Voltar para todas as publicações

Análises

O que é um escore de fadiga em um app de treino?

Entenda como os apps de treino estimam fadiga e recuperação, quais dados importam, o que os escores não conseguem medir e como usá-los com segurança.

O que é pontuação de fadiga em app de treino? guia de treino

Uma pontuação de fadiga em um app de treino é um modelo, não uma medição. Ela combina entradas selecionadas, como séries recentes, RPE, repetições não completadas, tendências de força, tempo desde o último treino ou dados de wearables como sono e variabilidade da frequência cardíaca, em uma estimativa. Nenhuma pontuação de fadiga de consumo de que tenhamos conhecimento foi validada contra medidas de fadiga de laboratório em pesquisas publicadas, e isso inclui a nossa.

O que a pesquisa de fato valida são as entradas: o quanto as séries chegam perto da falha, quanto a velocidade da barra cai, quão difíceis as séries parecem e se o desempenho com uma carga fixa está se recuperando. Use a pontuação como um lembrete para inspecionar esses sinais, e não como uma ordem para treinar mais forte, fazer deload ou pular a academia.

O que diz a pesquisa

  • Treinar até a falha causa mais fadiga aguda. Uma metanálise de 12 estudos crossover encontrou quedas maiores em medidas de salto, velocidade, potência e força após o treino até a falha (SMD −0,96), além de mais dano muscular e RPE mais alto.1 Evidência forte
  • A recuperação leva mais tempo após a falha. Em homens treinados, séries até a falha retardaram a recuperação da velocidade da barra e da altura do salto por até 24–48 horas, em comparação com parar no meio do caminho.2 Evidência moderada
  • A perda de velocidade é um marcador de fadiga graduado e objetivo. Em 18 estudos agudos, mais perda de velocidade dentro de uma série significou mais repetições, mais lactato e RPE mais alto, e quedas maiores na altura do salto e na velocidade.3 Evidência forte
  • As estimativas de RIR são úteis, mas imperfeitas. As pessoas subestimam as repetições até a falha em cerca de 1 repetição, em média, com precisão melhor perto da falha.4 Evidência moderada
  • A autorregulação ajuda, mas não de forma dramática. O ajuste de carga com base em RPE e velocidade produziu ganhos de 1RM semelhantes aos de percentuais fixos em uma metanálise de 15 estudos.5 Evidência moderada

As notas de evidência refletem o número e a qualidade dos estudos (meta-análises > ensaios randomizados isolados > dados agudos e mecanísticos).

Por que as pontuações de fadiga diferem entre os apps?

“Pontuação de fadiga” não é uma métrica padronizada de treino de resistência. Dois apps podem mostrar números parecidos enquanto medem coisas diferentes.

Um app pode estimar a recuperação muscular a partir do tempo e das séries registradas. Outro pode procurar RPE em alta e desempenho estagnado. Um wearable pode enfatizar sono, frequência cardíaca de repouso e HRV. Um app de periodização pode mostrar a carga em relação às semanas recentes. Cada um é um modelo diferente, com premissas diferentes.

Antes de confiar na pontuação, pergunte o que a criou.

Quais medidas de fadiga têm respaldo na pesquisa?

Pesquisadores medem a fadiga do treino de resistência de várias formas. Cada uma captura uma parte do quadro; nenhuma captura tudo.

MeçaO que capturaEvidência e limitesUm app baseado em registros consegue ver isso?
Velocidade da barra com carga fixaProntidão neuromuscularSensível ao treino até a falha vs sem falha e ao curso do tempo de recuperação2Só com um dispositivo de velocidade
Perda de velocidade dentro de uma sérieFadiga acumulada na sérieRelação graduada com respostas de fadiga aguda3Só com um dispositivo de velocidade
Altura do salto com contramovimentoFadiga neuromuscular de membros inferioresMuito usada em pesquisas; cai mais após treino até a falha1,2Não
Repetições com carga e RIR equivalentesCapacidade de desempenhoPrático; depende de registro consistenteSim
RPE / RIREsforço percebido e proximidade da falhaModeradamente correlacionado com velocidade e carga;6 cerca de 1 repetição de erro em média4Sim, se você registrar
Marcadores sanguíneos (lactato, amônia, creatina quinase)Estresse metabólico, dano muscularMais alto após treino até a falha1Não

A conclusão honesta: os marcadores de fadiga mais validados precisam de equipamento que a maioria dos praticantes não usa. Um app baseado em registros trabalha com repetições, cargas e avaliações, que são substitutos sensatos, mas mais ruidosos.

