Volver a todas las entradas

Analíticas

¿Qué es una puntuación de fatiga en una app de entrenamiento?

Aprende cómo las apps de entrenamiento estiman la fatiga y la recuperación, qué datos importan, qué no pueden medir las puntuaciones y cómo usarlas con seguridad.

¿Qué es la puntuación de fatiga en una app de entrenamiento? Guía de entrenamiento

Una puntuación de fatiga en una app de entrenamiento es un modelo, no una medición. Combina algunos datos, como series recientes, RPE, repeticiones fallidas, tendencias de fuerza, tiempo desde el último entrenamiento o datos de wearables como el sueño y la variabilidad de la frecuencia cardíaca, en una estimación. Ninguna puntuación de fatiga de consumo que conozcamos ha sido validada frente a medidas de fatiga de laboratorio en la investigación publicada, y eso incluye la nuestra.

Lo que la investigación sí valida son los datos de entrada: lo cerca que están las series del fallo, cuánto cae la velocidad de la barra, lo duras que se sienten las series y si el rendimiento con una carga fija se está recuperando. Usa una puntuación como un aviso para revisar esas señales, no como una orden de entrenar más fuerte, descargar o saltarse el gimnasio.

Qué dice la investigación

  • El entrenamiento hasta el fallo causa más fatiga aguda. Un metaanálisis de 12 estudios cruzados encontró mayores caídas en las medidas de salto, velocidad, potencia y fuerza tras el entrenamiento hasta el fallo (DME −0,96), además de más daño muscular y un RPE más alto.1 Evidencia sólida
  • La recuperación tarda más tras el fallo. En hombres entrenados, las series hasta el fallo ralentizaron la recuperación de la velocidad de la barra y de la altura de salto durante hasta 24–48 horas en comparación con parar a mitad.2 Evidencia moderada
  • La pérdida de velocidad es un marcador de fatiga graduado y objetivo. En 18 estudios agudos, una mayor pérdida de velocidad dentro de una serie implicó más repeticiones, más lactato y RPE, y mayores caídas en la altura de salto y la velocidad.3 Evidencia sólida
  • Las valoraciones de RIR son útiles pero imperfectas. Las personas subestiman, de media, en 1 repetición las repeticiones que les quedan hasta el fallo, con mejor precisión cerca de él.4 Evidencia moderada
  • La autorregulación ayuda, pero no de forma espectacular. El ajuste de la carga según RPE y velocidad produjo ganancias de 1RM similares a los porcentajes fijos en un metaanálisis de 15 estudios.5 Evidencia moderada

Los niveles de evidencia reflejan el número y la calidad de los estudios (metaanálisis > ensayos individuales > datos agudos o mecanísticos).

¿Por qué las puntuaciones de fatiga difieren entre apps?

“Puntuación de fatiga” no es una métrica estandarizada del entrenamiento de fuerza. Dos apps pueden mostrar números parecidos midiendo cosas distintas.

Una app puede estimar la recuperación muscular a partir del tiempo y las series registradas. Otra puede buscar un RPE en aumento y un rendimiento estancado. Un wearable puede dar más peso al sueño, la frecuencia cardíaca en reposo y la variabilidad de la frecuencia cardíaca. Una app de periodización puede mostrar la carga de trabajo en relación con las semanas recientes. Cada una es un modelo distinto con supuestos diferentes.

Antes de confiar en la puntuación, pregunta qué la ha creado.

¿Qué medidas de fatiga tienen respaldo en la investigación?

Los investigadores miden la fatiga del entrenamiento de fuerza de varias formas. Cada una capta una parte del cuadro; ninguna las capta todas.

