(#409). ALGUNAS CONSIDERACIONES EN LA ESTIMACIÓN DEL RENDIMIENTO POR MINUTO EN BALONCESTO (II)

[MONOTEMA] Una vez expuesta la necesidad de gestionar adecuadamente las estadísticas por minuto en baloncesto,  y tras explicar cómo ha de computarse la media, el siguiente paso es discutir las opciones para el cálculo de la varianza de esa media, y por ende, del error estándar necesario para conocer la imprecisión de la estimación.

Aproximación Normal

Levy & Lemeshow (1999) proponen una aproximación a la estimación del error estándar de la media de la siguiente forma:

donde:

Como se puede apreciar, esta expresión cuenta además con la consideración de un factor de finitud que hace que el error estándar sea cero cuando N=n, es decir, cuando tenemos que la muestra es en sí toda la población. Es una fórmula a la que se llega a través del desarrollo de Taylor de la función ratio en el entorno de la media.

El intervalo de confianza 100(1-α)% bajo la aproximación Normal es el siguiente:

donde α es el “tamaño del test” y 100(1-α)% es el nivel de confianza. De este modo, para un nivel de confianza del 95% tenemos:

Aproximación de Cochran

Gatz & Smith (1995), basándose en el trabajo de Cochran (1977), proponen el siguiente estimador:

Al igual que en el caso anterior, se puede construir un intervalo de confianza usando  la aproximación Normal:

No obstante, Gatz & Smith (1995) son prudentes en advertir que no siempre sería correcto asumir la aproximación Normal, sobre todo para muestras pequeñas. Así, la estimación de los errores estándar por remuestreo y el establecimiento de puntos de corte de la distribución empírica remuestrada sería una alternativa a considerar.

Bootstrapping

Gatz & Smith (1995), muestran que la aproximación de Cochran proporciona errores estándar que no difieren estadísticamente de los obtenidos por bootrstrapping.

El método de remuestro consiste básicamente en la extracción de muestras con repetición de la muestra original, y la construcción de una distribución empírica de la media ponderada, donde se puede calcular su error estándar (también empírico). La implementación de intervalos de confianza puede realizarse de varias maneras, también empleando la aproximación normal, o los percentiles de la distribución empírica, que en el caso de 2 colas sería el percentil 2.5% y el 97.5% de la distribución.

Si asumimos esta última opción, los intervalos de confianza al 95% serían:

Ilustración práctica

Vamos a emplear de nuevo los datos de Mike James, que nos van a permitir calcular la imprecisión de su media de puntos por minuto de las 3 formas que acabamos de explicar.

Para ello, suponemos que James ha jugado sólo 25 de los 30 partidos posibles (los 25 primeros), por lo que la estimación de los puntos por minuto tendrá una imprecisión asociada.

Los resultados, con el error estándar y al 95% de confianza son los siguientes:

Aproximación Normal:

Aproximación de Cochran:

Bootstrapping Normal:

Bootstrapping percentil:

Como puede apreciarse, todos los intervalos de confianza contienen al parámetro poblacional, que conocemos (recordemos que sabíamos el rendimiento en los 30 partidos), y que es

De entre todos los procedimientos explicados, el primer de ellos es el que proporciona estimaciones más precisas, porque el error estándar es bastante más pequeño.  La clave está en la inclusión de este factor de finitud:

Si ese factor no se tiene en cuenta, entonces el valor del error estándar sería de 0.0283, es decir, muy similar al obtenido con el método de Cochran y el de remuestreo.

Creemos, sin embargo, que si se entiende que todos los partidos de una competición forman una población finita, y que si el jugador participa en todos ellos entonces su rendimiento no tiene imprecisión, entonces sería conveniente introducir factores de finitud en las estimaciones, que corrijan los errores estándar en muestras finitas (y pequeñas), y así obtener mayor fiabilidad.

Levy & Lemeshow (1999) recomiendan que sólo se use esa aproximación si:

En nuestro caso, ese valor era de 0.0079, por lo que se cumple esa condición.

Conclusión

Ya tenemos un poco más claras algunas de las opciones que tenemos para analizar rendimientos por minuto en baloncesto. Tras explicar cómo se puede calcular la media, hemos presentado varias alternativas para el cálculo de los errores estándar y el intervalo de confianza asociado

El error relativo cometido en el primer caso es del 4.01%, lo que se antoja aceptable para seguir confiando en lo que nos diga un rendimiento de 25 partidos sobre 30 posibles. Hay que tener cuidado cuando el tamaño de la muestra comienza a bajar con respecto al de la población, porque el error relativo se incrementa, y entonces habremos de buscar un criterio de inclusión en el ranking de final de temporada, ya que aquellos jugadores con un rendimiento demasiado impreciso no deberían aparecer en él.

Todos los posts relacionados




(#408). ALGUNAS CONSIDERACIONES EN LA ESTIMACIÓN DEL RENDIMIENTO POR MINUTO EN BALONCESTO (I)

[MONOTEMA] Hace unos años incidí en la necesidad de tomar una aproximación probabilística a la construcción de rankings para valorar el rendimiento de jugadores de baloncesto. Como se puede leer en este post y en el artículo que publiqué en RICYDE, es necesario considerar las impreciones en las estimaciones de los valores medios que caracterizan el rendimiento de los jugadores: puntos, rebotest, asistencias, etc.

Cuando un jugador no juega todos los partidos de la temporada, su valor medio de puntos es un estimador del valor medio de puntos que habría obtenido si los jugara todos, si consideramos que todos los partidos componen la población, y asumimos (con cierto riesgo) que los partidos en los que realmente juega son una muestra aleatoria de esa población.

En el artículo, se explica paso a paso un método para hacerlo, incluyendo a aquellos jugadores en los que la precisión sea admisible, es decir, no tengan un intervalo de confianza demasiado grande. De este modo, sólo sería posible la comparación rigurosa entre jugadores que hubieran jugado un número mínimo de partidos. De manera intuititva, eso es lo que realmente se suele hacer en la valoración de los rankings en las competiciones profesionales, aunque esos criterios de inclusión no sean del todo precisos y justificados estadísticamente.

Sin embargo, las variables del box-score no están ponderadas por los minutos de juego, y esto propicia que se puedan obtener mejor (o peor) rendimiento bruto en función del número de minutos jugados, y no de la habilidad subyacente del jugador. Por tanto, es muy recomendable comparar el rendimiento de los jugadores por minuto jugado, en aras de obtener índices de “productividad”, o capacidad de aportar al rendimiento del equipo en función de los recursos empleados, que en este caso son los minutos que se está en pista.

Pero al construir una variable de rendimiento por minuto jugado, nos encontramos con ciertas dificultades estadísticas que merecen ser discutidas, ya que ni la estimación de la media, ni de la varianza, ni del error típico son tan sencillas como las de una variable sin ponderar. El objetivo de este post, es comentar algunas de esas opciones que los analistas tenemos para realizar nuestro trabajo, centrándonos en el cálculo de la media. Dejaremos para más adelante el cómputo del error.

