Non-invasive lactate threshold estimation using deep learning: practical applications across endurance sports
Deze studie toont aan dat een deep learning-model de hartslag bij de 2 mmol·L⁻¹ lactaatdrempel nauwkeurig kan schatten tijdens hardlopen, wielrennen, roeien en kajakken, waarbij het traditionele methoden binnen specifieke sporten overtreft, maar sportspecifieke validatie vereist vanwege de verminderde generalisatie nauwkeurigheid over verschillende disciplines.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Decennialang hebben coaches en sportwetenschappers vertrouwd op één enkel, cruciaal getal om de training voor duursporters te ontwerpen: het punt waarop de brandstof van het lichaam overschakelt van efficiënt verbranden naar een staat van accumulerende vermoeidheid. Dit moment, bekend als de lactaatdrempel, markeert de intensiteit waarbij melkzuur zich sneller in het bloed ophoopt dan de spieren het kunnen afvoeren. Om dit precieze punt te vinden, ondergaan atleten traditioneel een zware laboratoriumtest. Ze rennen of fietsen met toenemende snelheden terwijl een technicus herhaaldelijk in hun vinger prikt om bloed af te nemen, waarbij de zuurgehaltes na elke fase worden gemeten. Hoewel deze methode de gouden standaard is voor nauwkeurigheid, is zij invasief, duur en vereist zij gespecialiseerde apparatuur en personeel. Voor veel recreatieve hardlopers, jonge atleten of patiënten in klinische settings betekent deze barrière dat zij simpelweg niet toegang hebben tot de gegevens die nodig zijn om effectief te trainen. De vraag is lang geweest of het mogelijk is om deze drempel te voorspellen met alleen de hartslag- en snelheidgegevens die al worden verzameld tijdens een standaardtest, zonder ooit een druppel bloed af te nemen.
Een team van onderzoekers probeerde dit te beantwoorden door een geavanceerd computermodel te bouwen dat in staat is om de verborgen patronen tussen de prestaties van een atleet en hun fysiologische grenzen te leren. In plaats van te vertrouwen op eenvoudige formules die al jarenlang worden gebruikt, gebruikten zij een deep learning-systeem, een vorm van kunstmatige intelligentie die complexe sequenties van gegevens kan analyseren om relaties te vinden die mensen misschien missen. Het team voedde het model met gegevens van 823 afzonderlijke inspanningstests van meer dan 800 atleten van beide geslachten. Deze tests bestreken vier verschillende duurdisciplines: hardlopen, wielrennen, roeien en kajakken. Voor elke test kreeg het model de hartslag en de snelheid of het vermogen van de atleet bij elke fase te zien, samen met hun leeftijd en geslacht, en werd het gevraagd de exacte hartslag te voorspellen waarbij hun bloedlactaat een specifiek, vast niveau van twee millimol per liter zou bereiken. De onderzoekers vergeleken vervolgens de voorspellingen van het model met de werkelijke bloedtestresultaten om te zien hoe dicht het in de buurt kwam.
De resultaten toonden aan dat het model, binnen de sporten die het model had bestudeerd, de drempel met opmerkelijke precisie kon schatten. Gemiddeld zat de gok van het model slechts ongeveer 5,5 slagen per minuut naast de werkelijkheid. Om dit in perspectief te plaatsen: dit foutenniveau is vergelijkbaar met de natuurlijke variatie die optreedt wanneer dezelfde atleet exact dezelfde bloedtest twee keer achter elkaar onder laboratoriumcondities ondergaat. Het computermodel presteerde aanzienlijk beter dan de beste bestaande niet-invasieve methoden, die gebaseerd zijn op wiskundige curven die door de gegevenspunten worden getrokken. Die oudere methoden waren vaak bijna negen slagen per minuut af, een verschil dat een atleet gemakkelijk in de verkeerde trainingszone kan duwen. Het nieuwe model bleek bijzonder effectief voor hardlopers, roeiers en wielrenners, waarbij het erin slaagde de drempel voor de overgrote meerderheid van de deelnemers te identificeren, vaak binnen een bereik dat nuttig zou zijn voor algemene trainingsbegeleiding.
Echter, de studie onthulde ook een duidelijke beperking: het model werkt niet automatisch voor elke sport. Wanneer de onderzoekers het systeem testten op atleten uit een sport die het niet tijdens de training had gezien, daalde de nauwkeurigheid scherp. Dit was het meest duidelijk bij kajakken, een sport die zwaar leunt op bovenlichaamkracht, waarbij het foutpercentage meer dan verdubbelde in vergelijking met de beendominante sporten. De onderzoekers onderzochten of deze mislukking simpelweg kwam door het feit dat zij minder kajaktests in hun gegevens hadden, of omdat de fysiologie van peddelen fundamenteel anders is dan die van hardlopen of wielrennen. Hun analyse suggereerde dat beide factoren waarschijnlijk een rol spelen, hoewel zij deze met de huidige gegevens niet definitief van elkaar konden scheiden. Het model had de meeste moeite met de kleinste groep, wat aangeeft dat het een aanzienlijke hoeveelheid specifieke voorbeelden nodig heeft om de unieke patronen van elke discipline te leren.
De auteurs concluderen dat deze technologie een krachtig hulpmiddel is voor screening en monitoring, maar het is nog geen perfecte vervanging voor de traditionele bloedtest. Voor coaches die werken met hardlopers, wielrenners of roeiers biedt het model een manier om de voortgang van een atleet door de tijd heen te volgen zonder de noodzaak van herhaaldelijk prikken in de vinger, waardoor frequent testen praktisch en betaalbaar wordt. Het kan helpen identificeren wanneer een atleet fitter wordt of wanneer de trainingsintensiteit moet worden aangepast. Toch blijft voor het vaststellen van de precieze grenzen van een trainingszone voor een individu, vooral in minder gangbare sporten of voor beslissingen met hoge inzet, directe bloedafname de noodzakelijke standaard. Het model dient het best als een brug, waardoor frequentere observatie mogelijk is en de last van invasieve testen wordt verminderd, terwijl het erkent dat de uiteindelijke, meest nauwkeurige meting nog steeds een druppel bloed vereist.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.