MedirQué captaEvidencia y límites¿Puede verla una app basada en registros?
Velocidad de la barra con una carga fijaPreparación neuromuscularSensible al entrenamiento hasta el fallo frente al no fallo y al curso temporal de la recuperación2Solo con un dispositivo de medición de velocidad
Pérdida de velocidad dentro de una serieFatiga acumulada en la serieRelación graduada con las respuestas de fatiga aguda3Solo con un dispositivo de medición de velocidad
Altura de salto con contramovimientoFatiga neuromuscular del tren inferiorSe usa habitualmente en investigación; cae más tras el entrenamiento hasta el fallo1,2No
Repeticiones con carga y RIR equivalentesCapacidad de rendimientoPráctico; depende de un registro constanteSí
RPE / RIREsfuerzo percibido y proximidad al falloCorrelaciona moderadamente con la velocidad y la carga;6 alrededor de 1 repetición de error de media4Sí, si lo registras
Marcadores en sangre (lactato, amoníaco, creatina quinasa)Estrés metabólico, daño muscularMás alto tras el entrenamiento hasta el fallo1No

La conclusión honesta: los marcadores de fatiga mejor validados necesitan equipamiento que la mayoría de levantadores no usa. Una app basada en registros trabaja con repeticiones, cargas y valoraciones, que son aproximaciones sensatas pero más ruidosas.

¿Qué impulsa la fatiga tras una sesión?

Una revisión sistemática de 2025 con 51 estudios encontró que la duración de las series, la proximidad al fallo y el volumen total fueron los principales impulsores de la pérdida de rendimiento tras la sesión, con más fatiga a medida que las series se acercan al fallo con volúmenes y densidades altos, sobre todo con cargas ligeras.7 Eso encaja con el metaanálisis sobre el fallo: llegar al fallo produjo una caída de rendimiento mayor y más daño muscular que parar antes.1

Estudio clave

Recuperación tras entrenar hasta el fallo frente al no fallo (Morán-Navarro et al., 2017)

Diseño
Estudio cruzado que sigue la recuperación desde 12 horas antes hasta 72 horas después del entrenamiento
Participantes
10 hombres entrenados con resistencia
Comparación
Press de banca y sentadilla completa: 3×5 con carga de 10RM, 6×5 con carga de 10RM (mismo volumen que el fallo) y 3×10 hasta el fallo
Resultado
Las series hasta el fallo causaron una caída aguda mayor en la altura de salto y la velocidad de la barra, incluso frente al 6×5 de volumen igualado. La recuperación fue significativamente más rápida tras los protocolos sin fallo entre las 24 y 48 horas.

Por qué importa: las mismas repeticiones totales pueden dejarte en una forma muy distinta para la siguiente sesión según lo cerca del fallo que haya llegado cada serie. Las advertencias: solo 10 participantes y dos ejercicios.2

La investigación sobre pérdida de velocidad muestra el mismo patrón desde otro ángulo. En un estudio de sentadilla de 8 semanas, un grupo que paraba las series con una pérdida de velocidad del 20% ganó tanta fuerza en sentadilla como un grupo que paraba al 40%, y mejoró más la altura de salto (9,5% frente a 3,5%), mientras hacía un 40% menos de repeticiones. El grupo del 40% ganó más tamaño del vasto lateral e intermedio.8 Más fatiga por serie no fue mejor para la fuerza, pero sí se asoció con más crecimiento en ese estudio. Los metaanálisis coinciden: los umbrales de pérdida de velocidad por encima de aproximadamente el 20–25% favorecen la hipertrofia, mientras que los umbrales más bajos dan ganancias de fuerza iguales o ligeramente mejores con menos fatiga.3,5

Así que la fatiga no es simplemente mala. Es un coste que pagas por parte del estímulo. El objetivo es tener la fatiga suficiente para crecer, no tanta que perjudique a las siguientes sesiones. Para saber cuán cerca del fallo ir para ganar músculo, consulta ¿Hace falta entrenar hasta el fallo para ganar músculo?

Tres tipos comunes de modelo de fatiga

Modelos basados en el registro de entrenamiento

Usan los datos de entrenamiento que introduces: ejercicios y músculos objetivo, series de trabajo y repeticiones, carga o fuerza estimada, RPE o RIR, objetivos no cumplidos, tiempo desde la última sesión y la progresión o regresión reciente. Su ventaja es la especificidad para el levantamiento. Su debilidad es que dependen de registros completos y constantes, y de valoraciones honestas.