El cálculo de la media

Partamos de un ejemplo práctico para ilustrar el problema; la estimación de los puntos por minuto del máximo anotador de la fase regular de la Euroliga 2018/19: Mike James. El jugador del Olimpia Milan ha anotado 595 puntos (X) en 30 partidos, es decir, una media de 19.8.

Pero ha jugado 1018 minutos y 26 segundos, es decir, 1018.433 minutos (Y), por lo que los puntos por minuto (R=X/Y) han sido: 0.5842. Sin embargo, la media de todos los puntos por minuto de los 30 partidos es 0.5839, es decir, difiere (en este caso ligeramente) de lo obtenido cuando se divide 595 entre 1018.433. ¿Cómo es esto posible?

Recordemos que una de las primeras cosas que aprendemos en estadística es que la esperanza matemática de la media muestral es la media poblacional. Es decir, la media de todas las medias muestrales es la media poblacional, dicho de otro modo, la media muestral es un estimador insesgado de la media poblacional.

Pero no ocurre así en este caso, y la razón es que precisamente tenemos una variable de “razón”, o un ratio entre dos variables aleatorias: los puntos y los minutos. Cuando se tiene ese ratio, la media muestral no es un estimador insesgado de la media poblacional.

En su recomendable libro, Levy & Lemeshow (1999), admiten en la página 191 que en la práctica ese error es muy pequeño en la mayoría de ocasiones, y que se suele despreciar.

Sin embargo, tal y como demuestran van

Por tanto, sería el estimador adecuado. La razón por la que no lo es es porque no se consideran los “pesos” de la ponderación por los minutos jugados. La única forma en la que es cuando la razón entre ambas variables (x,y) es constante para todas las observaciones. Pero es lógico pensar que no tiene por qué ser así necesariamente.

De este modo, una forma alternativa de obtener la media que buscamos es sustituir la media aritmética por la media ponderada, tomando el peso de cada observación del denominador como una medida de importancia de esa observación.

Así, sea , el peso de cada observación del denominador, donde:

Entonces:

En la siguiente tabla se muestran esos datos, con el cómputo de los 3 diferentes ratios que acabamos de explicar.


Game Player PTS MP PTS/MP Pesos (wi) xiwi/yi R r1 r2 r3
1 JAMES, MIKE 13 33.58 .3871 .033 .0128 .5842 .5839 .5842 .5842
2 JAMES, MIKE 21 34.45 .6096 .0338 .0206
3 JAMES, MIKE 22 29.48 .7462 .0289 .0216
4 JAMES, MIKE 25 37.3 .6702 .0366 .0245
5 JAMES, MIKE 15 36.02 .4165 .0354 .0147
6 JAMES, MIKE 16 39.33 .4068 .0386 .0157
7 JAMES, MIKE 21 36.2 .5801 .0355 .0206
8 JAMES, MIKE 20 29.55 .6768 .029 .0196
9 JAMES, MIKE 19 36.05 .527 .0354 .0187
10 JAMES, MIKE 17 39.87 .4264 .0391 .0167
11 JAMES, MIKE 26 37.82 .6875 .0371 .0255
12 JAMES, MIKE 31 37.5 .8267 .0368 .0304
13 JAMES, MIKE 17 34.5 .4928 .0339 .0167
14 JAMES, MIKE 12 34.98 .343 .0344 .0118
15 JAMES, MIKE 16 33.42 .4788 .0328 .0157
16 JAMES, MIKE 17 31.65 .5371 .0311 .0167
17 JAMES, MIKE 20 37.53 .5329 .0369 .0196
18 JAMES, MIKE 29 35.93 .8071 .0353 .0285
19 JAMES, MIKE 27 33.73 .8004 .0331 .0265
20 JAMES, MIKE 20 36.12 .5538 .0355 .0196
21 JAMES, MIKE 22 28.78 .7643 .0283 .0216
22 JAMES, MIKE 18 33.73 .5336 .0331 .0177
23 JAMES, MIKE 19 30.77 .6176 .0302 .0187
24 JAMES, MIKE 16 28.27 .566 .0278 .0157
25 JAMES, MIKE 13 31.4 .414 .0308 .0128
26 JAMES, MIKE 27 34.42 .7845 .0338 .0265
27 JAMES, MIKE 35 36.8 .9511 .0361 .0344
28 JAMES, MIKE 16 28.25 .5664 .0277 .0157
29 JAMES, MIKE 8 29.65 .2698 .0291 .0079
30 JAMES, MIKE 17 31.35 .5423 .0308 .0167
Total 595 1018.433
Media 19.83 33.95

Conclusión

En este post hemos mostrado de manera sencilla cómo enfocar el análisis del rendimiento por minuto de los jugadores de baloncesto, centrándonos en el primer paso, que es la determinación del valor medio.

Nos queda lo más complejo, que es, a partir de aquí, elegir entre las diferentes opciones para estimar la varianza y el error estándar de la media. En el caso del jugador elegido, hemos tenido la "suerte" de que ha jugado todos los partidos de la temporada, y el valor de su media no tiene imprecisión asociada. Sin embargo, no va a ocurrir esto en la mayoría de los casos, y habremos de reportar esa media (correctamente calculada) y la imprecisión de la estimación asociada a ella. Lo veremos en el siguiente post.

Todos los posts relacionados




(#407). AVANCE DE LOS NOVATOS MÁS PRODUCTIVOS DE LA NBA 2018/19

[MONOTEMA] (Actualizado 04/04/19). Estoy trabajando en la creación de un nuevo índice para medir la productividad de jugadores de baloncesto desde las simples variables del box-score. Ese índice se basa en un estudio previo publicado en 2012, sobre factores de productividad.

Todavía no puedo dar más detalles de la construcción y teoría que hay detrás de este índice, llamado PTC (Player Total Contribution), pero lo iré haciendo en las próximas semanas a la espera de la evolución de la revisión ciega por pares del artículo donde se justifica su propuesta.

Echándole un vistazo al listado que hay debajo ya se puede tener una idea de por dónde van los tiros, pero dejemos un tiempo para su completa explicación.

Mientras tanto, iré actualizando durante los pocos días que quedan para que acabe la temporada regular de la NBA el ranking the rookies. Luka Doncic debe espabilar, perder menos balones y lanzar mejor, si no quiere que Deandre Ayton y Mitchell Robinson queden por encima. Por cierto, Trae Young tampoco anda como algunos esperarían en este ranking, también pierde demasiados balones, lo que es un verdadero lastre para cualquier jugador.

Es cierto que este tipo de métricas son estáticas y no tienen en cuenta la dinámica del partido, pero estamos trabajando en la propuesta de una alternativa de cómputo basada en el cambio en la probabilidad de victoria, que corregirá cada peso de las variables del box-score en función del momento del partido en que se realizar. De nuevo, tendremos que esperar.

