Basado en la ciencia
Cuando una fórmula o un umbral de MyTrainerOS proviene de investigación publicada, esta página nombra el artículo. 26 de las 28 fuentes de abajo son artículos de revistas revisadas por pares; el resto son libros o referencias de entrenamiento, y el campo de revista de cada una indica cuál es. No todas las cifras del producto están en esta página.
Inteligencia nutricional
TDEE adaptativo, cálculo de macros y periodización nutricional
Mifflin MD, St Jeor ST, et al. (1990)
A new predictive equation for resting energy expenditure in healthy individuals
Mifflin-St Jeor es la ecuación de estimación del BMR más precisa para poblaciones sin obesidad (±10% de error).
Morton RW, Murphy KT, et al. (2018)
A systematic review, meta-analysis and meta-regression of protein supplementation
Una ingesta de proteína de 1.6 g/kg/día maximiza las ganancias de masa muscular y fuerza inducidas por el entrenamiento de resistencia.
Hector AJ, Phillips SM (2018)
Protein recommendations for weight loss in elite athletes
Durante la restricción calórica, las necesidades de proteína aumentan a 2.3–3.1 g/kg FFM/día para preservar la masa magra.
Wilding JPH, Batterham RL, et al. (2021)
Once-Weekly Semaglutide in Adults with Overweight or Obesity (STEP-1)
El ensayo STEP-1 informó que ~40% de la pérdida de peso impulsada por GLP-1 es masa magra, lo que motiva directamente nuestros algoritmos de entrenamiento de resistencia y de objetivos de proteína para los miembros que toman medicamentos GLP-1.
Inteligencia de recuperación
Monitoreo de HRV, puntuación de preparación y protocolos de recuperación
Plews DJ, Laursen PB, et al. (2012)
Training adaptation and heart rate variability in elite endurance athletes
Un coeficiente de variación de lnRMSSD >10% indica mala adaptación; el monitoreo diario de la HRV guía la carga de entrenamiento.
Plews DJ, Laursen PB, et al. (2013)
Monitoring training with heart-rate variability: How much compliance is needed for valid assessment?
El promedio móvil de 7 días de lnRMSSD proporciona una línea base confiable; se prefieren las mediciones por la mañana.
Buchheit M (2014)
Monitoring training status with HR measures: do all roads lead to Rome?
Establece la línea base móvil de 7 días como el estándar metodológico para las decisiones de entrenamiento guiadas por HRV; la verificación de estabilidad del CV separa la respuesta real al entrenamiento del ruido de medición.
Saw AE, Main LC, Gastin PB (2016)
Monitoring the athlete training response: subjective self-reported measures trump commonly used objective measures
Los cuestionarios subjetivos de bienestar superan a los marcadores objetivos (HRV, bioquímica, cortisol salival) para detectar la respuesta al entrenamiento; esto fundamenta el peso subjetivo del 10% en nuestra puntuación compuesta de recuperación.
Flatt AA, Esco MR (2015)
Heart rate variability stabilization in athletes
La HRV requiere 7+ días de medición para estabilizarse; recomienda el CV de ventana móvil para evaluar si el atleta ha alcanzado una línea base estable.
Achten J, Jeukendrup AE (2003)
Heart rate monitoring: applications and limitations
Las tendencias de la frecuencia cardíaca en reposo reflejan la actividad parasimpática y el estado de recuperación; son la base del peso del 10% de la RHR en la puntuación compuesta de preparación.
Fullagar HHK, Skorski S, et al. (2015)
Sleep and athletic performance: the effects of sleep loss on exercise performance, and physiological and cognitive responses to exercise
La falta de sueño afecta de forma medible el tiempo de reacción, la función cognitiva y la recuperación; respalda el peso del 25% de la calidad del sueño en la puntuación compuesta de recuperación.
Watson AM (2017)
Sleep and athletic performance
7–9 horas de sueño es el rango óptimo basado en evidencia para los atletas; la restricción crónica por debajo de 7 h afecta los marcadores de fuerza y resistencia.
Walker M (2017)
Why We Sleep: Unlocking the Power of Sleep and Dreams
Dormir <6 horas reduce la testosterona, la hormona del crecimiento y la recuperación deportiva. Se recomiendan 7–9 horas.
