Non-invasive lactate threshold estimation using deep learning: practical applications across endurance sports
Este estudio demuestra que un modelo de aprendizaje profundo puede estimar con precisión la frecuencia cardíaca en el umbral de lactato de 2 mmol·L⁻¹ a través de la carrera, el ciclismo, el remo y el kayak, superando a los métodos tradicionales dentro de deportes específicos pero requiriendo una validación específica para cada deporte debido a la reducción de la precisión de generalización entre diferentes disciplinas.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Durante décadas, entrenadores y científicos del deporte han dependido de un único número crítico para diseñar el entrenamiento de los atletas de resistencia: el punto en el que el combustible del cuerpo cambia de una combustión eficiente a un estado de acumulación de fatiga. Este momento, conocido como el umbral de lactato, marca la intensidad donde el ácido láctico comienza a acumularse en la sangre más rápido de lo que los músculos pueden eliminarlo. Para encontrar este punto preciso, los atletas se someten tradicionalmente a una prueba de laboratorio extenuante. Corren o pedalean a velocidades crecientes mientras un técnico les pincha el dedo repetidamente para extraer sangre, midiendo los niveles de ácido después de cada etapa. Si bien este método es el estándar de oro en cuanto a precisión, es invasivo, costoso y requiere equipo y personal especializados. Para muchos corredores recreativos, atletas jóvenes o pacientes en entornos clínicos, esta barrera significa que simplemente no pueden acceder a los datos necesarios para entrenar de manera efectiva. La pregunta ha sido durante mucho tiempo si es posible predecir este umbral utilizando únicamente los datos de frecuencia cardíaca y velocidad recolectados durante una prueba estándar, sin necesidad de extraer jamás una gota de sangre.
Un equipo de investigadores se propuso responder a esto construyendo un sofisticado modelo computacional capaz de aprender los patrones ocultos entre el rendimiento de un atleta y sus límites fisiológicos. En lugar de depender de fórmulas simples que se han utilizado durante años, emplearon un sistema de aprendizaje profundo, un tipo de inteligencia artificial que puede analizar sec sequences complejas de datos para encontrar relaciones que los humanos podrían pasar por alto. El equipo alimentó el modelo con datos de 823 pruebas de ejercicio distintas que involucraron a más de 800 atletas de ambos sexos. Estas pruebas cubrieron cuatro disciplinas de resistencia distintas: carrera a pie, ciclismo, remo y kayak. Para cada prueba, se le mostró al modelo la frecuencia cardíaca del atleta y su velocidad o producción de potencia en cada etapa, junto con su edad y sexo, y se le pidió que predijera la frecuencia cardíaca exacta donde su lactato en sangre alcanzaría un nivel específico y fijo de dos milimoles por litro. Los investigadores luego compararon las predicciones del modelo con los resultados reales de las pruebas de sangre para ver qué tan cerca estaba.
Los resultados mostraron que, dentro de los deportes que el modelo había estudiado, podía estimar el umbral con una precisión notable. En promedio, el error de la suposición del modelo fue de solo unos 5.5 latidos por minuto. Para poner esto en perspectiva, este nivel de error es comparable a la variación natural observada cuando el mismo atleta realiza exactamente la misma prueba de sangre dos veces seguidas bajo condiciones de laboratorio. El modelo computacional superó significativamente a los mejores métodos no invasivos existentes, los cuales se basan en curvas matemáticas trazadas a través de los puntos de datos. Esos métodos antiguos solían tener un error de casi nueve latidos por minuto, una diferencia que fácilmente podría empujar a un atleta hacia la zona de entrenamiento incorrecta. El nuevo modelo resultó particularmente efectivo para corredores, remeros y ciclistas, donde identificó con éxito el umbral para la gran mayoría de los participantes, situándose a menudo dentro de un rango que sería útil para la guía de entrenamiento general.
Sin embargo, el estudio también reveló una limitación clara: el modelo no funciona automáticamente para todos los deportes. Cuando los investigadores probaron el sistema con atletas de un deporte que no había visto durante su entrenamiento, la precisión disminuyó dramente. Esto fue más evidente en el kayak, un deporte que depende en gran medida de la fuerza de la parte superior del cuerpo, donde la tasa de error fue más del doble en comparación con los deportes dominantes de piernas. Los investigadores investigaron si este fallo se debía simplemente a que tenían menos pruebas de kayak en sus datos o si la fisiología del paleo es fundamentalmente diferente a la de la carrera o el ciclismo. Su análisis sugirió que ambos factores probablemente juegan un papel, aunque no pudieron separar definitivamente los dos con los datos actuales. El modelo tuvo mayores dificultades con el grupo más pequeño, lo que indica que necesita una cantidad sustancial de ejemplos específicos para aprender los patrones únicos de cada disciplina.
Los autores concluyen que esta tecnología es una herramienta poderosa para el cribado y el monitoreo, pero que aún no es un reemplazo perfecto para la prueba de sangre tradicional. Para los entrenadores que trabajan con corredores, ciclistas o remeros, el modelo ofrece una forma de rastrear el progreso de un atleta a lo largo del tiempo sin la necesidad de repetidos pinchazos en el dedo, haciendo que las pruebas frecuentes sean prácticas y asequibles. Puede ayudar a identificar cuándo un atleta está mejorando su condición física o cuándo necesita ajustar su intensidad de entrenamiento. Sin embargo, para establecer los límites precisos de una zona de entrenamiento para un individuo, especialmente en deportes menos comunes o para decisiones de alto nivel, el muestreo directo de sangre sigue siendo el estándar necesario. El modelo sirve mejor como un puente, permitiendo una observación más frecuente y reduciendo la carga de las pruebas invasivas, al tiempo que reconoce que la medición final, la más precisa, todavía requiere una gota de sangre.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.