Algoritmos de Decisão para Treino Adaptativo

Introdução

Na aula anterior, estabelecemos um framework de autorregulação de três camadas: avaliação da prontidão pré-sessão, ajuste de carga intra-sessão e análise da fadiga semanal. Aprendemos a lógica geral para usar ferramentas como HRV, TQR e RPE para modular o treinamento.

O objetivo desta aula é levar esse framework ao próximo nível de precisão e personalização. Vamos traduzir as diretrizes gerais em regras operacionais explícitas. O resultado esperado é que você seja capaz de criar algoritmos de decisão ('se-então' / if-then) personalizados para ajustar o treino com base em múltiplos indicadores de recuperação.

Em vez de apenas ter um "sentimento" de que precisa ajustar o treino, você terá um sistema lógico e quantificável para tomar essas decisões. Isso transforma o treinamento em um processo dinâmico, onde o plano se adapta a você, e não o contrário. Para seu perfil analítico e formação médica, pense nisso como a criação de protocolos clínicos para o treinamento físico: diretrizes baseadas em evidências que guiam a intervenção, mas que são sempre adaptadas ao indivíduo.

1. A Anatomia de um Algoritmo de Decisão no Treinamento

Um algoritmo de decisão, neste contexto, é simplesmente um conjunto de regras estruturadas no formato SE-ENTÃO (IF-THEN) que automatiza uma escolha com base em dados. A sua função é garantir consistência, objetividade e rapidez na adaptação do plano de treino.

A estrutura de cada regra é composta por três partes:

1. Entradas (Inputs): Os indicadores que você está monitorando. São as variáveis do SE.

   • Exemplos: Valor de RMSSD da HRV, nota da escala TQR, velocidade de barra, performance em uma série de referência, Score de Fadiga semanal.

2. Condição (Condition): O gatilho. É a combinação de limiares que deve ser atingida para que uma ação seja tomada.

   • Exemplo: SE HRV está abaixo da média de 7 dias E a qualidade do sono foi ruim.

3. Ação (Action): A consequência. É a modificação específica no plano de treino. É a instrução do ENTÃO.

   • Exemplo: ENTÃO reduza o volume total do treino em 20% e elimine séries até a falha.

Para aprofundar a construção desses algoritmos em um contexto científico rigoroso, vamos analisar um fluxo de decisão proposto para a interpretação de biomarcadores em atletas.

A Figura 2 que você acabou de analisar exemplifica perfeitamente a abordagem sistemática que adotaremos. Agora, vamos construir nossos próprios algoritmos para cada camada do nosso framework de autorregulação.

2. Algoritmo 1: Prontidão Diária (Pré-Sessão)

Este algoritmo decide a "luz" do semáforo para o dia: Verde (prossiga), Amarela (cautela) ou Vermelha (pare).

Entradas:

• HRV: RMSSD matinal comparado à média móvel de 7 dias e seu desvio padrão (DP).
• Subjetivo: Escala de Qualidade Total de Recuperação (TQR) ou similar, de 0 a 10.

Aqui estão os componentes visuais que usaremos como entrada:

Regras SE-ENTÃO:

• Luz Verde (A-Day - Treino Conforme Planejado):

  • SE (RMSSD > média - 0.5 DP) E (TQR >= 8)
  • ENTÃO Execute a sessão de treino conforme planejada, incluindo progressões de carga ou volume.

• Luz Amarela (B-Day - Treino com Ajustes):

  • SE (RMSSD está entre média - 0.5 DP e média - 1.0 DP) OU (TQR está entre 5 e 7)
  • ENTÃO Escolha uma das seguintes ações:
    1. Reduza o volume total em 15-20% (ex: remova a última série dos exercícios principais).
    2. Mantenha o volume, mas limite a intensidade (ex: fixe a RPE máxima em 8).
    3. Mantenha o plano, mas aumente os intervalos de descanso em 30-60 segundos.

• Luz Vermelha (C-Day - Recuperação):

  • SE (RMSSD < média - 1.0 DP) E/OU (TQR < 5)
  • ENTÃO Substitua a sessão planejada por recuperação ativa (ex: 20-30 min de cardio leve, mobilidade) ou descanso completo.

3. Algoritmo 2: Desempenho e Fadiga (Intra-Sessão)

Uma vez que a luz verde ou amarela foi dada, este algoritmo ajusta o treino em tempo real com base no seu desempenho.

Entradas:

• Desempenho na Série de Referência (Benchmark Set): Repetições completadas com uma dada carga e RPE.
• Queda de Desempenho Intra-Sessão: Percentual de perda de repetições nas séries de volume em comparação com a série de referência.