Modelos basados en wearables

Usan el sueño, la frecuencia cardíaca en reposo, la variabilidad de la frecuencia cardíaca, la frecuencia respiratoria y la actividad general. Aportan contexto fisiológico, pero pueden no saber que la sesión de piernas de ayer fueron sentadillas pesadas y no máquinas fáciles, a menos que el levantamiento esté bien registrado.

Modelos combinados

Los sistemas combinados intentan conectar el historial de sesiones con la preparación fisiológica. Más datos de entrada no garantizan mejores decisiones. El cálculo sigue dependiendo de los supuestos del modelo, la precisión del dispositivo y la calidad de los datos.

¿Qué tan precisos son los datos de RPE y RIR?

La mayoría de los modelos de fatiga basados en registros dependen del RPE o del RIR, así que su precisión importa. La escala de RPE basada en el RIR se introdujo en 2016; en sentadillas, el RPE siguió de cerca la velocidad de la barra (r = −0,88 en levantadores experimentados, −0,77 en principiantes).9

Un metaanálisis de 12 estudios (414 participantes) encontró que las personas subestimaban sus repeticiones restantes en unas 0,95 repeticiones de media, con gran heterogeneidad. Las predicciones mejoraban cerca del fallo, con cargas más pesadas y en las series posteriores.4 Los levantadores entrenados pueden ser bastante precisos: en press de banca al 75% del 1RM, hombres y mujeres entrenados dijeron 1 y 3 RIR con un error absoluto medio de 0,65 repeticiones.10 Si tus valoraciones te parecen inconsistentes, usa el proceso de calibración de RPE y RIR. Un modelo de fatiga alimentado con un RPE mal calibrado dará resultados mal calibrados.

¿Los programas autorregulados superan a los fijos?

Las puntuaciones de fatiga son una forma de autorregulación: ajustar el entrenamiento a la preparación diaria. La evidencia es favorable pero modesta. Un metaanálisis de 15 estudios en levantadores entrenados no encontró una diferencia significativa en las ganancias de 1RM entre la carga autorregulada (por RPE o velocidad) y la carga por porcentajes fijos (diferencia media de 2,07 kg, no significativa).5 Una revisión sistemática de 14 estudios encontró que todos los métodos de autorregulación aumentaban el 1RM, y sugirió que pueden ayudar al tener en cuenta las fluctuaciones diarias.11

La lectura práctica: ajustarse a la preparación es razonable y no hace daño, pero no es una gran ventaja oculta. La constancia, suficientes series duras y la sobrecarga progresiva importan más que una puntuación diaria precisa de la fatiga.

Lo que fitzap workout entiende por análisis atento a la fatiga

fitzap workout usa varias señales distintas del historial de entrenamiento en lugar de presentar un solo número como verdad fisiológica. Su análisis de entrenamiento puede tener en cuenta:

  • el RPE registrado recientemente frente al objetivo;
  • repeticiones fallidas repetidas;
  • estancamiento de la fuerza estimada;
  • tiempo desde la última exposición;
  • historial de entrenamiento y recuperación por músculo; y
  • si el rendimiento sigue progresando con la carga de trabajo reciente.

Estos análisis forman parte de Pro. Son los indicadores basados en el registro que respalda la investigación, y el resultado sigue siendo un modelo. No debe leerse como una medición médica de la fatiga ni como una predicción del riesgo de lesión. Una advertencia significa “revisa este patrón”, no “tu cuerpo no se ha recuperado de forma definitiva”.

La fatiga no son agujetas, ni riesgo de lesión

Puede haber agujetas sin una pérdida de rendimiento importante, y el rendimiento puede caer con pocas agujetas. Una revisión más útil se pregunta:

  • ¿Las cargas del calentamiento se mueven con normalidad?
  • ¿El mismo trabajo llega a un RPE más alto?
  • ¿Las repeticiones caen con una carga equivalente?
  • ¿Se está deteriorando la técnica?
  • ¿Están cambiando el sueño, la motivación o la comodidad de las articulaciones?

Una app de consumo no puede determinar que una sesión sea segura ni predecir si habrá una lesión. El dolor agudo, creciente o que limita la función requiere una respuesta distinta a la fatiga normal del entrenamiento: detente o modifica el ejercicio y busca una evaluación clínica cualificada cuando proceda. Desconfía de cualquier número de fatiga que se venda como protección frente a lesiones.