O que causa a fadiga depois de uma sessão?

Uma revisão sistemática de 2025 com 51 estudos constatou que a duração das séries, a proximidade da falha e o volume total foram os principais fatores da perda de desempenho após a sessão, com fadiga maior conforme as séries se aproximam da falha em volumes e densidades altos, especialmente com cargas leves.7 Isso confirma a metanálise sobre falha: ir até a falha produziu uma queda de desempenho e mais dano muscular do que parar antes.1

Estudo-chave

Recuperação após treino até a falha vs sem falha (Morán-Navarro et al., 2017)

Desenho
Estudo crossover acompanhando a recuperação de 12 horas antes até 72 horas depois do treino
Participantes
10 homens treinados com resistência
Comparação
Supino e agachamento completo: 3×5 com carga de 10RM, 6×5 com carga de 10RM (mesmo volume da falha) e 3×10 até a falha
Resultado
As séries até a falha causaram uma queda aguda maior na altura do salto e na velocidade da barra, mesmo em comparação com o 6×5 de volume igualado. A recuperação foi significativamente mais rápida após os protocolos sem falha entre 24 e 48 horas.

Por que importa: o mesmo total de repetições pode deixar você em forma muito diferente para a próxima sessão, dependendo de quão perto da falha cada série chegou. As ressalvas: apenas 10 participantes e dois exercícios.2

A pesquisa sobre perda de velocidade mostra o mesmo padrão por outro ângulo. Em um estudo de agachamento de 8 semanas, um grupo que parava as séries com 20% de perda de velocidade ganhou tanta força no agachamento quanto um grupo que parava com 40%, e melhorou mais a altura do salto (9,5% vs 3,5%), fazendo 40% menos repetições. O grupo de 40% ganhou mais tamanho do vasto lateral e do vasto intermediário.8 Mais fadiga por série não foi melhor para a força, mas esteve associada a mais crescimento nesse estudo. As metanálises concordam: limiares de perda de velocidade acima de cerca de 20–25% favorecem a hipertrofia, enquanto limiares menores geram ganhos de força iguais ou ligeiramente melhores com menos fadiga.3,5

Então a fadiga não é simplesmente ruim. Ela é um custo que você paga por parte do estímulo. O objetivo é ter o suficiente para crescer, e não tanto que as próximas sessões sofram. Para saber o quão perto da falha ir para ganhar músculo, veja Você precisa treinar até a falha para ganhar músculo?

Três tipos comuns de modelo de fadiga

Modelos baseados no diário de treino

Eles usam os dados de treino que você insere: exercícios e músculos-alvo, séries e repetições de trabalho, carga ou força estimada, RPE ou RIR, metas não atingidas, tempo desde a última sessão e a progressão ou regressão recente. A vantagem é a especificidade para o levantamento de peso. A fraqueza é a dependência de registros completos e consistentes e de avaliações honestas.

Modelos baseados em wearables

Eles usam sono, frequência cardíaca de repouso, variabilidade da frequência cardíaca, frequência respiratória e atividade geral. Acrescentam contexto fisiológico, mas podem não saber que o treino de pernas de ontem teve agachamentos pesados, e não máquinas leves, a menos que o levantamento seja registrado com precisão.

Modelos combinados

Os sistemas combinados tentam conectar o histórico de sessões à prontidão fisiológica. Mais entradas não garantem decisões melhores. O cálculo ainda depende das premissas do modelo, da precisão do dispositivo e da qualidade dos dados.

Quão precisas são as entradas de RPE e RIR?