Por el momento, os dejo el ranking de rookies según el PTC/min, que es simplemente una medida de la productividad por minuto jugado (con un mínimo de 500 minutos jugados en la temporada).

RK PLAYER AGE TEAM PTC/min MP G FGM FGA FTM FTA ORB DRB AST STL BLK TOV PF FD PTS
PTC developed by Jose A. Martínez. Raw statistics from www.nba.com and www.basketball-reference.com
1 Deandre Ayton 20 PHO 0,625 2183 71 509 870 141 189 223 506 125 61 67 126 209 198 1159
2 Mitchell Robinson 20 NYK 0,620 1237 62 185 268 73 124 167 217 36 50 152 32 201 105 443
3 Marvin Bagley 19 SAC 0,605 1455 58 329 641 172 247 150 278 59 32 57 91 114 209 856
4 Luka Doncic 19 DAL 0,568 2286 71 500 1172 339 477 83 464 418 74 25 243 136 398 1505
5 Jaren Jackson 19 MEM 0,496 1515 58 298 589 151 197 73 199 64 52 82 98 220 205 798
6 Trae Young 20 ATL 0,487 2442 79 511 1221 328 396 60 229 636 67 15 300 138 414 1504
7 Harry Giles 20 SAC 0,483 820 58 175 348 58 91 66 156 85 31 22 73 150 99 408
8 Mohamed Bamba 20 ORL 0,472 766 47 117 243 37 63 64 169 39 13 64 43 102 63 292
9 Wendell Carter 19 CHI 0,470 1110 44 180 371 89 112 87 220 78 26 58 65 152 107 455
10 Jonah Bolden 23 PHI 0,415 581 41 74 147 13 27 46 108 37 17 38 35 93 21 190
11 Omari Spellman 21 ATL 0,376 805 46 98 244 32 45 72 122 47 26 25 31 67 38 272
12 Allonzo Trier 23 NYK 0,373 1459 64 232 518 179 223 31 166 119 28 14 116 117 182 695
13 Shai Gilgeous-Alexander 20 LAC 0,371 2084 79 323 681 152 190 55 166 258 92 44 139 168 173 849
14 Miles Bridges 20 CHO 0,360 1562 76 216 473 53 71 61 241 78 51 42 48 110 58 544
15 Jalen Brunson 22 DAL 0,359 1508 70 252 536 80 110 25 135 208 36 4 83 120 146 646
16 Rodions Kurucs 20 BRK 0,358 1226 60 191 410 68 87 49 176 47 39 25 75 141 67 504
17 Aaron Holiday 22 IND 0,351 576 47 94 236 38 45 4 59 77 19 13 34 61 51 264
18 Collin Sexton 20 CLE 0,343 2457 78 487 1139 207 246 57 176 222 40 6 173 179 246 1291
19 Troy Brown 19 WAS 0,334 641 49 84 203 30 45 32 97 70 20 4 27 51 38 217
20 Hamidou Diallo 20 OKC 0,329 525 50 75 165 36 59 38 59 17 20 10 23 77 51 190
21 Landry Shamet 21 TOT 0,305 1724 76 230 534 72 87 20 106 108 37 9 41 149 79 691
22 Frank Jackson 20 NOP 0,299 1169 61 194 447 54 73 25 109 69 25 2 48 92 65 495
23 Mikal Bridges 22 PHO 0,288 2294 79 229 533 86 108 54 199 167 125 37 70 196 100 646
24 Kevin Huerter 20 ATL 0,288 1993 73 265 639 41 56 58 178 205 64 24 105 148 58 701
25 Kevin Knox 19 NYK 0,286 2032 71 320 858 149 203 58 248 74 42 23 108 170 157 908
26 Josh Okogie 20 MIN 0,286 1664 70 190 489 114 157 41 174 84 79 30 63 157 155 553
27 Kenrich Williams 24 NOP 0,286 978 43 96 254 11 17 50 153 68 40 15 33 88 42 250
28 Chandler Hutchison 22 CHI 0,282 895 44 96 209 23 38 31 154 34 23 6 25 59 46 229
29 Devonte’ Graham 23 CHO 0,270 609 42 68 195 33 44 8 46 113 22 2 27 46 45 201
30 De’Anthony Melton 20 PHO 0,261 915 47 90 237 16 22 21 101 150 64 23 68 108 41 224
31 Gary Clark 24 HOU 0,256 620 49 47 143 7 7 21 89 18 19 26 7 45 18 139
32 Elie Okobo 21 PHO 0,219 883 50 103 267 33 43 11 82 117 28 7 64 104 40 274
33 Isaiah Briscoe 22 ORL 0,218 559 39 55 138 15 26 5 69 87 11 2 31 66 52 136
34 Bruce Brown 22 DET 0,199 1361 70 116 299 38 53 43 129 85 35 35 45 168 51 294
Player Total Contribution per minute (PTC/min) for the 2018/19 NBA regular season: ROOKIES / April,4,2019


Seguiremos acutalizando este post con nuevos datos hasta obtener los resultados finales de la temporada regular.

Cómo citar este artículo: Martínez, J. A. (2019, abril 4). Los rookies más productivos de la NBA 2018/19. Descargado desde www.cienciasinmiedo.es/b407

Todos los posts relacionados




(#367). LENTO PARA LOS CUÁDRICEPS Y RÁPIDO PARA LOS BÍCEPS; REVISIÓN SOBRE VELOCIDAD DE EJECUCIÓN E HIPERTROFIA

[REVISIÓN DE ARTÍCULO] En esta investigación publicada en el European Journal of Sport Science, los autores revisan la relación que existe entre la velocidad en la ejecución de movimientos y la hipertrofia en entrenamiento de resistencia.

El artículo comienza describiendo brevemente las contradicciones que existen en la literatura sobre si es mejor ejecutar movimientos rápidos o lentos para ganar masa muscular.

Por un lado, al hacer movimientos lentos se incrementa la tensión muscular, lo que juega a favor de la hipertrofia, pero al mismo tiempo se produce más fatiga y se es capaz de levantar menos peso lo que, en esta ocasión, juega en contra de la hipertrofia. Además, existen factores moderadores, como la experiencia del atleta, la carga o el tipo de músculo estimulado, que pueden influir.

El objetivo de este estudio es realizar una revisión sistemática sobre la asociación entre la velocidad de ejecución y la ganancia de masa muscular.

Metodología

Los autores realizaron una búsqueda de artículos científicos en diferentes bases de datos, y plantearon varios criterios de inclusión que al final le llevaron a quedarse únicamente con 6 estudios

El proceso de cribado y los criterios seguidos vienen descritos en la siguiente figura.

b367_2

La muestra final estaba compuesta por sólo 119 participantes (91 hombres y 28 mujeres), entre 19 y 69 años, y (importante) todos ellos sin experiencia de entrenamiento previa.