Cómo responder ante una puntuación de fatiga alta

Paso 1: verifica el registro

Confirma que las series de trabajo, el RPE, las cargas y los ejercicios son correctos. Una sesión mal clasificada puede distorsionar un modelo a corto plazo.

Paso 2: revisa el rendimiento

Compara los mismos ejercicios con cargas, repeticiones, descansos y RPE similares. Una caída que se repite a lo largo de dos o tres exposiciones informa más que una mala sesión, ya que incluso los máximos probados de 1 repetición varían unos pocos por ciento de un día a otro (consulta cómo leer una tendencia de e1RM).

Paso 3: revisa la proximidad reciente al fallo

Si las sesiones recientes incluyeron muchas series hasta el fallo, es esperable una caída de rendimiento de 24–48 horas.2 Parar 1–3 repeticiones antes puede conservar la mayor parte del estímulo con menos fatiga; en un ensayo de 8 semanas con levantadores entrenados, 1–2 RIR produjeron un crecimiento del cuádriceps similar al del fallo, con menos pérdida de velocidad y de repeticiones.12

Paso 4: revisa el estrés no relacionado con el entrenamiento

Revisa el sueño, la nutrición, las enfermedades, el estrés laboral y otras actividades. Un modelo basado solo en el entrenamiento no puede ver lo que nunca se registró.

Paso 5: haz el ajuste más pequeño y luego reevalúa

Las opciones incluyen repetir la carga, dejar más RIR, eliminar una serie de baja prioridad, mover una sesión dura o añadir descanso. Si el rendimiento se recupera, eso fue suficiente. Si sigue cayendo, revisa el programa en su conjunto.

¿Debe una puntuación de fatiga activar una descarga?

Puede contribuir a la decisión, pero la evidencia sobre las descargas es escasa. En un ensayo aleatorizado, 39 hombres y mujeres entrenados se tomaron una semana libre a mitad de un programa de alto volumen de 9 semanas o entrenaron sin parar. El crecimiento muscular del tren inferior fue similar; el grupo de entrenamiento continuo ganó más fuerza de tren inferior.13 Esto no significa que las descargas sean inútiles, pero una semana libre programada no es automáticamente mejor que entrenar cuando el rendimiento sigue progresando. Hay un caso más sólido para una descarga cuando varios levantamientos retroceden, el RPE sube con las mismas cargas y el patrón persiste.

Cómo responder ante una puntuación de fatiga baja

Una puntuación baja no es permiso para ir al máximo. Solo significa que el modelo no detectó las señales que eligió. Continúa la progresión planificada cuando se completan las repeticiones objetivo, la técnica es repetible, el RPE está en rango y no hay dolor. No añadas series no planificadas solo porque un panel se vea verde.

Qué debería explicar una función de fatiga transparente

  • los datos de entrada usados;
  • la ventana de tiempo;
  • cómo se gestionan los datos que faltan;
  • si la vista es específica de un músculo, de un ejercicio o de todo el cuerpo;
  • si el descanso hace que la estimación se reduzca;
  • qué tendencia subyacente activó una advertencia; y
  • una declaración clara de que la métrica es una estimación.

La transparencia importa más que un decimal. Para una comparación de funciones, consulta apps de entrenamiento de fuerza con análisis avanzados.

Preguntas frecuentes

¿Son precisas las puntuaciones de fatiga de las apps de entrenamiento?

Pueden resumir las señales que miden, pero son modelos, y no conocemos ninguno que haya sido validado frente a medidas de fatiga de laboratorio en la investigación publicada. La precisión depende del modelo, de la calidad de los datos de entrada y de la decisión que se tome.

¿Cuál es la diferencia entre fatiga y preparación?

La fatiga describe los efectos negativos acumulados del estrés reciente. La preparación describe la capacidad actual para rendir. Se solapan, pero la preparación también refleja la forma física, la motivación, el sueño, el dolor y otro contexto.

¿Debo saltarme el entrenamiento cuando la puntuación es alta?

