Menú

Cómo utilizar el entrenamiento basado en la velocidad y el Análisis de Inferencia Basado en la Magnitud para seguir con precisión tu progreso

Uno de los momentos más emocionantes y reconfortantes de cualquier entrenador sobre la faz de la tierra es cuando nuestros atletas logran un Récord Personal. Es como si nosotros mismos lo estuviéramos consiguiendo y la sensación de «mi esfuerzo vale la pena» es alimento para nutrir nuestro ego.

Pero, ¿y si te dijera que hay una posibilidad de que hayas malinterpretado el VERDADERO progreso de tu atleta?

Hace un par de años, durante un curso de estadística para mi máster, estuvimos hablando de cómo interpretar los resultados de las pruebas y analizando diferentes conjuntos de datos. Uno de los ejercicios consistía en analizar la diferencia entre algunas pruebas previas y posteriores, interpretarlas, presentar un informe y compartirlo con el resto de la clase. Parecía una tarea bastante simple y fácil, de hecho, demasiado fácil. Completé la tarea usando un simple análisis que mostraba el % de cambio individual y lo comparaba con el resultado del grupo. Hasta aquí todo bien.

No obstante, la sencilla tarea no era más que una trampa del profesor. Tan pronto como revisó uno de los informes dijo una de las frases más poderosas que he escuchado y que cambió la forma en que me sentía acerca de las estadísticas pasando de puro odio a empezar a mirarlas con mucho más entusiasmo. «Cualquiera puede ser un gran entrenador con un uso de mierda de las estadísticas».

Resumiendo, la tarea era simplemente una introducción a uno de los temas estadísticos más relevantes, si no el que más, en el campo de las ciencias del deporte, el análisis de inferencia basado en la magnitud (IBM)1,2.

Consideremos los resultados obtenidos de una medición. Si pudiéramos hacer una medición «perfecta», obtendremos el «valor verdadero». Sin embargo, la realidad es que las mediciones que hacemos nunca son perfectas, y los valores obtenidos de la medición son, por lo tanto, aproximaciones a este «valor verdadero». Un valor medido diferirá del hipotético «valor verdadero» por varias razones diferentes, algunas de las cuales podemos conocer, otras no.

 

Figura 1: Exactitud y reproducibilidad (precisión) de una medición. El valor verdadero siempre es una incógnita, pero cuanto más se acerque la media de las mediciones, mayor será la precisión de la medición3.

Llamamos a la diferencia entre un valor medido y el «valor verdadero», ERROR, y cuanto más cerca esté uno del otro, más precisa será nuestra medición. Por definición, nunca podemos saber el «valor verdadero» exacto y sin él, tampoco podemos saber la diferencia exacta entre él y las mediciones que hicimos. Conocer el valor exacto de un error también es imposible3.

Sin embargo, podemos describir el error en el resultado de una medición particular como un dibujo de una distribución de probabilidad. La incertidumbre asociada a un valor medido es una medida de esa distribución de probabilidad. En concreto, la incertidumbre estándar es la desviación estándar de esta distribución de probabilidad. Esto significa que cuanto mayor sea la variabilidad de un conjunto de datos, mayor será la incertidumbre y el error que tendremos.

Todo el mundo está familiarizado con las evaluaciones de 1RM, que a menudo se consideran el «patrón oro» para evaluar la capacidad neuromuscular de los individuos en entornos que no son de laboratorio4.

Realizar un protocolo de 1RM probablemente nos dará mayor precisión pero, por otro lado, es un proceso que consume mucho tiempo, genera fatiga en el atleta y se ve afectado por factores internos (por ejemplo, se ha demostrado que los ritmos circadianos alteran significativamente el rendimiento 5,) y externos como la retroalimentación verbal del entrenador 6 o incluso la música7.

A su vez, no podemos realizar la prueba diariamente, por lo que tal vez no detectemos mejoras o disminuciones debido al marco temporal en el que se aplica la prueba. Por lo tanto, estamos perdiendo la oportunidad de ajustar el plan a tiempo.

 

Por el contrario, al estimar el valor de 1RM y si elegimos el método apropiado, estamos ganando en practicidad, simplicidad, tiempo y posibilitando períodos de tiempo más cortos (diarios, semanales) sin afectar negativamente el proceso normal de entrenamiento, pero a expensas de una mayor «incertidumbre» y «error», aunque podríamos realmente, y quiero decir de verdad, reducirlo.

