Nuevas tecnologías de bolsillo para la valoración del rendimiento físico: Base científica y aplicaciones prácticas

AUTOR

Dr. Carlos Balsalobre Fernández, Universidad Autónoma de Madrid

Introducción

Uno de los principales problemas a los que se enfrentan los entrenadores y preparadores físicos es cómo cuantificar objetivamente las cargas de entrenamiento. Medir el rendimiento físico es una parte indispensable de todo plan de entrenamiento, ya que permite monitorizar y ajustar la carga de trabajo 1,2, analizar la fatiga 3,4, detectar talentos 5,6, identificar debilidades 7, o prevenir lesiones 8–10. Por ello, una práctica común cuando se diseñan planes de preparación física es medir diversas variables de interés que puedan ayudar en la prescripción del estímulo de entrenamiento 1,2,11,12.  La mayoría de estas variables han requerido tradicionalmente la utilización de instrumentales tecnológicos complejos, los cuales suelen ser extremadamente costosos, difíciles de utilizar sin formación específica y en algunos casos imposibles de transportar fuera del laboratorio. Solventando estas carencias y gracias al continuo avance tecnológico que ha permitido diseñar sensores y microprocesadores cada vez más pequeños y asequibles, durante los últimos años han surgido múltiples dispositivos portátiles, ligeros y de bajo coste que permiten medir la condición física en situaciones de campo. Estos dispositivos están diseñados para ser utilizados por cualquier usuario sin especial formación avanzada en Ciencias del Ejercicio y directamente desde el móvil, lo cual facilita enormemente su utilización especialmente en clubes y equipos con poco presupuesto y escasez de personal técnico. Este tipo de tecnología, basada en apps para smartphone y sensores wearables (es decir, vestibles, como las pulseras de actividad) han sido nombradas por el prestigioso American College of Sports Medicine como la tendencia número 1 en el sector del fitness a nivel mundial dada su enorme expansión.

Sin embargo, la gran popularización de este tipo de sensores tiene un principal inconveniente que debe ser tenido muy en cuenta: deben ser científicamente validados antes de que podamos utilizarlos con garantías, sabiendo que efectivamente miden lo que dicen medir. Una validación científica consiste en una comparación sistemática entre los resultados obtenidos por una nueva tecnología y otra tecnología de laboratorio de precisión y fiabilidad contrastada, a la que nos referimos como patrón oro o “gold standard”. Por ejemplo, si queremos comprobar si una nueva aplicación para medir el salto vertical usando la cámara del smartphone es válida, debemos medir muchos saltos verticales con ambos dispositivos simultáneamente y comprobar con diversas técnicas estadísticas si los resultados son similares o no. El problema es que sólo una pequeña porción de todas las aplicaciones y dispositivos wearables que hay en el mercado están validadas. Es más, algunas de las aplicaciones más reconocidas del mercado, con millones de descargas en todo el mundo, han demostrado no medir con precisión lo que decían medir. Por ello, el objetivo de este curso es mostrar algunas de las nuevas tecnologías que han demostrado tener unos altos niveles de validez y fiabilidad para medir diversos parámetros relacionados con el rendimiento físico y que, por lo tanto, pueden utilizarse con garantías en los centros de entrenamiento para la valoración de la condición física de una manera sencilla y mucho más asequible que con instrumentales de laboratorio.

Referencias

  1. Muñoz-López M, Marchante D, Cano-Ruiz MA, Chicharro JL, Balsalobre-Fernández C. Load, Force and Power-Velocity Relationships in the Prone Pull-Up Exercise. Int J Sports Physiol Perform. March 2017:1-22.
  2. Gonzalez-Badillo JJ, Sánchez-Medina L. Movement Velocity as a Measure of Loading Intensity in Resistance Training. Int J Sports Med. 2010;31(5):347-352.
  3. Halson SL. Monitoring Training Load to Understand Fatigue in Athletes. Sport Med. 2014;44(S2):139-147.
  4. Taylor JL, Amann M, Duchateau J, Meeusen R, Rice CL, Taylor J. Neural Contributions to Muscle Fatigue: From the Brain to the Muscle and Back Again. Med Sci Sports Exerc. 2016.
  5. Gabbett T, Georgieff B, Domrow N. The use of physiological, anthropometric, and skill data to predict selection in a talent-identified junior volleyball squad. J Sports Sci. 2007;25(12):1337-1344.
  6. Mohamed H, Vaeyens R, Matthys S, et al. Anthropometric and performance measures for the development of a talent detection and identification model in youth handball. J Sports Sci. 2009;27(3):257-266.
  7. Samozino P, Rejc E, Di Prampero PE, Belli A, Morin JB. Optimal force-velocity profile in ballistic movements–altius: citius or fortius? Med Sci Sport Exerc. 2012;44(2):313-322.
  8. Mendiguchia J, Martinez-Ruiz E, Edouard P, et al. A Multifactorial, Criteria-based Progressive Algorithm for Hamstring Injury Treatment. Med Sci Sport Exerc. March 2017:1.
  9. Butler RJ, Crowell HP, Davis IM. Lower extremity stiffness: Implications for performance and injury. Clin Biomech. 2003;18(6):511-517.
  10. Mendiguchia J, Samozino P, Martínez-Ruiz E, et al. Progression of Mechanical Properties during On-field Sprint Running after Returning to Sports from a Hamstring Muscle Injury in Soccer Players. Int J Sports Med. 2014;35(8):690-695.
  11. Kraemer WJ, Ratamess NA. Fundamentals of resistance training: progression and exercise prescription. Med Sci Sport Exerc. 2004;36(4):574-688.
  12. Giroux C, Rabita G, Chollet D, Guilhem G. What is the Best Method for Assessing Lower Limb Force-Velocity Relationship? Int J Sport Med. 2014.
Facebook Comments