Regras SE-ENTÃO:

• Progressão de Carga:

  • SE na série de referência, você superou a meta de repetições com a RPE alvo (ex: planejou 8 reps @ RPE 8, mas fez 10 reps @ RPE 8)
  • ENTÃO Na próxima semana, aumente a carga nesse exercício.

• Manutenção de Carga:

  • SE na série de referência, você atingiu exatamente a meta de repetições e RPE
  • ENTÃO Mantenha a mesma carga na próxima semana e tente adicionar uma repetição.

• Parada de Volume por Fadiga (Stop-Loss Rule):

  • SE durante as séries de volume de um exercício, suas repetições caem mais de 20% em relação à série de referência (ex: fez 10 reps na primeira série, mas só consegue 7 na terceira, mantendo a RPE)
  • ENTÃO Encerre aquele exercício para o dia. A fadiga acumulada superou o benefício de volume adicional.

Para ver exemplos práticos de como esses algoritmos são aplicados em contextos de alto rendimento, usando múltiplas fontes de dados, explore os estudos de caso a seguir.

Os exemplos no artigo mostram como SE múltiplos indicadores (objetivos e subjetivos) cruzam um limiar, ENTÃO uma ação específica é recomendada, exatamente o processo que estamos modelando.

4. Algoritmo 3: Carga Acumulada (Semanal/Mesociclo)

Este algoritmo faz um "zoom out" para gerenciar a fadiga ao longo de semanas, decidindo quando forçar a progressão e quando planejar um deload.

Entradas:

• Tendência da HRV: Média móvel de 7 dias da RMSSD.
• Carga de Treino Semanal: Soma dos "Fatigue Scores" de todas as sessões da semana (conforme calculado na aula anterior).
• Feedback Subjetivo Semanal: Média da TQR da semana.

Regras SE-ENTÃO:

• Continuar Sobrecarga Progressiva:

  • SE a Carga de Fadiga Semanal aumentou em 5-10% (planejado), E a tendência da HRV está estável ou subindo, E a TQR média semanal > 7
  • ENTÃO Continue com o plano de sobrecarga para a próxima semana. O corpo está se adaptando bem.

• Alerta de Overreaching Funcional:

  • SE a Carga de Fadiga Semanal aumentou >15% E a tendência da HRV está em declínio por 2-3 dias E a TQR média semanal está entre 5-6
  • ENTÃO A próxima semana deve ser de manutenção (volume igual ao da semana anterior, sem progressão) ou um deload leve. Você está no limite da sua capacidade de recuperação.

• Implementar Deload Imediato:

  • SE a tendência da HRV está em declínio por >3 dias consecutivos E a TQR média semanal < 5 E o desempenho está estagnado ou regredindo
  • ENTÃO Interrompa o plano atual e inicie uma semana de deload imediatamente. A recuperação se tornou a prioridade.

Conclusão

Nesta aula, demos o passo final para operacionalizar o monitoramento do treinamento. Transformamos a coleta de dados em um sistema de decisão inteligente e personalizado.

Pontos-chave (Key Takeaways):

• Algoritmos de decisão no treinamento são regras SE-ENTÃO que conectam indicadores de recuperação (entradas) a ações de ajuste específicas.
• Algoritmo de Prontidão Diária: Combina HRV e feedback subjetivo para dar um sinal de "luz verde, amarela ou vermelha" para o treino do dia.
• Algoritmo Intra-Sessão: Usa o desempenho em tempo real (ex: repetições, velocidade) para guiar a progressão e aplicar "stop-loss rules" para gerenciar a fadiga.
• Algoritmo de Carga Acumulada: Analisa tendências semanais de carga, HRV e recuperação para tomar decisões estratégicas sobre sobrecarga e deloads.
• O objetivo final não é a rigidez do algoritmo, mas a flexibilidade informada que ele proporciona, permitindo que o plano de treino sirva aos seus objetivos de longo prazo de forma segura e sustentável.

Próxima Etapa:

Parabéns por concluir o Módulo 8! Você agora possui um sistema completo para prescrever, monitorar e ajustar o treinamento. Os algoritmos que criamos dependem de uma boa recuperação para funcionar. Eles nos dizem quando precisamos recuperar. O próximo módulo, Módulo 9: Fatores de Recuperação e Regeneração, focará no como. Exploraremos em profundidade as estratégias (sono, nutrição, hidratação, etc.) que são as próprias alavancas que você usará para influenciar os indicadores que aprendeu a monitorar, fechando o ciclo do treinamento de alta performance.