Non-invasive lactate threshold estimation using deep learning: practical applications across endurance sports
Cette étude démontre qu'un modèle d'apprentissage profond peut estimer avec précision la fréquence cardiaque au seuil de lactate de 2 mmol·L⁻¹ lors de la course, du cyclisme, de l'aviron et du kayak, surpassant les méthodes traditionnelles dans certains sports spécifiques mais nécessitant une validation propre à chaque discipline en raison d'une précision de généralisation réduite entre les différents sports.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Pendant des décennies, les entraîneurs et les spécialistes du sport se sont appuyés sur un chiffre unique et critique pour concevoir l'entraînement des athlètes d'endurance : le point où le carburant du corps passe d'une combustion efficace à un état d'accumulation de fatigue. Ce moment, connu sous le nom de seuil lactique, marque l'intensité où l'acide lactique commence à s'accumuler dans le sang plus rapidement que les muscles ne peuvent l'éliminer. Pour trouver ce point précis, les athlètes subissent traditionnellement un test de laboratoire éprouvant. Ils courent ou pédalent à des vitesses croissantes tandis qu'un technicien leur pique le doigt de manière répétée pour prélever du sang, mesurant les niveaux d'acide après chaque étape. Bien que cette méthode soit la référence en matière de précision, elle est invasive, coûteuse et nécessite un équipement et un personnel spécialisés. Pour de nombreux coureurs récréatifs, jeunes athlètes ou patients en milieu clinique, cette barrière signifie qu'ils ne peuvent tout simplement pas accéder aux données nécessaires pour s'entraîner efficacement. La question a longtemps été de savoir s'il est possible de prédire ce seuil en utilisant uniquement les données de fréquence cardiaque et de vitesse collectées lors d'un test standard, sans jamais prélever une seule goutte de sang.
Une équipe de chercheurs s'est donné pour mission de répondre à cela en construisant un modèle informatique sophistiqué capable d'apprendre les sché나s cachés entre la performance d'un athlète et ses limites physiologiques. Au lieu de s'appuyer sur de simples formules utilisées depuis des années, ils ont employé un système d'apprentissage profond (deep learning), un type d'intelligence artificielle capable d'analyser des séquences de données complexes pour trouver des relations que les humains pourraient manquer. L'équipe a alimenté le modèle avec les données de 823 tests d'effort distincts impliquant plus de 800 athlètes des deux sexes. Ces tests couvraient quatre disciplines d'endurance distinctes : la course à pied, le cyclisme, l'aviron et le kayak. Pour chaque test, le modèle recevait la fréquence cardiaque et la vitesse ou la puissance de l'athlète à chaque étape, ainsi que son âge et son sexe, et devait prédire la fréquence cardiaque exacte où le lactate sanguin atteindrait un niveau fixe spécifique de deux millimoles par litre. Les chercheurs ont ensuite comparé les prédictions du modèle aux résultats réels des tests sanguins pour voir à quel point il s'en approchait.
Les résultats ont montré que, dans les sports étudiés par le modèle, celui-ci pouvait estimer le seuil avec une précision remarquable. En moyenne, l'estimation du modèle n'écartait que d'environ 5,5 battements par minute. Pour mettre cela en perspective, ce niveau d'erreur est comparable à la variation naturelle observée lorsque le même athlète effectue deux fois exactement le même test sanguin consécutifs dans des conditions de laboratoire. Le modèle informatique a nettement surpassé les meilleures méthodes non invasives existantes, qui sont basées sur des courbes mathématiques tracées à travers les points de données. Ces anciennes méthodes étaient souvent erronées de près de neuf battements par minute, une différence qui pourrait facilement pousser un athlète dans la mauvaise zone d'entraînement. Le nouveau modèle s'est avéré particulièrement efficace pour les coureurs, les rameurs et les cyclistes, où il a réussi à identifier le seuil pour la grande majorité des participants, se situant souvent dans une plage utile pour un guidage général de l'entraînement.
Cependant, l'étude a également révélé une limite claire : le modèle ne fonctionne pas automatiquement pour tous les sports. Lorsque les chercheurs ont testé le système sur des athlètes d'un sport qu'il n'avait pas vu durant son entraînement, la précision a chuté brutalement. Cela a été particulièrement visible dans le kayak, un sport qui repose fortement sur la force du haut du corps, où le taux d'erreur a plus que doublé par rapport aux sports dominants par les jambes. Les chercheurs ont cherché à savoir si cet échec était simplement dû au fait qu'ils disposaient de moins de tests de kayak dans leurs données ou si la physiologie du canoë-kayak est fondamentalement différente de celle de la course à pied ou du cyclisme. Leur analyse a suggéré que les deux facteurs jouaient probablement un rôle, bien qu'ils ne puissent pas les séparer de manière définitive avec les données actuelles. Le modèle a le plus de mal avec le groupe le plus restreint, indiquant qu'il a besoin d'un nombre substantiel d'exemples spécifiques pour apprendre les schémas uniques de chaque discipline.
Les auteurs concluent que cette technologie est un outil puissant pour le dépistage et le suivi, mais qu'elle n'est pas encore un remplacement parfait pour le test sanguin traditionnel. Pour les entraîneurs travaillant avec des coureurs, des cyclistes ou des rameurs, le modèle offre un moyen de suivre la progression d'un athlète au fil du temps sans avoir recours à des piqûres de doigt répétées, rendant les tests fréquents pratiques et abordables. Il peut aider à identifier quand un athlète progresse ou quand l'intensité de son entraînement doit être ajustée. Pourtant, pour fixer les limites précises d'une zone d'entraînement pour un individu, en particulier dans des sports moins courants ou pour des décisions à enjeux élevés, le prélèvement sanguin direct reste la norme nécessaire. Le modèle sert au mieux de passerelle, permettant une observation plus fréquente et réduisant la charge des tests invasifs, tout en reconnaissant que la mesure finale, la plus précise, nécessite toujours une goutte de sang.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.