Así pues, si hipotéticamente hacemos una prueba (o calculamos) 1RM el mismo día con el mismo atleta sin el efecto de interferencia de una prueba con las demás, vamos a obtener 3 valores diferentes, una media y una variabilidad (SD) determinada. Así pues, la cuestión es cómo podemos estar seguros de que las diferencias son mejoras «reales» (señal) y no la variación normal de los datos (Ruido).

1RM estimationFigura 2: Ejemplo de una estimación de 1RM con 3 cargas submáximas y la comparación con una prueba real de 1RM. Obsérvese que la estimación es 2,07 kg menos que el 1RM real y con un IC del 95% la diferencia varía entre 5,15 y 0,46 kg. No tener esto en cuenta podría generar interpretaciones y decisiones erróneas.

 

Estimación de 1 RM usando VBT

Las sesiones programadas de evaluaciones han quedado atrás, excluyendo los deportes de fuerza (aún incluso ahí). Los entrenadores de hoy en día no se pueden permitir dedicar un día entero a evaluar, especialmente en los deportes de equipo que compiten todos los fines de semana. Pero la esencia de las pruebas es monitorear tanto las cargas de entrenamiento como los efectos del mismo sin afectar negativamente el proceso normal de entrenamiento, ayudándonos a modificarlo en caso que fuera necesario8.

En el pasado, aunque existía el entrenamiento basado en la velocidad (VBT), sólo se utilizaba para la investigación, principalmente debido a los costes de los dispositivos. Sin embargo, en la última década, la rápida difusión y la creciente asequibilidad de los transductores lineales contribuyeron a la realidad actual, en la que prácticamente todos los entrenadores de fuerza actualizados incorporan el VBT en sus programas.

El uso del VBT ha demostrado ser una forma realmente precisa de estimar 1RM debido a la relación matemática lineal y estable (inversamente correlacionada, con coeficientes de correlación de > 0,95) que existe entre la carga y la velocidad concéntrica media a la que se mueve dicha carga9-10 al menos tan buena como el método de repeticiónes hasta el fallo 10. Además, el método de dos puntos ha surgido recientemente como un procedimiento válido, factible, rápido y libre de fatiga para la evaluación de las relaciones fuerza-velocidad y carga-velocidad, que sólo necesita realizar 2 cargas externas diferentes que representan aproximadamente el 50 y el 80% de 1RM para obtener un perfil L-V11–13.

Figura 3: Ejemplo de perfil L-V en Press Banca realizado por un jugador de rugby juvenil (medido a través del dispositivo Vitruve).
Figura 4: Método de dos puntos para la evaluación del perfil L-V García Ramos, Amador & Jaric, Slobodan, (2017)11.

 

Consideraciones

Sin embargo, es necesario considerar algunas cosas:

  1. Los ejercicios tradicionales como las sentadillas, press de banca, el peso muerto, etc. tienen su propia velocidad de carga (L-V). Esto significa que necesitamos establecer el perfil L-V para un determinado atleta y el ejercicio que realice antes de estimarlo con cargas submáximas a diario9.
  2. La relación L-V es más sensible a la velocidad media o a la velocidad media de propulsión que la velocidad máxima en los ejercicios tradicionales10.
  3. El dispositivo debe ser válido y fiable 14.
  4. Los intentos de carga máxima se asocian a una velocidad específica que se conoce como «umbral de velocidad mínima (MVT por sus siglas en inglés “Minimal Velocity Threshold)» 15. Esto significa que la velocidad media de la 1RM no será significativamente diferente, desde el punto de vista estadístico, de la velocidad media de la última repetición de una RM dada (5RM, 3RM, etc.). Hay muchas investigaciones sobre los diferentes ejercicios y sus MVT (por ejemplo, la prensa de banco y la sentadilla suelen estar alrededor de 0,13 – 0,3 m/s respectivamente)16,17
  5. Los mayores %RM relativos son más fuertes predictores del 1RM real que los menores 11. La carga de 5RM es menos precisa que la carga de 3RM para estimar 1RM.
Linear behaviour and MVT achievedFigura 5: Ejemplo de comportamiento lineal y MVT logrado para un número dado de repeticiones a la falla realizada con 70% y 85% 1RM (medido a través del dispositivo de Vitruve).