Las características principales de los estudios seleccionados se muestran en la siguiente tabla:

b367_3

Como puede apreciarse, los estudios varían en el diseño, en la manipulación de las velocidades de las fases excéntrica y concéntrica,  y en los grupos musculares trabajados.

Resultados e implicaciones

En los 6 estudios analizados se encontró un patrón de asociación distinguiendo entre tren inferior y superior. Para el tren inferior, parece que velocidades moderadas-bajas producen un incremento de la hipertrofia, mientras que para el tren superior, son las velocidades altas las que producen ganancias de músculo. Pero claro, hemos de hablar principalmente de cuádriceps y de bíceps braquial, y tener prudencia al generalizar al resto de músculos.  En la siguiente tabla se resumen los resultados.

b367_4

Los autores indican que una posible explicación de estos resultados está relacionada con el tipo de fibras de los cuádriceps (mayor cantidad de fibras tipo I) y los bíceps (mayor cantidad de fibras tipo II)

Limitaciones/Comentarios

Los autores reconocen las limitaciones de su revisión, el escaso número de estudios, y las características particulares de la muestra. 

Para deportistas avanzados, esta revisión quizá es de poca utilidad, porque todos los estudios de la misma emplearon cargas menores del 60% de 1RM, y además los participantes eran inexpertos.

Probablemente para atletas con experiencia la sugerencia de entrenar variando las velocidades sea acertada. Incluso  variando la velocidad de las fases excéntrica (asociada a más hipertrofia en el bíceps cuanto más lento se haga, por ejemplo) y concéntrica.

Un punto positivo de este revisión es que se ha controlado por el volumen de entrenamiento, es decir, que según indican los autores los grupos de control y experimentales realizaron la misma cantidad de series y repeticiones (dentro de cada estudio). No obstante, esto quizá haya hecho que no siempre los participantes se hayan acercado al fallo muscular.

LEE EL ARTÍCULO ORIGINAL AQUÍ:

 Hackettt, D. A. (2018). Effect of movement velocity during resistance training on muscle-specific hypertrophy: A systematic review. European Journal of Sport Science, doi: 10.1080/17461391.2018.1434563

Indicadores de calidad de la revista*

 

Impact Factor (2016)

Cuartil

Categoría

Thomson-Reuters (JCR)

2.576

Q2

SPORTS SCIENCES

Scimago (SJR)

1.122

Q2

SPORTS SCIENCE

* Es simplemente un indicador aproximado para valorar la calidad de la publicación

Todos los posts relacionados




(#349). SUPLEMENTACIÓN CON CAFEÍNA Y RENDIMIENTO EN FUERZA Y POTENCIA

[REVISIÓN DE ARTÍCULO] En esta investigación publicada en el Journal of International Society of Sports Nutrition, los autores realizan una revisión de los estudios que asocian la ingesta de cafeína con la fuerza y potencia muscular.

El efecto ergogénico de la cafeína sobre la resistencia muscular ha sido reportado en diversas investigaciones. Sin embargo, los efectos sobre el ejercicio anaeróbico no están tan claros. El objetivo de esta investigación es, por tanto, dilucidar cómo está el estado de la cuestión en relación a la asociación con la fuerza y potencia muscular.

Metodología

Los autores identificaron dos variables para caracterizar la fuerza y la potencia: test de 1RM y salto vertical, respectivamente.  Sobre estas variables, seleccionaron los estudios que incluyeron en su revisión sistemática y metanálisis.

Los estudios seleccionados emplearon diseños aleatorizados, y es de destacar que se excluyeron aquellos donde la ingesta de cafeína se hacía mediante café, ya que esa bebida tiene otros compuestos biológicamente activos que pueden moderar el impacto de la cafeína. Por tanto, los autores se centraron sólo en la suplementación con cafeína.

De los 2533 documentos inicialmente identificados, sólo pasaron los criterios de inclusión 20, 10 para cada una de las variables analizadas. Las muestras agregadas de los estudios que evaluaban fuerza y potencia fueron 149 y 145 participantes, respectivamente, por lo que las muestras, pese a la agregación, no pueden considerarse grandes.

Resultados e implicaciones

Las dosis de cafeína variaron entre  0.9 mg/kg y 7 mg/kg. Los resultados del metanálisis indicaron una diferencia significativa entre los grupos de placebo y los experimentales en relación a la fuerza máxima (p=0.023), donde el posterior análisis de subgrupos reveló que la cafeína significativamente mejoraba la fuerza en el tren superior pero no en el tren inferior. El metanálisis realizado para analizar la potencia muscular arrojó resultados también significativos (p=0.047).

b349_1

b349_3

Los tamaños de efecto para ambas variables fueron pequeños, pero como bien comentan los autores, incluso pequeñas ganancias de rendimiento pueden ocasionar grandes efectos a nivel de competición.

No se encontraron diferencias, sin embargo, en entre los subgrupos de individuos previamente entrenados frente a principiantes.

Limitaciones/Comentarios

Como resaltan los autores, los resultados deben interpretarse con cautela debido a que los tamaños de muestra son limitados. Tampoco queda muy claro qué dosis de cafeína proporciona los beneficios reportados, ya que el rango de dosis en los diferentes estudios es amplio.

Sin embargo, el estudio aporta la interesante contribución de identificar a la cafeína como una más que plausible ayuda para mejorar el rendimiento en deportes con alto contenido en ejercicio anaeróbico.

Particularmente, me hubiera gustado también que los autores comentaran si existe algún efecto secundario identificado en la literatura o en qué medida la equivalencia con el café podría realizarse.

LEE EL ARTÍCULO ORIGINAL AQUÍ:

Schoenfeld, B.&  Grgic, J. (2017). Eccentric Overload Training: A Viable Strategy to Enhance Muscle Hypertrophy?. Journal of the International Society of Sports Nutrition, doi: 10.1186/s12970-018-0216-0

Indicadores de calidad de la revista*

 

Impact Factor (2016)

Cuartil

Categoría

Thomson-Reuters (JCR)

2.066

Q3

NUTRITION & DIETETICS

Scimago (SJR)

0.771

Q1

FOOD SCIENCE

* Es simplemente un indicador aproximado para valorar la calidad de la publicación

Todos los posts relacionados




(#298). ¿CAMBIAR DE ENTRENADOR A MITAD DE TEMPORADA?

[MONOTEMA] Jason Kidd ha sido destituido como entrenador de los Bucks de la NBA hace escasos 2 días. Es el segundo cambio a mitad de esta temparada 2017-18 tras el de David Fizdale en los Grizzlies el pasado mes de noviembre.

¿Es adecuado cambiar de entrenador a mitad de temporada? Se ha escrito mucho al respecto en la literatura académica. En mi caso, he tenido la oportunidad de publicar varios papers sobre ello (Martínez, 2012; Martínez & Caudill, 2013, Martínez, 2017), y los voy a comentar brevemente en este post.

