Predicción de la recuperación diaria durante el entrenamiento de resistencia a largo plazo mediante análisis de aprendizaje automático

Resumen Objetivo El objetivo de este estudio fue determinar si los modelos de aprendizaje automático podían predecir el estado percibido de recuperación matutina (AM PRS) y el cambio diario en la variabilidad de la frecuencia cardíaca (cambio HRV) de atletas de resistencia basándose en medidas de entrenamiento, ingesta dietética, sueño, HRV y bienestar subjetivo. Métodos Se monitorearon diariamente la ingesta nutricional autoelegida, el entrenamiento físico, los hábitos de sueño, el HRV y el bienestar subjetivo de 43 atletas de resistencia desde profesionales hasta entrenados recreativamente durante 12 semanas (3572 días de seguimiento). Se construyeron modelos globales e individualizados usando técnicas de aprendizaje automático, seleccionándose el único mejor algoritmo para cada modelo. El rendimiento del modelo se comparó con un modelo base de solo intercepto. Resultados El error de predicción (error cuadrático medio RMSE) fue menor que el del modelo base para los modelos grupales (11.8 vs. 14.1 y 0.22 vs. 0.29 para AM PRS y cambio HRV, respectivamente). A nivel individual, la precisión de predicción superó el modelo base, pero varió mucho entre participantes (rango RMSE 5.5–23.6 y 0.05–0.44 para AM PRS y cambio HRV, respectivamente). Conclusión A nivel grupal, las medidas diarias de recuperación pueden predecirse basándose en variables comúnmente medidas, donde un pequeño subconjunto de variables aporta la mayor parte del poder predictivo. Sin embargo, a nivel individual, las variables clave pueden variar y pueden ser necesarios datos adicionales para mejorar la precisión de la predicción.