Por lo tanto, una vez que conocemos el perfil L-V de un determinado atleta y un ejercicio en concreto, así como el MVT, ¡estamos listos para comenzar!

 

Inferencia basada en la magnitud

El IBM se basa en la labor de los profesores William Hopkins y Alan Batterham18 y trata de abordar algunas de las deficiencias que puede generar el uso de los enfoques estadísticos tradicionales, ayudando a identificar las diferencias y a optimizar el proceso de toma de decisiones.

Los científicos deportivos y los entrenadores tratan por lo general con pequeños grupos de atletas (para recopilar y analizar datos como en los entornos deportivos de campo), e incluso con N=1, como en el levantamiento de pesas, el atletismo y también en los deportes de campo donde el análisis de los cambios individuales a lo largo del tiempo se vuelve crucial. Además, a veces los pequeños cambios merecen la pena aunque las diferencias no sean relevantes desde el punto de vista estadístico (cuántos milisegundos separan al ganador de los perdedores en una final olímpica de sprint de 100mts, o cm en un lanzamiento o kg en una competición de levantamiento de potencia o de pesas).  Las estadísticas tradicionales no van bien ni con pequeñas muestras ni con pequeñas diferencias para dar información relevante.

Una de las piedras angulares del IBM es la definición del [cambio más pequeño significativo], o [Smallest worthwhile change] (SWC). Pero primero es crucial para entender qué es realmente el cambio.

El cambio se relaciona muy íntimamente con el concepto de diferencia, es decir, el cambio se juzga en base a una diferencia en alguna entidad medible y casi siempre se relaciona con un lapso de tiempo3. Por ejemplo, si debido al entrenamiento, un atleta aumenta su 1RM de 110 a 150 en 6 semanas, esto será considerado, un cambio positivo. El principio básico es que las mediciones de la misma variable difieren de una sesión de prueba a otra cuando se abarcan días o semanas. Sin embargo, como ya hemos revisado, estamos tratando con mucha incertidumbre, especialmente cuando las diferencias no son tan grandes.

Smallest Worthwhile Change (SWC)Figura 6: El punto negro representa la media de una prueba dada; las líneas CI (error); la línea vertical es la media del grupo y el área gris es el SWC19

 Así pues, volviendo a la SWC, tomarla junto con el error típico de una prueba (TE) puede ayudarnos a determinar si el cambio de una variable dada es real (señal) o sólo parte de la variabilidad normal (distribución) de la medición (ruido).

Cálculo del SWC

Debemos tener en cuenta 3 puntos al calcular el SWC de un individuo:

  • La percepción, basada en la experiencia, puede ser utilizada para el SWC. Por ejemplo, en la prueba del IMTP los cambios de menos de 5N son probablemente sólo ruido.
  • El error de medición es crucial para identificar la señal y el ruido. Por ejemplo; si el TE es 5N para el IMTP, la SWC no puede ser inferior al doble de ese valor, de lo contrario la incertidumbre es demasiado grande para diferenciar entre los cambios reales y la variabilidad.
  • Si realizamos la prueba a un grupo de atletas, podemos multiplicar 0,2 veces el SD de los atletas para obtener el SWC y 0,3 si el conjunto de datos se toma de una prueba múltiple individual.
Magnitude-Based InferenceFigura 7: Las decisiones en la inferencia basada en la magnitud se toman en función de los intervalos de confianza o la distribución (líneas azules horizontales) en relación con un SWC (líneas verticales discontinuas a cada lado del área trivial). Por ejemplo; Cualquier aumento o disminución en un atleta de 1RM superior a 5 kg se considera relevante, mientras que todos los cambios inferiores a 5 kg son demasiado pequeños para ser de relevancia práctica (es decir, triviales). A medida que el intervalo de confianza (distribución) se aleja más de la zona trivial (ya sea a una zona beneficiosa o perjudicial), aumenta la probabilidad de que se produzca un efecto verdadero20.

 

Aplicaciones prácticas

Ahora tenemos una forma de calcular el 1RM de nuestros atletas que puede ser implementado incluso en los sets de calentamiento. Usando pesos submáximos y rastreando la velocidad concéntrica podemos crear un método donde podamos rastrear nuestro 1RM diariamente sin fatigarnos, sin perder tiempo y sin afectar la sesión de entrenamiento. Mezclarlo con el IBM puede ser un modelo poderoso capaz de darnos información valiosa sobre la probabilidad de mejorar o disminuir nuestro 1RM sin siquiera medirlo.