A maioria dos modelos de fadiga baseados em registros depende de RPE ou RIR, então a precisão deles importa. A escala de RPE baseada em RIR foi introduzida em 2016; em agachadores, o RPE acompanhou de perto a velocidade da barra (r = −0,88 em praticantes experientes, −0,77 em iniciantes).9

Uma metanálise de 12 estudos (414 participantes) constatou que as pessoas subestimaram suas repetições restantes em cerca de 0,95 repetição, em média, com grande heterogeneidade. As previsões melhoraram perto da falha, com cargas mais pesadas e nas séries finais.4 Praticantes treinados podem ser bem precisos: no supino a 75% de 1RM, homens e mulheres treinados estimaram 1 e 3 RIR com erro absoluto médio de 0,65 repetição.10 Se suas avaliações parecem inconsistentes, use o processo de calibração de RPE e RIR. Um modelo de fadiga alimentado com RPE mal calibrado vai gerar um resultado mal calibrado.

Programas autorregulados superam os fixos?

As pontuações de fadiga são uma forma de autorregulação: ajustar o treino à prontidão diária. As evidências apoiam, mas de forma modesta. Uma metanálise de 15 estudos com praticantes treinados não encontrou diferença significativa nos ganhos de 1RM entre cargas autorreguladas (RPE ou velocidade) e cargas com percentual fixo (diferença média de 2,07 kg, não significativa).5 Uma revisão sistemática de 14 estudos constatou que todos os métodos de autorregulação aumentaram o 1RM e sugeriu que podem ajudar por levar em conta as flutuações diárias.11

Na prática: ajustar-se à prontidão é razoável e não faz mal, mas não é uma grande vantagem oculta. Consistência, séries intensas suficientes e sobrecarga progressiva importam mais do que pontuar a fadiga diária com precisão.

O que o fitzap workout entende por análise sensível à fadiga

O fitzap workout usa vários sinais distintos do histórico de treino em vez de apresentar um número como verdade fisiológica. Sua análise de treino pode considerar:

  • o RPE recente informado em relação à meta;
  • repetições não atingidas repetidamente;
  • estagnação da força estimada;
  • tempo desde a última exposição;
  • histórico de treino e recuperação por músculo; e
  • se o desempenho continua progredindo sob a carga de trabalho recente.

Essas análises fazem parte do Pro. São os substitutos baseados em registros que a pesquisa sustenta, e o resultado continua sendo um modelo. Não deve ser lido como uma medição médica de fadiga nem como uma previsão de risco de lesão. Um alerta significa “revise este padrão”, não “seu corpo está definitivamente sem recuperação”.

Fadiga não é dor muscular, nem risco de lesão

Dor muscular pode existir sem perda relevante de desempenho, e o desempenho pode cair sem muita dor muscular. Uma revisão mais útil pergunta:

  • As cargas do aquecimento estão se movendo normalmente?
  • O mesmo trabalho está chegando a um RPE mais alto?
  • As repetições estão caindo com carga equivalente?
  • A técnica está se deteriorando?
  • O sono, a motivação ou o conforto das articulações estão mudando?

Um app de consumo não consegue determinar que uma sessão é segura nem prever se uma lesão vai ocorrer. Dor aguda, que piora ou que limita a função, exige uma resposta diferente da fadiga comum do treino: pare ou modifique o exercício e procure avaliação clínica qualificada quando for o caso. Desconfie de qualquer número de fadiga vendido como proteção contra lesões.

Como responder a um score de fadiga alto

Passo 1: verifique o registro

Confirme se as séries de trabalho, o RPE, as cargas e os exercícios estão corretos. Um treino classificado de forma errada pode distorcer um modelo de curto prazo.

Passo 2: confira o desempenho

Compare os mesmos exercícios com cargas, repetições, descanso e RPE semelhantes. Uma queda que se repete em duas ou três exposições é mais informativa do que uma sessão ruim, já que até os 1RMs testados variam alguns por cento de um dia para o outro (veja como ler uma tendência de e1RM).