Las evidencias que la literatura ha mostrado son contradictorias, es decir, con estudios que encuentran efectos positivos, negativos y neutros, por lo que no es un tema del que se pueda extraer una conclusión clara. Sin embargo, voy a tratar de explicar lo que en mis estudios han aportado (modestamente) a este debate.

Mejora a corto plazo

“Entrenador nuevo; victoria segura”. Este dicho tan extendido tiene cierta base empírica, tal y como muestro en Martínez (2012), tras analizar todos los cambios de entrenador en la NBA a mitad de temporada desde 1949-50 hasta 2009-10:

Y lo es debido a dos factores fundamentales, y es que la mayoría de los cambios de entrenador se producen antes de que un equipo juegue su siguiente partido en casa, y en equipos con un porcentaje de victorias no muy elevado (es decir, equipos con problemas de rendimiento). Como son precisamente esas dos variables las que tienen un cambio relativo mayor en comparación con el modelo que explica las victorias en partidos anteriores, es lógico que se obtengan estos resultados. Así, sobre un “partido tipo”, la probabilidad de victoria para el nuevo entrenador es más de 2 veces superior al último partido jugado por el equipo, es decir, al anterior partido jugado y dirigido por el entrenador reemplazado. Esto da una idea del fuerte cambio producido en el rendimiento de los jugadores tras el cambio.

De este modo, el efecto psicológico sobre los jugadores parece claro, tal y como comentaba en el artículo:

La mejora de rendimiento en los equipos que cambian de entrenador en el primer partido jugado se debe a un efecto psicológico, o lo que Koning (2003) denomina “efecto shock”, que futuras investigaciones deberán analizar más en profundidad. Estudios de naturaleza cualitativa podrían ayudar a esclarecer las razones de ese efecto, una vez mostrada la evidencia empírica de su existencia. Las teorías sobre liderazgo y asimilación de expectativas (comentadas anteriormente), podrían ser un buen inicio, pero otras aproximaciones podrían ser también consideradas. Así, desde un enfoque más economicista, podría aplicarse una explicación basada en los incentivos que los jugadores obtienen en ese primer partido (Ariely, 2010), donde necesitan “mostrarse” al nuevo técnico o reivindicar su valía como jugadores, puesta en cuestión por el bajo rendimiento del equipo. Desde un punto de vista más psicológico, la metáfora del cambio explicada por Zaltman y Zaltman (2008) se postula como otra posible línea de trabajo. El ser humano vive en una continua paradoja entre el deseo de inmovilismo (seguridad) y el deseo de cambio (esperanza), cuya balanza se rompe hacia el deseo de cambio en ciertas situaciones de ruptura emocional, como puede ser la que ocurre cuando el deportista actúa por debajo de su nivel esperado. Esa esperanza de cambio podría hacer que los jugadores incrementaran significativamente su rendimiento, incluso de manera inconsciente, en un efecto que se podría manifestar de forma similar a cómo los estudios de neurociencia están mostrando (Lindstrom, 2008).

Por tanto:

Estos resultados indican, básicamente, que sí que existe un cambio en el efecto que las variables tienen sobre la probabilidad de victoria, que se traduce principalmente en que en el primer partido que dirige un nuevo entrenador, el equipo en cuestión tiene una probabilidad de ganar sensiblemente superior si juega en casa y frente a un equipo débil, comparado con que esa misma situación se diera con el antiguo entrenador.

Recordemos que estamos hablando de probabilidades y de un “partido tipo”, es decir, con valores de las variables independientes del modelo en su punto medio. Para realizar predicciones sobre el modelo propuesto hay que especificar el estado de cada variable de manera concreta y calcular la probabilidad.

Así, empleando el modelo que estimé en el paper, la probabilidad de que los Grizzlies ganaran el último partido que dirigió David Fizdale era del 38%, mientras que la probabilidad de que lo hiciera su sustituto J.B Bickerstaff en su primer partido era del 18%. Efectivamente los Grizzlies perdieron ese primer partido con el entrenador nuevo. El motivo es que jugaron en casa de los Spurs, y el modelo tiene en cuenta la diferencia de potencial entre los equipos y el factor cancha.

Sin embargo, para el cambio de entrenador de los Bucks la situación cambia. Kidd jugó su último partido fuera, en casa de los Sixers, y perdió. Su probabilidad de victoria era sólo del 11%. Pero su sustituto, Joe Prunty jugó en casa su primer partido y además contra un equipo bastante más flojo (los Suns). Y consiguió la victoria; pero es que la probabilidad de hacerlo era del 78%.

Evidentemente todo esto son estimaciones y hay que interpretarlas siempre en lenguaje probabilístico. Por tanto, aunque el cambio de entrenador incrementa la probabilidad de ganar ese primer partido (tomando  un “partido tipo”), ello está sujeto al valor concreto de las variables que caracterizan ese partido.

La cuestión que se presenta ahora es conocer si ese cambio positivo a corto plazo se traduce en una mejora significativa de resultados al final de la temporada regular. Dilucidar la respuesta no es sencillo, pero he tratado de aproximarme en los estudios que comento a continuación.

¿Mejora al final de la temporada regular?

Para responder a esta pregunta he realizado dos estudios; uno publicado en 2013 que recoge los datos desde 1949-50 hasta 2009-10, y una revisión de ese estudio ampliando datos (hasta la temporada 2015-16), y empleando  una metodología diferente de análisis.

Globalmente, los resultados indican que hay una leve evidencia que el cambio puede incrementar el porcentaje de victorias para los equipos, pero teniendo en cuenta de que sólo en un 12% de ocasiones lo hace de manera significativa. Aproximadamente un 5% de los cambios producen peores resultados y la gran mayoría, 83%, no cambian significativamente el porcentaje de victorias.

Por tanto es una decisión arriesgada, y más teniendo en cuenta los posibles costes asociados al despido. Por ejemplo, los Pistons tuvieron que pagar $6 milllones a Larry Brown por su despido en 2005.

Si finalmente los gestores de la franquicia deciden cambiar de entrenador, para maximizar la probabilidad de éxito se debe contratar a un entrenador con alta experiencia y con una larga carrera como jugador (que precisamente son los más caros). Además, el cambio debe hacerse lo antes posible en la temporada para que se incremente la probabilidad de mejorar los resultados.

Vamos a ver qué ocurre este año con los resultados de Grizzlies y Bucks tras el cambio de entrenador. Aunque tienen alta experiencia como entrenadores ayudantes, tanto J.B Bickerstaff como Joe Prunty son bastante novatos, pese a que el primero dirigió a los Rockets en 2016 tras la marcha de McHale. Además ninguno de los dos ha sido jugador de la NBA.

