Nutrición Basada en Datos para Ciclistas

Las carreras de ciclismo son competiciones duras que ponen a prueba la resistencia y fuerza de los ciclistas. Un equipo, Team Jumbo-Visma, busca asegurarse de que sus ciclistas tengan la energía necesaria durante las carreras. Para lograrlo, los entrenadores tienen que estimar cuánta energía usará cada ciclista a lo largo del recorrido. Esta tarea no solo es complicada, sino que también lleva mucho tiempo.

Tradicionalmente, los entrenadores se basaban en su experiencia y conocimiento de las carreras para hacer estas predicciones de energía. Sin embargo, este método a menudo llevaba a errores, lo que podía afectar el rendimiento del equipo. Para solucionar esto, se introdujo un nuevo enfoque que utiliza modelos de regresión para dar predicciones precisas basadas en datos, en lugar de depender solo del juicio de los entrenadores.

Este nuevo método permite a los entrenadores obtener estimaciones rápidas de las calorías que necesita cada ciclista para cada etapa de la carrera. Al analizar factores como la velocidad de la carrera, la potencia, el peso corporal e incluso el clima, los modelos generan requisitos calóricos sin necesitar cálculos manuales. Esto significa que los nutricionistas pueden preparar comidas personalizadas para cada ciclista, asegurándose de que obtengan exactamente lo que necesitan el día de la carrera.

A pesar de las mejoras en la predicción de las necesidades calóricas con este método basado en datos, los entrenadores todavía ajustan las predicciones. A veces modifican los resultados del modelo basándose en su propia experiencia con carreras específicas. Este hábito resalta la importancia de no solo ofrecer un resultado exacto, sino ofrecer un rango de posibles resultados, llamado intervalos de predicción. Estos intervalos ayudan a los entrenadores a tomar mejores decisiones basadas en el nivel de incertidumbre en las predicciones.

Con este nuevo método, se implementó un proceso donde el modelo genera estimaciones de la energía que un ciclista usará durante una carrera. Los entrenadores utilizan los intervalos de predicción para tomar decisiones y ajustar en función de la incertidumbre. Este marco proporciona intervalos válidos que indican a los entrenadores cuán seguros pueden estar de las predicciones.

La preparación para las Necesidades Energéticas solía ser un proceso largo, a veces tomando hasta tres semanas. Team Jumbo-Visma, que ganó recientemente el Tour de Francia en 2022, necesitaba asegurarse de que cada ciclista tuviera la energía necesaria para rendir bien durante las carreras. El nuevo enfoque ahorra tiempo y aumenta la precisión, permitiendo al equipo centrarse más en su rendimiento en lugar de en cálculos.

Este nuevo sistema se construyó utilizando datos recopilados de varias carreras y sesiones de entrenamiento, que incluyen información como la duración de los recorridos, la frecuencia cardíaca, la velocidad, la distancia y las calorías quemadas. La recolección de datos se facilita con dispositivos modernos que ayudan a rastrear detalles precisos, asegurando que los modelos utilicen datos precisos y relevantes.

Los elementos clave considerados para estas predicciones incluyen el tipo de carrera (ya sea un evento de un solo día o una carrera por etapas), las características de cada etapa, las condiciones climáticas durante la carrera y detalles específicos sobre cada ciclista, como su peso y rol en el equipo.

Para mejorar las predicciones, el método calcula cuán empinada es una etapa de la carrera, lo que impacta mucho en el uso de energía de un ciclista. El equipo también considera las condiciones climáticas, como la velocidad del viento y la lluvia, que pueden afectar lo duro que un ciclista trabaja durante una carrera.

Los modelos utilizados para la predicción emplean un enfoque de bosque aleatorio, que es una técnica de aprendizaje automático que combina múltiples árboles de decisión para mayor precisión. Al predecir factores críticos como la velocidad y la potencia, el equipo puede estimar la energía que un ciclista consumirá durante cualquier etapa.

Los entrenadores reciben actualizaciones diarias sobre estas predicciones, permitiéndoles estar informados a medida que se acerca el día de la carrera. El método también tiene en cuenta las condiciones climáticas cambiantes cerca de la carrera, ajustando las predicciones según los pronósticos más actuales.

Usar intervalos de predicción facilita a los entrenadores ver el nivel de confianza en las predicciones. Al no dar solo un único número, los entrenadores pueden entender los posibles resultados y ajustar sus estrategias en consecuencia. Esto es particularmente útil cuando las carreras implican diversas condiciones que pueden cambiar rápidamente.

Los nuevos métodos de predicción han sido evaluados en comparación con enfoques existentes, y los resultados muestran que el nuevo sistema funciona mejor. Las predicciones de necesidades energéticas son ahora más fiables, con una notable reducción de errores en comparación con métodos anteriores.

Las cifras que comparan las predicciones manuales hechas por entrenadores con las nuevas predicciones del modelo muestran una mejora significativa en precisión. Las estimaciones del modelo son generalmente mucho más cercanas al uso real de energía observado durante las carreras.

En conclusión, la introducción de modelos basados en datos para pronosticar las necesidades energéticas del Team Jumbo-Visma ha transformado cómo los entrenadores y nutricionistas se preparan para las carreras. Estos métodos no solo ahorran tiempo, sino que también aseguran que los ciclistas reciban la nutrición que necesitan para rendir al máximo. Con mejoras continuas y un compromiso para perfeccionar las técnicas de predicción, Team Jumbo-Visma está bien posicionado para mantener su ventaja competitiva en el mundo del ciclismo profesional. Los próximos pasos incluirán expandir estos métodos a otros equipos, asegurando que los beneficios de este enfoque puedan extenderse más allá de un solo grupo de ciclistas.