rna_lesion

Indice de lesión/enfermedad/rendimiento Framework

En las primeras versiones de mi software para la trazabilidad de la performance deportiva había incorporado las llamadas métricas vitales , estas son horas de sueño, calidad de sueño, HRV , estrés laboral, horas laborales , ciclo menstrual. La idea era buscar un patrón de comportamiento de la performance o la adaptación mas allá de la carga e intensidad.

A principios del 2016 leo el trabajo de Tim Gabbett sobre The training-injury prevention paradox: should athletes be training smarter and harder?

Sus conclusiones son :

En conclusión, si bien existe una relación entre las altas cargas de entrenamiento y las lesiones, este documento demuestra que el problema no está en el entrenamiento per se, sino más bien en el entrenamiento inadecuado que se está prescribiendo. Los aumentos excesivos y rápidos en las cargas de entrenamiento son probablemente responsables de una gran proporción de lesiones de tejidos blandos sin contacto. Sin embargo, el entrenamiento físicamente duro (y apropiado) desarrolla cualidades físicas, que a su vez protegen contra lesiones. Este documento destaca la importancia de monitorear la carga de entrenamiento, incluida la carga para la que están preparados los atletas (calculando la relación de carga de trabajo aguda: crónica), como un enfoque de mejores prácticas para la reducción a largo plazo de las lesiones relacionadas con el entrenamiento.

A este momento tenia bastante data de todas las cosas que menciona Tim y mas tenia estas métricas vitales, la Fig 7 de su trabajo muestra este flujo que fue materia prima principal para desarrollar el árbol de decisión que soportaría la RNA.

bjsports-2015-095788-F7.large (1)

Se puede ver que tanto el bajo entrenamiento como el alto volumen de entrenamiento pueden llevar a una lesión pero un entrenamiento adecuado lleva a buena performance sin lastimarse, dado que todo lo que se mide se puede mejorar la forma de darle mas dimensiones era a parte de tener en cuenta el radio entre carga crónica y aguda , poder introducir valores de intensidad , y estas métricas vitales e ir viendo como respondía el atleta, claro que no quería ocasionar ninguna lesión adrede por lo cual tomaba como caso extremo alguna contractura o bien dolores no normales, de esa forma iba armando el set de datos para que la RNA aprenda.

Por ejemplo tomaba un micro ciclo de 4 semanas+Test y registraba , promedio de horas dormidas y calidad de las mismas, intensidad relativa al FTP , radio del CTL y ATL , promedio de estrés laboral. Ejemplo

(7 , 5 , 78 , 1.1) = 0     7 horas promedio , de calidad regular , el entrenamiento fue al 78% promedio y el radio entre carga cronica y aguda de 1.1 esto dio cero es decir el atleta no informo dolores ni otras molestias relevantes.

En otros casos por ejemplo  (7,6,76,1.6) = 1 el atleta informo dolor de piernas y sentirse muy pesado.

De esta forma se fue generando un lote de datos muy grande entre 20 atletas seleccionados con distintos problemas normales de amateurs.

Una vez construida la RNA se le ejecuto el aprendizaje , 5 épocas de todo este set de datos y luego se empezó a pedirle ayuda por cada semana que me planificaba, en el AGMT² planificamos por semana y eso es una ventaja para tener control de todo.  Se uso una framework que desarrolle ENYdog Formula. rna_lesion

En el circulo blanco se puede ver como la curva verde se comportaba como imitadora de buenas dosis de entrenamiento, la linea rojo como umbral peligroso y la curva celeste simplemente era el radio entre CTL y ATL , de esa forma pudimos garantizar dosis al limite y buena respuesta del atleta. Si usted es entrenador debe saber que no todos van a poder entrenar lo que usted le planifica y pueden estar dentro de la cota de entrenamiento mínima que también Tim la describe como peligrosa.

bjsports-2015-095788-F4.large

El ENYdog Formula lo describe bien cuando se esta en la pre-temporada o bien el atleta recién empieza a entrenar.

edfo

CASO DE USO. 9h20 IM Mar del Plata + Slot Kona.

Voy  a tomar uno de los casos de uso, para mi el mas relevante se trata de un atleta > 40 años con alta responsabilidad laboral, viajes de trabajo y familia y con varios años de experiencia teniendo en su haber un Kona , dos desafíos una hacerlo mejorar y otra volverlo a clasificar . Voy a ir directamente a los números (palabras sobran).

Tenia que correr bien a pie, sus rivales eran muy buenos en eso, el sentido común dice hay que hacerlo correr mucho, bueno hice todo lo contrario el modelo me dio la dosis justa para que no se lastime y obtenga la mejor performance , las veces que le pedí al modelo radios mayores a 1.2 de run con sus métricas vitales promedio no me cerraban, por ende deje que la red artificial comande el barco. Y dio como resultado esto :

per

Y se la puede comparar con otra preparacion para IM Brasil mismo año

per

Curva verde : Carga crónica de ciclismo 

Curva roja : Carga crónica de RUN

Curva azul : carga crónica de Swim

Curva celeste : Vo2 Max

Curva naranja : mFTP

El aprendizaje en el uso de estas herramientas continua, por ahora en el AGMT² no hemos tenido lesionados y los resultados son acordes a la disponibilidad de recursos tanto de tiempo como de performance deportiva.

Continuamos aprendiendo, probando, implementando, corrigiendo……

Gabriel Della Mattia