De momento, Bickerstaff lleva un porcentaje de victorias prácticamente idéntico a su predecesor (37% frente a 36.8%), por lo que no parece que el cambio haya dado sus frutos, aunque hay que esperar al final de temporada, por supuesto.

Conclusiones

El análisis estadístico en el deporte siempre suscita controversia, porque algunos piensan que es sólamente una forma de marear datos con poca aplicación práctica. Sin embargo, la importancia del sports analytics es innegable en el deporte profesional actual, como una herramienta más de toma de decisiones.

Estudiar si un cambio de entrenador mejora o no los resultados está dentro de las múltiples aplicaciones que tiene este campo. En general, lo que nos dicen los datos es que hay un efecto positivo tras el cambio, reflejado en ese incremento de probabilidad de victoria en el primer partido, pero que en la mayoría de los casos se diluye al final de temporada. Si se apuesta por el cambio, se aconseja no esperar demasiado y contratar un entrenador con alta experiencia y que haya sido jugador. Si leéis mis papers encontraréis más comentarios y limitaciones de esos estudios.

Por último, recordad siempre que estamos usando el lenguaje de la probabilidad, y que casos particulares hay de muy diversa índole. Pero a lo largo de la historia de la NBA, los datos agregados nos dicen lo que acabo de relatar en este post.

Todos los posts relacionados




(#293). GUÍAS PARA MAXIMIZAR LA HIPERTROFIA GESTIONANDO EL VOLUMEN

[REVISIÓN DE ARTÍCULO] En esta revisión publicada en el Strength and Conditioning Journal, los autores sugieren unas guías para maximizar la hipertrofia en entrenamiento de resistencia, centrándose en una variable fundamental: el volumen.

El volumen el trabajo total desarrollado en una sesión de entrenamiento, y puede ser expresado multiplicando las repeticiones  por la carga (peso). Por ejemplo, si se realizan 10 series de 5 repeticiones con 20 kilos, el volumen sería 1000. Aunque hay más deficiones de volumen, esta es la más sencilla y fácil de manejar.

Como indican los autores, existe discusión sobre cuánto volumen se necesita para maximizar la hipertrofia. El American College of Sports Medicine recomienda que los principiantes realicen entre 1 y 3 series por ejercicio, con 8-12 repeticiones y una carga moderada (70-85% de 1RM), mientras que para los deportistas avanzados esde 3-6 series por ejercicio, con 1-12 repeticioes carga de 70-100% de 1RM.

Controversias en la literatura

Los autores hacen una breve mención a varias investigaciones que muestran contradicciones en cuanto a la relación entre el volumen y la hipertrofia.

En primer lugar, hay un buen  número de ellas que no encuentran efectos significativos, ya sea por la baja potencia de los análisis o por otros detalles metodológicos, pero la realidad es que existe evidencia publicada donde trabajar menos volumen hasta el fallo muscular puede producir efectos similares a entrenar con más volumen sin llegar al fallo.

Asimismo, también hay estudios que muestran una relación positiva entre volumen e hipertrofia (lo que sería consistente con lo que se observa en muchas rutinas entre deportistas avanzados y principantes). Sin embargo, esa relación es probable que no sea lineal, y que refleje un efecto de hormesis, de tal forma que un elevado volumen puede llevara una disiminución de la hipertrofia.

Aplicaciones prácticas

Valorando todas las referencias revisadas, los autores se posicionan sobre una relación positiva entre volumen e hipertrofia. Así, recomiendan 10 o más series por músculo y semana, pero reconociendo que ganancias sustanciales también pueden conseguirse con 4 menos series por músculo y semana.

Además, abogan por la periodización de las rutinas para evitar el sobreentrenamiento, variando el volumen en función de las semanas del año, incluyendo un par de semanas de recuperación y descarga.

Limitaciones/Comentarios

Este artículo realiza una revisión no demasiado exhaustiva de la literatura, pero aun así tiene el interés de mostrar que existen evidencias de ganancias musculares empleando diferentes formas de manejar el volumen.

Aunque los autores postulan una relación positiva y lineal, recomiendan la periodización como forma de gestionar la hormesis, algo que parece lógico en cualquier diseño de entrenamiento a medio y largo plazo.

Esto nos lleva a una conclusión poco atractiva pero ciertamente realista, y es que las recomendaciones generales son insuficientes para atender correctamente a los requerimientos de cada caso específico donde hay numerosas variables que gestionar (edad, experiencia, biotipo, estrés, dieta, etc.). Y es poco atractiva porque a muchos le puede decepcionar no tener una “fórmula mágica” para la ganancia muscular (quitando suplementos y drogas).

Y un último apunte, es probable que se necesite una mayor sofisticación metodológica y estadística en buena parte de las investigaciones publicadas (enfoques cortoplacistas, muestras reducidas, baja potencia, etc.).

De este modo, parece inteligente ponerse en manos de un profesional que pueda personalizar un entrenamiento haciendo un seguimiento puntual del rendimiento del atleta. Y en el caso de deportistas aficionados que no se lo puedan permitir o no quieran hacerlo, deberán jugar con el conocimiento propio de su fisiología, los fenónenos de hormesis, y el cuerpo de evidencia que la literatura muestra sobre este tema.

LEE EL ARTÍCULO ORIGINAL AQUÍ:

Schoenfeld, B. &  Grgic, J. (2017). Evidence-based guidelines for resistance training volume to maximize muscle hypertrophy . Strength    and    Conditioning    Journal, doi: 10.1519/SSC.0000000000000363.

Indicadores de calidad de la revista*

 

Impact Factor (2016)

Cuartil

Categoría

Thomson-Reuters (JCR)

0.536

Q4

SPORT SCIENCES

Scimago (SJR)

0.35

Q3

SPORTS SCIENCES

* Es simplemente un indicador aproximado para valorar la calidad de la publicación

Todos los posts relacionados




(#292). TROMBOEMBOLISMO VENOSO EN EL DEPORTE PROFESIONAL

[REVISIÓN DE ARTÍCULO] En esta investigación publicada en el Orthopaedic Journal of Sports Medicine, se hace un estudio restrospectivo de la incidencia de trombosis venosa profunda (DVT) y embolia pulmonar (PE) en deportistas profesionales norteamericanos. Dado que este es un tema en el que he publicado (junto con otros compañeros) un estudio muy recientemente, voy a comentar brevemente el contenido de este artículo, para especificar lo que añade al conocimiento existente.

Como hemos definido en otras ocasiones, el tromboembolismo venoso (VTE) representa una amenaza muy importante a la salud de los afectados. El VTE comprende el DVT y el PE. La investigación que publicamos en 2016 sólo se centraba en PE en jugadores de baloncesto en un periodo de 5 años (aunque también comparamos con la incidencia en otros deportes profesionales). Sin embargo, en este artículo los autores incrementan el lapso temporal a 18 años (desde 1999 a 2016), y amplían la condición de estudio a VTE, lo que da una idea más completa de la relevancia de estos eventos.

