencia cardíaca) y los datos después de 60 minutos (para evitar la deriva cardiovascular).
- Normalización: Los valores de potencia se interpolan linealmente a una frecuencia cardíaca objetivo ( $HR_{target}$ ) utilizando la frecuencia cardíaca en reposo y la frecuencia cardíaca de esfuerzo como límites.
- Agregación: Para una fecha determinada, la métrica agrega los valores de potencia corregidos de las cuatro semanas anteriores, aplicando una media recortada (eliminando el 20% superior e inferior) y limitando los valores contra rangos históricos para asegurar la robustez.
Ingeniería de Características (Feature Engineering):
Se extraen características de los datos de los entrenamientos para cuantificar la carga y el tipo de entrenamiento, centrándose específicamente en variables que pueden ser prescritas. Estas incluyen:
- Métricas de Carga: Carga de Entrenamiento Crónica (CTL), Carga de Entrenamiento Aguda (ATL), Carga de Duración Crónica/Aguda (CDL/ADL) y Carga de Intensidad Crónica (CIL), calculadas utilizando promedios con decaimiento exponencial con constantes de tiempo específicas (p. ej., $\tau=56$ para CTL).
- Distribución de Intensidad: El Índice de Polarización (PI), derivado de la proporción de tiempo pasado en tres zonas de frecuencia cardíaca (por debajo de LT1, entre LT1/LT2, y por encima de LT2).
Modelado Predictivo:
El marco entrena modelos de regresión para predecir la métrica PO@HRtarget basándose en las características extraídas. Se evalúan cuatro arquitecturas para capturar diversas relaciones de dosis-respuesta:
- Lasso: Un modelo lineal con regularización L1.
- Random Forest (RF): Un método de ensamble no lineal.
- XGBoost: Un marco de potenciación de gradiente (gradient boosting).
- RaFFLE (Random Forest Featuring Linear Extensions): Un modelo novedoso que combina bosques aleatorios con árboles de modelos lineales.
- Robustez: Para manejar el ruido en los datos de campo, los modelos priorizan la robustez sobre la minimización estándar de mínimos cuadrados, utilizando el Error Absoluto Medio (MAE) como objetivo de optimización y limitando las predicciones basándose en la Desviación Absoluta de la Mediana (MAD).
Optimización Prescriptiva:
Se emplea un algoritmo de Evolución Diferencial para invertir los modelos predictivos. El algoritmo busca un conjunto de parámetros del plan de entrenamiento que maximice el rendimiento futuro predicho (PO@HRtarget) o el Balance de Estrés de Entrenamiento (TSB).
- Parámetros: La optimización varía cuatro parámetros semanales: la fracción de incremento de carga, la desviación estándar de la duración, la cantidad de días de descanso y el índice de polarización.
- Traducción: Estos parámetros se traducen en planes de entrenamiento diarios (duración, intensidad y distribución de zonas) utilizando restricciones como la relación inversa entre intensidad y duración ( $IF \leq 0.9d^{-1}$ ).

Resultados Clave

Validación de la Métrica: La validación frente a pruebas de umbral de lactato de laboratorio en cuatro ciclistas profesionales mostró que la PO@HRtarget rastrea eficazmente las tendencias fisiológicas, aunque exhibió inestabilidad tras periodos de descanso debido al bajo volumen de datos.
Desempeño del Modelo: En 18 atletas, los modelos alcanzaron un Error Absoluto Medio (MAE) promedio fuera de la muestra entre 5 y 10 vatios. Esta magnitud de error es comparable a la incertidumbre intrínseca de medición de los medidores de potencia comerciales ( $\pm 1.5\%$ ).
Variabilidad Inter-Sujeto: Ninguna arquitectura de modelo única funcionó mejor para todos los atletas. Los modelos lineales (Lasso) fueron suficientes para algunos, mientras que para otros se requirieron ensambles no lineales (RF, RaFFLE), validando la necesidad de una arquitectura modular y flexible.
Importancia de las Características: El análisis SHAP y los gráficos de importancia de características identificaron consistentemente las características crónicas (p. ej., CTL) como los predictores dominantes del rendimiento, mientras que la distribución de la intensidad (PI) y la carga de intensidad (CIL) proporcionaron un valor secundario.
Resultados de la Optimización: La optimización prescriptiva demostró un aumento potencial de rendimiento promedio del 5.5% al apuntar a la PO@HRtarget, con un cambio correspondiente de TSB promedio de +1.21. Al apuntar directamente al TSB, el cambio de rendimiento fue insignificante (-0.1%), pero el TSB aumentó significamente (+13.20).

Significancia y Reivindicaciones
El artículo afirma cerrar la brecha entre la analítica predictiva y la toma de decisiones prescriptiva en la ciencia del deporte. Sus principales contribuciones son:

Un Marco Modular: A diferencia de las soluciones rígidas, el marco permite la selección independiente de métricas de rendimiento, modelos predictivos y estrategias de optimización, adaptándose a las diversas características fisiológicas de cada atleta individual.
Monitoreo Continuo: Al derivar métricas de rendimiento a partir de los datos de entrenamiento submáximos diarios, el marco elimina la carga logística y la interrupción del entrenamiento asociadas con las pruebas frecuentes de laboratorio o de campo máximas.
Prescripción Automatizada: Demuestra una vía para pasar del análisis retrospectivo a la prescripción de entrenamiento prospectiva y basada en datos, generando planes optimizados que maximizan objetivos de rendimiento específicos.
Escalabilidad: Aunque se validó con datos de ciclismo, los autores afirman que la metodología es agnóstica al deporte y escalable a otras disciplinas de resistencia, ofreciendo un mecanismo para aprovechar el big data para la optimización del rendimiento individualizado.

Los autores mantienen un tono modesto respecto a las limitaciones, señalando que el marco actual genera planes estáticos basados en datos históricos sin bucles de retroalimentación en tiempo real para la recuperación diaria (p. ej., HRV, sueño) y que la precisión de las prescripciones depende de la calidad de los metadatos del atleta (p. ej., estimaciones precisas de FTP y umbrales).

Más como este