Optimización adaptativa de la carga de entrenamiento para atletas de pista: un enfoque de aprendizaje por refuerzo

Entrenamiento más inteligente para corredores cotidianos

Cualquiera que haya entrenado para una carrera conoce la cuerda floja entre esforzarse lo bastante para mejorar y evitar el sobreentrenamiento que conduce a agotamiento o lesión. Este estudio muestra cómo ideas de la inteligencia artificial pueden ayudar a diseñar planes de entrenamiento diarios para atletas de pista que responden a cómo sus cuerpos están afrontando realmente la carga, no solo a lo que indica un calendario fijo.

Por qué los planes simples se quedan cortos

Los programas de entrenamiento tradicionales a menudo siguen un patrón rígido de aumento de kilómetros o intensidad cada semana, con solo bloques de descanso ocasionales. Los entrenadores tratan de ajustar según la experiencia, pero no pueden rastrear con precisión la acumulación invisible de fatiga en cada atleta. Las personas difieren en sueño, estrés y recuperación, por lo que dos corredores con el mismo plan pueden responder de forma muy distinta. Como resultado, algunos atletas estancan su progresión, otros se lesionan, y los objetivos planificados a menudo se pierden a lo largo de una temporada larga.

Convertir al atleta en un gemelo digital

Los investigadores recogieron datos diarios detallados de 25 atletas de pista durante una temporada de 24 semanas. Cada día registraron la variabilidad de la frecuencia cardiaca, una puntuación de calidad del sueño basada en el reloj y medidas de carga de entrenamiento que capturan tanto el esfuerzo reciente como el a más largo plazo. También siguieron un marcador de rendimiento clave: el tiempo semanal en una carrera de 400 metros. Con estos registros construyeron una réplica informática, o gemelo digital, del atleta. Este gemelo digital puede predecir cómo cambiarían el rendimiento y las señales corporales si el entrenamiento se hiciera más duro, más largo o más fácil en un día dado, sin experimentar con la persona real.

Cómo aprende el entrenador inteligente

Sobre este gemelo digital, el equipo entrenó un sistema de toma de decisiones basado en aprendizaje profundo por refuerzo. En cada paso el sistema observa el estado actual del atleta como una instantánea de seis partes que incluye señales corporales, sueño, carga de trabajo y rendimiento. Luego elige una de tres acciones: aumentar la intensidad del entrenamiento, aumentar el volumen de la sesión o prescribir recuperación activa. Tras cada elección, el gemelo digital muestra el nuevo estado y el sistema recibe una puntuación que recompensa tiempos más rápidos en 400 metros pero penaliza señales de sobrecarga, como una carga de trabajo a corto plazo muy alta respecto a la de largo plazo o caídas en la variabilidad de la frecuencia cardiaca y la calidad del sueño. A lo largo de miles de semanas simuladas, el sistema aprende qué patrones de decisiones conducen a ganancias a largo plazo sin desviarse hacia zonas de riesgo.

Cómo se compara con la planificación de estilo humano

Los autores compararon su planificador adaptativo con varias alternativas realistas, incluyendo un plan fijo que aumenta la carga cada semana, un sistema de reglas diseñado a mano que simplemente mantiene la carga en un rango seguro, una regla de aprendizaje automático que siempre persigue la mejor recompensa a corto plazo y un clásico aprendiz por refuerzo basado en tablas. Todos los enfoques mejoraron los tiempos en 400 metros durante la temporada, pero el sistema adaptativo de aprendizaje profundo alcanzó las mayores ganancias mientras casi nunca entraba en la zona de peligro por riesgo de lesión. En contraste, los métodos estáticos y codiciosos con frecuencia empujaron la carga semanal a niveles inseguros, y el diseño puramente centrado en la salud mantuvo a los atletas seguros pero sacrificó gran parte de la posible mejora en velocidad.

Qué significa esto para atletas y entrenadores

Para un lector no especializado, el mensaje clave es que el entrenamiento no tiene por qué ser cuestión de tanteos. Al escuchar atentamente señales corporales sencillas como el ritmo cardiaco, el sueño y cuán exigentes han sido los entrenamientos recientes, y permitir que un sistema de aprendizaje pruebe muchos escenarios hipotéticos en simulación, los entrenadores pueden generar sugerencias diarias de entrenamiento que sean a la vez ambiciosas y cautas. Aunque este estudio es una prueba de concepto temprana que utiliza un grupo pequeño de atletas de pista y opciones simplificadas, muestra que un enfoque equilibrado e informado por datos puede ayudar a los atletas a ser más rápidos mientras reduce drásticamente el tiempo que pasan en estados de alto riesgo.

Cita: Zhang, Q., Wang, Q. & Niu, Y. Adaptive training load optimization for track and field athletes: A reinforcement learning approach. Sci Rep 16, 14862 (2026). https://doi.org/10.1038/s41598-026-41946-w

Palabras clave: carga de entrenamiento, aprendizaje por refuerzo, pista y campo, riesgo de lesión, variabilidad de la frecuencia cardiaca