Prevención de lesiones
Monitoreo del ACWR, detección de picos de volumen y predicción de riesgo
Leckey S, et al. (2025)
Machine learning approaches for sports injury prediction: A scoping review
XGBoost es el modelo de ML con mejor desempeño para la predicción de lesiones en múltiples estudios.
Gabbett TJ (2016)
The training—injury prevention paradox
El punto óptimo de ACWR de 0.8–1.3 minimiza el riesgo de lesión. Los picos >1.5 aumentan las probabilidades de lesión 2–4 veces.
Foster C (1998)
Monitoring training in athletes with reference to overtraining syndrome
Una monotonía del entrenamiento (media/SD de la carga diaria) >2.0 con alta tensión predice enfermedad y sobreentrenamiento.
Diseño de programas
Seguimiento del E1RM, sobrecarga progresiva y detección de estancamientos
Epley B (1985)
Poundage chart
E1RM = Peso × (1 + Reps/30). Fórmula estándar para estimar la repetición máxima (1RM) a partir de cargas submáximas.
Brzycki M (1993)
Strength testing—predicting a one-rep max from reps-to-fatigue
E1RM = Peso × 36/(37 - Reps). La más precisa para el rango de 3–10 repeticiones.
Schoenfeld BJ, et al. (2017)
Dose-response relationship between weekly resistance training volume and muscle hypertrophy
10+ series semanales por grupo muscular es lo óptimo para la hipertrofia. Se recomienda un aumento progresivo del volumen del 2–5% por mesociclo.
Schoenfeld BJ (2010)
The mechanisms of muscle hypertrophy and their application to resistance training
Tres mecanismos principales de hipertrofia (tensión mecánica, estrés metabólico y daño muscular) fundamentan la lógica de selección de bloques del creador de programas con IA.
Zourdos MC, Klemp A, et al. (2016)
Novel resistance training-specific rating of perceived exertion scale measuring repetitions in reserve
Valida la escala RIR basada en RPE que usa nuestro motor de autorregulación; un ajuste de carga de ~2.5% por punto de RPE mantiene el volumen semanal en el objetivo.
Issurin VB (2010)
New horizons for the methodology and physiology of training periodization
Establece la periodización por bloques como una alternativa viable a los modelos lineal y ondulante; impulsa nuestro selector de periodización de tres modos (Linear / Block / DUP: lineal, por bloques y ondulante diaria).
Rhea MR, Alvar BA, Burkett LN, Ball SD (2003)
A meta-analysis to determine the dose response for strength development
La periodización ondulante diaria produce mayores ganancias de fuerza que la lineal cuando se iguala el volumen total; fundamenta la opción DUP de nuestro creador de programas.
Stone MH, O'Bryant H, Garhammer J (1981)
A theoretical model of strength training
Marco original de la periodización lineal (progresión de volumen → intensidad a lo largo de los mesociclos); sigue siendo la progresión de fases predeterminada de nuestro periodizador automático.
Cambio de comportamiento
Formación de hábitos, adherencia y psicología del compromiso
Lally P, van Jaarsveld CHM, et al. (2010)
How are habits formed: Modelling habit formation in the real world
El tiempo promedio hasta la automaticidad es de 66 días. Saltarse un día tiene un impacto insignificante en la formación de hábitos.
Dai H, Milkman KL, Riis J (2014)
The Fresh Start Effect: Temporal landmarks motivate aspirational behavior
Los hitos temporales (los lunes, el inicio de mes, los cumpleaños) aumentan la búsqueda de metas: el efecto del nuevo comienzo (Fresh Start Effect).
Aldosary M, Alrashdan I (2021)
Predicting gym member churn using machine learning
Un modelo XGBoost logró un 92.1% de precisión al predecir el abandono de miembros de gimnasio a partir de variables de asistencia y compromiso.
Burke LE, Wang J, Sevick MA (2011)
Self-monitoring in weight loss: A systematic review of the literature
El automonitoreo de la dieta y la actividad física es el predictor individual más fuerte de un control de peso exitoso.
¿Todo listo para entrenar con ciencia?
Si quieres conocer el razonamiento detrás de una cifra antes de entrenar con ella, está arriba.
Empieza tu prueba gratis de 30 días