Passo 3: verifique a proximidade recente da falha

Se as sessões recentes incluíram muitas séries até a falha, uma queda de desempenho de 24–48 horas é esperada.2 Parar 1–3 repetições antes pode preservar a maior parte do estímulo com menos fadiga; em um ensaio de 8 semanas com praticantes treinados, 1–2 RIR produziram crescimento do quadríceps semelhante ao da falha, com menos perda de velocidade e de repetições.12

Passo 4: verifique o estresse fora do treino

Revise sono, nutrição, doenças, estresse no trabalho e outras atividades. Um modelo que só olha o treino não enxerga o que nunca foi registrado.

Passo 5: faça o menor ajuste possível e depois reavalie

As opções incluem repetir a carga, deixar mais RIR, cortar uma série de baixa prioridade, mover uma sessão pesada ou acrescentar descanso. Se o desempenho voltar, isso foi suficiente. Se continuar caindo, revise o programa como um todo.

Um score de fadiga deve disparar um deload?

Pode contribuir para a decisão, mas as evidências sobre deload são frágeis. Em um ensaio randomizado, 39 homens e mulheres treinados, divididos entre tirar uma semana de folga no meio de um programa de 9 semanas de alto volume ou treinar direto, tiveram crescimento muscular de membros inferiores semelhante; o grupo de treino contínuo ganhou mais força de membros inferiores.13 Isso não significa que deloads sejam inúteis, mas uma semana de folga programada não é automaticamente melhor do que treinar quando o desempenho ainda está progredindo. Um argumento mais forte para o deload existe quando vários levantamentos regridem, o RPE sobe com as mesmas cargas e o padrão persiste.

Como responder a um score de fadiga baixo

Um score baixo não é permissão para testar o máximo. Ele só significa que o modelo não detectou os sinais escolhidos. Continue a progressão planejada quando as repetições-alvo estiverem completas, a técnica for repetível, o RPE estiver dentro da faixa e não houver dor. Não acrescente séries não planejadas só porque o painel está verde.

O que um recurso de fadiga transparente deve explicar

  • as entradas usadas;
  • a janela de tempo;
  • como os dados ausentes são tratados;
  • se a visão é específica de músculo, de exercício ou do corpo inteiro;
  • se o descanso faz a estimativa diminuir;
  • qual tendência subjacente disparou um alerta; e
  • uma declaração clara de que a métrica é uma estimativa.

Transparência importa mais do que uma casa decimal. Para uma comparação de recursos, veja apps de musculação com análises avançadas.

Perguntas frequentes

Os scores de fadiga dos apps de treino são precisos?

Eles podem resumir os sinais que medem, mas são modelos, e não conhecemos nenhum que tenha sido validado contra medidas de fadiga de laboratório em pesquisas publicadas. A precisão depende do modelo, da qualidade das entradas e da decisão que está sendo tomada.

Qual é a diferença entre fadiga e prontidão?

Fadiga descreve os efeitos negativos acumulados de estresses recentes. Prontidão descreve a capacidade atual de desempenhar. Elas se sobrepõem, mas a prontidão também reflete condicionamento, motivação, sono, dor e outros contextos.

Devo pular o treino quando o score está alto?

Não automaticamente. Verifique os dados e compare desempenho, sintomas e recuperação. A resposta certa pode ser mais descanso, um ajuste menor na sessão ou nenhuma mudança.

Um score de fadiga pode me dizer quando fazer deload?

Pode contribuir para a decisão. Um argumento mais forte existe quando vários levantamentos regridem, o RPE sobe, a recuperação piora e o padrão persiste. O momento do deload não deve depender de um único número.

Preciso de um wearable?

Não. Um diário de treino pode fornecer sinais úteis de carga de trabalho e de desempenho. Um wearable acrescenta contexto fisiológico, principalmente sobre o sono, mas não substitui dados precisos do levantamento.

As pesquisas citadas aqui apoiam a interpretação de RPE, proximidade da falha, perda de velocidade, fadiga aguda e autorregulação. Elas não validam o score proprietário de fadiga ou recuperação de nenhum app de consumo específico.

Referências

  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