No automáticamente. Verifica los datos y compara el rendimiento, los síntomas y la recuperación. La respuesta adecuada puede ser más descanso, un ajuste de sesión más pequeño o no cambiar nada.

¿Puede una puntuación de fatiga indicarme cuándo descargar?

Puede contribuir a la decisión. Hay un caso más sólido cuando varios levantamientos retroceden, el RPE sube, la recuperación empeora y el patrón persiste. El momento de la descarga no debería depender de un solo número.

¿Necesito un wearable?

No. Un registro de entrenamiento puede aportar señales útiles de carga y de rendimiento. Un wearable añade contexto fisiológico, sobre todo en torno al sueño, pero no sustituye a unos datos de levantamiento precisos.

La investigación citada aquí respalda la interpretación del RPE, la proximidad al fallo, la pérdida de velocidad, la fatiga aguda y la autorregulación. No valida la puntuación propietaria de fatiga o recuperación de ninguna app de consumo concreta.

Referencias

  1. Vieira JG, Sardeli AV, Dias MR, et al. Effects of resistance training to muscle failure on acute fatigue: a systematic review and meta-analysis. Sports Med. 2022;52(5):1103-1125. PubMed
  2. Morán-Navarro R, Pérez CE, Mora-Rodríguez R, et al. Time course of recovery following resistance training leading or not to failure. Eur J Appl Physiol. 2017;117(12):2387-2399. PubMed
  3. Jukic I, Castilla AP, Ramos AG, Van Hooren B, McGuigan MR, Helms ER. The acute and chronic effects of implementing velocity loss thresholds during resistance training: a systematic review, meta-analysis, and critical evaluation of the literature. Sports Med. 2023;53(1):177-214. PubMed
  4. Halperin I, Malleron T, Har-Nir I, et al. Accuracy in predicting repetitions to task failure in resistance exercise: a scoping review and exploratory meta-analysis. Sports Med. 2022;52(2):377-390. PubMed
  5. Hickmott LM, Chilibeck PD, Shaw KA, Butcher SJ. The effect of load and volume autoregulation on muscular strength and hypertrophy: a systematic review and meta-analysis. Sports Med Open. 2022;8(1):9. PubMed
  6. Petro JL, Ferrari G, Cardozo LA, et al. Validity of rating of perceived exertion scales in relation to movement velocity and exercise intensity during resistance-exercise: a systematic review. Sports Health. 2025;17(3):621-628. PubMed
  7. Varela-Olalla D, Del Campo-Vecino J, Balsalobre-Fernández C. Influence of proximity to failure, relative intensity, and volume on voluntary performance and fatigue symptoms after resistance training: a systematic review. J Strength Cond Res. 2025;39(9):e1129-e1168. PubMed
  8. Pareja-Blanco F, Rodríguez-Rosell D, Sánchez-Medina L, et al. Effects of velocity loss during resistance training on athletic performance, strength gains and muscle adaptations. Scand J Med Sci Sports. 2017;27(7):724-735. PubMed
  9. Zourdos MC, Klemp A, Dolan C, et al. Novel resistance training-specific rating of perceived exertion scale measuring repetitions in reserve. J Strength Cond Res. 2016;30(1):267-275. PubMed
  10. Refalo MC, Remmert JF, Pelland JC, et al. Accuracy of intraset repetitions-in-reserve predictions during the bench press exercise in resistance-trained male and female subjects. J Strength Cond Res. 2024;38(3):e78-e85. PubMed
  11. Larsen S, Kristiansen E, van den Tillaar R. Effects of subjective and objective autoregulation methods for intensity and volume on enhancing maximal strength during resistance-training interventions: a systematic review. PeerJ. 2021;9:e10663. PubMed
  12. Refalo MC, Helms ER, Robinson ZP, Hamilton DL, Fyfe JJ. Similar muscle hypertrophy following eight weeks of resistance training to momentary muscular failure or with repetitions-in-reserve in resistance-trained individuals. J Sports Sci. 2024;42(1):85-101. PubMed
  13. Coleman M, Burke R, Augustin F, et al. Gaining more from doing less? The effects of a one-week deload period during supervised resistance training on muscular adaptations. PeerJ. 2024;12:e16777. PubMed