El objetivo de esta investigación es, por tanto, describir la incidencia de VTE, el tratamiento realizado y el tiempo estimado en volver a la actividad deportiva.

Metodología

Los autores buscaron en diversas bases de datos y con palabras clave reportes de DVT y PE en la NHL, MLB, NBA y NFL, las cuatro grandes ligas profesionales estadounidenses, entre 1999 y 2016.

No sólo identificaron los casos, sino que también reportaron el tiempo que tardaron en recuperarse (si es que lo hicieron).

Resultados e implicaciones

 Se encontraron 55 casos de VTE:

  • 22 en NHL
  • 16 en MLB
  • 12 en NFL
  • 5 en NBA

De ellos 19 tuvieron DVT en una extremidad superior, 15 en una extremidad inferior, 15 PE, y 6 tuvieron DVT junto con PE.

Uno de los resultados más destacados es que los jugadores de béisbol de la MLB tenían una probabilidad significativamente más alta de tender un DVT en una extremidad superior comparado con atletas de otros deportes.

También es importante destacarque hubo 6 recidivas de VTE, algo que nosotros también encontramos cuando analizamos la liga ACB y la NBA (2 recidivas).

Los autores han tratado de identificar factores de riesgo, pero es una tarea muy compleja y con mucho ruido. No obstante, señalaron la historia personal o familiar, un trauma o lesión reciente, y la cirugía como posibles causas.

El tiempo medio de baja fue de 6.7 meses con 4.9 meses de error, es decir, hubo mucha variabilidad en la recuperación.

Limitaciones/Comentarios

En la discusión los autores comentan dos conceptos importantes y que completan información que hemos comentado en post similares: (1) Los altetas profesionales pueden ser más proclives a la hipercoagulación debido al ejercicio extremo; (2) En la NFL ,10 de 12 deportistas que tuvieron VTE tenían BMI entre 33.9 y 44.8, es decir, un gran sobrepeso que es un factor de riesgo conocido (aunque hablar aquí de obesidad en este tipo de atletas con tanta masa muscular es muy controvertido).

Sin embargo, los autores no mencionan la estatura como posible factor de riesgo, y es extraño que no reporten esa variable en la muestra, dada la facilidad de registrarla y poder tratarla estadísticamente.

Tampoco hacen una comparación estadística de la incidencia de VTE con respecto a la población general de ese rango de edad, lo que daría también más información sobre si los deportistas de élite tienen un riesgo especial, algo que nosotros comenzamos a atisbar en nuestro estudio sobre PE (y en el que también comenzamos a registrar datos sobre DVT, aunque luego no los empleamos en el estudio final, ya que nos centramos sólo en embolias pulmonares).

LEE EL ARTÍCULO ORIGINAL AQUÍ:

Bishop, M. et al. (2017). Venous Thromboembolism Within Professional American Sport Leagues. Orthopaedic Journal of Sports Medicine, doi: 10.1177/2325967117745530

Indicadores de calidad de la revista*

 

Impact Factor (2016)

Cuartil

Categoría

Thomson-Reuters (JCR)

Scimago (SJR)

0.35

Q3

ORTHOPEDICS AND SPORT MEDICINE

* Es simplemente un indicador aproximado para valorar la calidad de la publicación

Todos los posts relacionados




(#286). ENTRENAMIENTO EXCÉNTRICO PARA GANAR MÚSCULO

[REVISIÓN DE ARTÍCULO] En esta investigación publicada en el Strength and Conditioning Journal, los autores analizan si el entrenamiento con ejercicios excéntricos mejora la hipertrofia. Y lo hacen en una revisión corta, quizá poco exhaustiva del estado de la cuestión, pero que arroja ciertas conclusiones de interés.

Este es un tema recurrente en la investigación en entrenamiento deportivo, y una de las convenciones sociales en musculación; las repeticiones excéntricas ayudan a desarrollar músculo.

Los autores distinguen los tres tipos de acciones musculares del entrenamiento de resistencia: (1) concéntrica, el músculo produce fuerza cuando se acorta; (2) excéntrica, el músculo produce fuerza cuando se elonga; (3) isométrica, el músculo produce fuerza sin un cambio en su longitud.

Básicamente, y tomando un ejercicio de dominadas como referencia, la acción concéntrica sería la fuerza ejercida para subir hacia la barra, la excéntrica sería la fuerza ejercida para controlar tu peso bajando ordenadamente a la posición inicial, y la isométrica el mantenerse arriba en la misma posición durante un tiempo tras hacer la fase concéntrica. Es común en los gimnasios hacer ejercicios que trabajan la fase excéntrica con pesos mayor que los análogos a 1RM (una repetición máxima) para la fase concéntrica. Es decir, se pueden manejar grandes pesos para trabajr esa fase “negativa” del movimiento, aunque normalmente se necesita mucha experiencia del deportista y ayuda de compañeros.

Como indcan los autores, se ha postulado que trabajar acciones excéntricas elevan más rápidamente la síntesis de proteínas en el músculo, aunque los estudios realizados comparando el crecimiento muscular con respecto a las contracciones concéntricas e isométricas presentan resultados dispares (nombran varios donde se producen diferencias a favor de las acciones excéntricas y otros donde no hay divergencias significativas).

La ruptura de microfirbas musculares es mayor en ejercicios excéntricos, lo que  es un factor que favorece la hipertrofia. Además, la combinación de ejercicios concéntricos suplementados con excéntricos podría aumentar la hipertrofia, ya que se incrimenta uno de los posibles promotores de la misma, que es la acumulación de lactato en sangre.

Los autores comentan tres publicaciones recientes en los que no hay evidencia fuerte de que el entrenamiento excéntrico produzca mayores niveles de hipertrofia que el concéntrico.

Conclusiones

Los autores indican que, pese a que hay evidencia sólida de que el entrenamiento excéntrico mejora la fuerza, no está tan claro que lo haga con la hipertrofia. De este modo, puede ser muy interesante para el trabajo de ciertos atletas encaminados a la mejora del rendimiento, pero quizá no como estrategia sistemática para ganar músculo.

Sin embargo, los investigadores concluyen que el añadir una o dos series de de acciones excéntricas por grupo muscular es una forma recomendable de ganar músculo. Para ello indican que una carga del 120% de 1RM sería adecuado. No obstante, habría que realizar adaptaciones y modificaciones en función de la respuesta del atleta y su propia evolución.

En conclusión, los autores sugieren que, efectivamente, la convención de emplear repeticiones o series negativas de manera puntual en el trabajo de pesas es una buena rutina para incrementar músculo, tal y como tradicionalmente se ha trabajado en muchas rutinas en gimnasiso. Sin embargo, ir más allá de ahí en los ejercicios excéntricos no aporta ganancias adiciones, y los riesgos de lesión u otros efectos negativos se incrementan.