La siguiente imagen es de una hoja de cálculo tomada de Mladen Jovanovic. Casi toda esta entrada de este blog está inspirada en su trabajo. Recomiendo encarecidamente a todo el mundo que siga su trabajo porque probablemente (sin caclular el IBM) es uno de los más disruptivos, innovadores y útiles en el campo.

Figura 8: Seguimiento diario de 1RM usando VBT de 1 Set de un peso fijo usando la repetición más rápida mezclado con MBI para estimar la probabilidad de cambio durante 1 año. Los puntos azules representan el punto de datos con las barras de error; la línea gris es la línea de base y el área gris representa el SWC. La línea verde representa la probabilidad de un efecto perjudicial expresada como %. Las flechas verdes representan los momentos en que las posibilidades de verdaderos beneficios son altas y las flechas rojas los momentos en que las posibilidades de verdadero daño son mayores.

El uso de este enfoque puede ayudar tanto a evaluar el efecto de diferentes aspectos del entrenamiento como el volumen, la frecuencia, la densidad y la carga en el «resultado» (1RM) como a ser utilizado como una herramienta de preparación.

 

img-banner-funnel2-es

 

Bibliografía

  1. Hopkins, W. G. Magnitude Matters. Medicine & Science in Sports & Exercise 38, 56 (2006).
  2. Batterham, A. M. & Hopkins, W. G. The Case for Magnitude-based Inference. Medicine & Science in Sports & Exercise 47, 885 (2015).
  3. Dvir, Z. Difference, significant difference and clinically meaningful difference: The meaning of change in rehabilitation. Journal of Exercise Rehabilitation 11, 67–73 (2015).
  4. Levinger, I. et al. The reliability of the 1RM strength test for untrained middle-aged individuals. Journal of Science and Medicine in Sport 12, 310–316 (2009).
  5. WINGET, C. M., DEROSHIA, C. W. & HOLLEY, D. C. Circadian rhythms and athletic performance. Medicine & Science in Sports & Exercise 17, 498???516 (1985).
  6. Argus, C. K., Gill, N. D., Keogh, J. W. & Hopkins, W. G. Acute Effects of Verbal Feedback on Upper-Body Performance in Elite Athletes. Journal of Strength and Conditioning Research 25, 3282–3287 (2011).
  7. Loizou, G. & Karageorghis, C. I. Effects of psychological priming, video, and music on anaerobic exercise performance. Scandinavian Journal of Medicine & Science in Sports 25, 909–920 (2014).
  8. Clarke, D. C. & Skiba, P. F. Rationale and resources for teaching the mathematical modeling of athletic training and performance. Advances in Physiology Education 37, 134–152 (2013).
  9. González-Badillo, J. J. & Sánchez-Medina, L. Movement Velocity as a Measure of Loading Intensity in Resistance Training. International Journal of Sports Medicine 31, 347–352 (2010).
  10. Jidovtseff, B., Harris, N. K., Crielaard, J.-M. & Cronin, J. B. Using the load-velocity relationship for 1RM prediction. Journal of Strength and Conditioning Research 25, 267–270 (2011).
  11. García-Ramos, A. et al. Feasibility of the 2-Point Method for Determining the 1-Repetition Maximum in the Bench Press Exercise. International Journal of Sports Physiology and Performance 13, 474–481 (2018).
  12. Snyder, B. W., Zangakis, D. S., Moir, G. L., Munford, S. N. & Davis, S. E. Validity of the Two-Point Method for Estimating Squat and Bench Press One Repetition Maximums. Medicine & Science in Sports & Exercise 51, 49 (2019).
  13. Garcia-Ramos, A. & Jaric, S. Two-Point Method. Strength and Conditioning Journal 40, 54–66 (2018).
  14. Batterham, A. M. & Hopkins, W. G. Making Meaningful Inferences About Magnitudes. International Journal of Sports Physiology and Performance 1, 50–57 (2006).
  15. Jovanovic, M. Statistical Modelling for Sports Scientists: Practical Introduction Using R (Part 1). (2019). doi:10.31236/osf.io/dnq3m
  16. Hooren, B. Magnitude-based inference: What is it? How does it work and is it appropriate? (2018)
Click to rate this post!
[Total: 0 Average: 0]