LEE EL ARTÍCULO ORIGINAL AQUÍ:

Schoenfeld, B.&  Grgic, J. (2017). Eccentric Overload Training: A Viable Strategy to Enhance Muscle Hypertrophy?. Strength    and    Conditioning    Journal, doi: 10.1519/SSC.0000000000000351.

Indicadores de calidad de la revista*

 

Impact Factor (2016)

Cuartil

Categoría

Thomson-Reuters (JCR)

0.536

Q4

SPORT SCIENCES

Scimago (SJR)

0.35

Q3

SPORTS SCIENCES

* Es simplemente un indicador aproximado para valorar la calidad de la publicación

Todos los posts relacionados




(#258). PROTEÍNAS Y GANANCIAS DE FUERZA Y MASA MUSCULAR

[REVISIÓN DE ARTÍCULO] El entrenamiento de resistencia y la suplementación proteica van unidos en la práctica de muchos deportistas. Pese a que es una creencia extendida que la suplementación con proteínas produce ganancias de músculo y fuerza, existe controversia en la investigación científica, principalmente debido a la heterogeneidad de los estudios.

El objetivo de esta investigación es realizar un metanálisis sobre si la suplementación con proteínas puede producir cambios relevantes en los resultados del entrenamiento, analizando la relación entre la dosis y la respuesta.

Metodología

Los autores consideraron todos los ensayos controlados aleatorizados que combinaban el entrenamiento de resistencia y la suplementación proteica.  Esos estudios debían durar al menos 6 semanas y los participantes tenían que entrenar al menos 2 veces semanales. Además, el grupo al que se le suministraba suplementos no debía ingerir otros agentes potencialmente generadores de hipertrofia (creatina, testosterona, etc.). Finalmente se tuvieron en cuenta únicamente estudios donde no se exigía restricción calórica y donde los participantes estuvieran sanos. Todos esos criterios de inclusión hicieron que la muestra se compusiera de 49 investigaciones, que son las que formaron parte del metanálisis.

Como variables de respuesta se consideraron el test de repetición máxima (1RM), la contracción máxima voluntaria (MVC), la masa corporal total (TBM), la masa libre de grasa (FFM) y otras medidas antropométricas.

El total de participantes considerados en los estudios fue de 1863, con una media de 35 años .

Resultados e impliaciones

La suplementación con proteínas produjo ganancias significativas de fuerza en el test de 1RM: Diferencia de medias (MD)= 2.49  IC 95% (0.64 ; 4.33), y ganancias en masa libre de grasa (FFM): MD=0.30 IC 95% (0.09 ; 0.52), mientras que redujo la masa grasa (FM), MD=-0.41 IC 95% (-0.70 ; -0.13).

Las ganancias en FFM fueron menos efectivas a medida que la edad de los participantes se incrementaba, y no se produjeron por encima de 1.6 g/kg/día. Este último es un resultado muy importante porque indica que se puede conseguir resultados equivalentes con una ingesta proteica que se puede obtener de forma relativamente  fácil desde la propia dieta (sin necesidad, por tanto, de suplementarse). Los autores encuentran que el momento de la suplementación proteica (post-entrenamiento, pre-entrenamiento, etc.) tenía un rol marginal en los resultados.

Limitaciones/Comentarios

Establecer recomendaciones generales en entrenamiento deportivo es muy complejo. Este estudio pretende hacerlo al recopilar 49 investigaciones anteriores sobre los efectos de la suplementación con proteínas en algunas variables clave de rendimiento y antropométricas. Pero bajo mi punto de vista, y aunque meritorio, sólo da una visión muy general al respecto.

Mezclar estudios donde existe una gran heterogeneidad de edades y de formas de suplementación (de tipos de proteína ingerida),produce un dibujo demasiado ecléctico. Es cierto que los autores reportan que en 23 de sus estudios la ingesta calórica diaria total se mantenía constante, pero no sabemos nada del resto, y eso podría condicionar los resultados.

Los autores tampoco inciden en los test de mala especificación de sus análisis estadísticos (algo habitual en este tipo de estudios), por lo que cuando se habla de “regresión” no se reportan si se cumplen las asunciones.

Parece adecuado escoger ese 1.6 gr/kg/día como recomendación general, pero hay que admitir también que la regresión segmentada realizada para detectar ese “break point” tiene un p-valor de 0.079, por lo que una interpretación más prudente sería recomendable.

Lo que está claro es que las recomendaciones de consumo de proteínas para la población general de 0.8 gr/kg/día que se dan en Canadá y Estados Unidos no son suficientes para el segmento de deportistas. La cuestión más peliaguda es entonces hablar acerca de dónde está el límite superior, algo que en este artículo se estima alrededor de 2.2 gr/kg/día, lo que también es un error  de interpretación de los intervalos de confianza. Recordemos que bajo el prisma frecuentista un intervalo de confianza al 95% significa que 95 de cada 100 veces que repitamos el experimento el parámetro estará dentro del intervalo generado, pero ese intervalo puede ser diferente para cada repetición del experimento, por lo que esos intervalos de confianza no se pueden interpretar como la probabilidad de que el parámetro esté dentro, algo que la óptica bayesiana sí permite.

Además, ¿qué sucede con los deportistas enfocados principalmente a la hipertrofia? En el ámbito del fitness/culturismo existen entrenadores que recomiendan ingestas superiores a ese 1.6 gr/kg/día. Este artículo no da respuesta a esta cuestión, aunque es cierto que tampoco era el objetivo.

Por tanto, mi visión global de esta investigación es que reporta una idea general interesante sobre el efecto de una suplementación proteica prudente sobre ciertas variables de rendimiento y antropométricas. Unos efectos que se consiguen sin la necesidad de una suplementación “extrema” (de por ejemplo 3 gr/kg/día que algunos recomiendan), que queda fuera del alcance de este artículo.

Como los tipos de proteína se entremezclan, los autores no dan ningíun tipo de recomendación al respecto (por ejemplo si usar proteína de suero en polvo frente a proteína animal proveniente de alimentos).

En definitiva, un meritorio trabajo de investigación pero que sigue dejando infinidad de preguntas abiertas. Y eso es lo bonito de la ciencia, que conforme vas avanzando en el camino se abren muchas más posibilidades.

LEE EL ARTÍCULO ORIGINAL AQUÍ:

Morton, R. W.  et al.  (2017). A systematic review, meta-analysis and metaregression of the effect of protein supplementation on resistance training-induced gains in muscle mass and strength in healthy adults. British Journal of Sports Medicine,  doi: 10.1136/bjsports-2017-097608

Indicadores de calidad de la revista*

 

Impact Factor (2016)

Cuartil

Categoría

Thomson-Reuters (JCR)

6.557

Q1

SPORTS SCIENCES

Scimago (SJR)

3.25

Q1

SPORTS SCIENCE

* Es simplemente un indicador aproximado para valorar la calidad de la publicación

Todos los posts relacionados