Voltar a todas as publicações

Análises

O que é uma pontuação de fadiga numa app de treino?

Percebe como as apps de treino estimam a fadiga e a recuperação, quais os dados que importam, o que as pontuações não conseguem medir e como as usar com segurança.

O que é a pontuação de fadiga numa app de treino? Guia

Uma pontuação de fadiga numa app de treino é um modelo, não uma medição. Combina entradas selecionadas, como séries recentes, RPE, repetições falhadas, tendências de força, tempo desde o último treino ou dados de dispositivos vestíveis como sono e variabilidade da frequência cardíaca, numa estimativa. Nenhuma pontuação de fadiga de consumo de que tenhamos conhecimento foi validada contra medições laboratoriais de fadiga na investigação publicada, e isto inclui a nossa.

O que a investigação valida são as entradas: quão perto da falha as séries chegam, quanto cai a velocidade da barra, quão duras as séries parecem e se o desempenho com uma carga fixa se está a recuperar. Usa uma pontuação como um convite a inspecionar esses sinais, não como uma ordem para treinar mais, fazer deload ou saltar o ginásio.

O que diz a investigação

  • Treinar até à falha causa mais fadiga aguda. Uma meta-análise de 12 estudos cruzados encontrou quedas maiores nas medidas de salto, velocidade, potência e força após treino até à falha (SMD −0,96), além de mais dano muscular e RPE mais elevada.1 Evidência forte
  • A recuperação demora mais após a falha. Em homens treinados, as séries até à falha atrasaram a recuperação da velocidade da barra e da altura do salto durante até 24–48 horas, em comparação com parar a meio.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 elevada, e quedas maiores na altura do salto e na velocidade.3 Evidência forte
  • As avaliações de RIR são úteis, mas imperfeitas. As pessoas subestimam as repetições até à falha em cerca de 1 repetição, em média, com melhor precisão mais perto da falha.4 Evidência moderada
  • A autorregulação ajuda, mas não de forma dramática. O ajuste da carga com base na RPE e na velocidade produziu ganhos de 1RM semelhantes aos das percentagens fixas numa meta-análise de 15 estudos.5 Evidência moderada

As classificações de evidência refletem o número e a qualidade dos estudos (meta-análises > ensaios aleatorizados únicos > dados agudos/mecanísticos).

Porque é que as pontuações de fadiga diferem entre apps?

“Pontuação de fadiga” não é uma métrica padronizada do treino de força. Duas apps podem mostrar números semelhantes e estar a medir coisas diferentes.

Uma app pode estimar a recuperação muscular a partir do tempo e das séries registadas. Outra pode procurar RPE a subir e desempenho estagnado. Um dispositivo vestível pode dar ênfase ao sono, à frequência cardíaca em repouso e à VFC. Uma app de periodização pode mostrar a carga de trabalho em relação às semanas recentes. Cada uma é um modelo diferente, com pressupostos diferentes.

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

Que medidas de fadiga têm suporte na investigação?

Os investigadores medem a fadiga do treino de resistência de várias formas. Cada uma capta uma parte do quadro; nenhuma capta tudo.

MedirO que captaEvidência e limitesUma app baseada em registos consegue vê-la?
Velocidade da barra com carga fixaProntidão neuromuscularSensível ao treino até à falha vs sem falha e ao curso temporal da recuperação2Só com um dispositivo de velocidade
Perda de velocidade dentro de uma sérieFadiga acumulada na sérieRelação graduada com as respostas de fadiga aguda3Só com um dispositivo de velocidade
Altura do salto com contramovimentoFadiga neuromuscular dos membros inferioresUsada com frequência na investigação; cai mais após treino até à falha1,2Não
Repetições com carga e RIR iguaisCapacidade de desempenhoPrático; depende de um registo consistenteSim
RPE / RIREsforço percebido e proximidade da falhaModeradamente correlacionado com a velocidade e a carga;6 cerca de 1 repetição de erro, em média4Sim, se o registares
Marcadores no sangue (lactato, amónia, creatina quinase)Stress metabólico, dano muscularMais elevados após treino até à falha1Não

A conclusão honesta: os marcadores de fadiga melhor validados precisam de equipamento que a maioria dos praticantes não usa. Uma app baseada em registos 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 de 51 estudos concluiu que a duração das séries, a proximidade da falha e o volume total foram os principais motores da perda de desempenho pós-sessão, com fadiga mais alta à medida que as séries se aproximam da falha em volumes e densidades elevados, sobretudo com cargas leves.7 Isto coincide com a meta-análise sobre a falha: treinar até à falha produziu uma queda de desempenho maior e mais dano muscular do que parar antes.1

Estudo principal

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

Desenho
Estudo cruzado que acompanha a recuperação de 12 horas antes a 72 horas depois do treino
Participantes
10 homens com treino de resistência
Comparação
Supino e agachamento completo: 3×5 com carga de 10RM, 6×5 com carga de 10RM (mesmo volume que a falha) e 3×10 até à falha
Resultado
As séries até à 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 as 24 e as 48 horas.

Porque importa: o mesmo total de repetições pode deixar-te em formas muito diferentes para a sessão seguinte, dependendo de quão perto da falha cada série chegou. As ressalvas: apenas 10 participantes e dois exercícios.2

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

Portanto, a fadiga não é simplesmente má. É um custo que pagas por parte do estímulo. O objetivo é ter fadiga suficiente para crescer, não tanta que prejudique as sessões seguintes. Para saber quão perto da falha ir para ganhar músculo, vê Precisas de treinar até à falha para ganhar músculo?

Três tipos comuns de modelo de fadiga

Modelos baseados no registo de treino

Estes usam os dados de treino que introduzes: exercícios e músculos-alvo, séries de trabalho e repetições, carga ou força estimada, RPE ou RIR, objetivos falhados, tempo desde a última sessão e progressão ou regressão recente. A sua vantagem é a especificidade para o levantamento de pesos. A fraqueza é a dependência de registos completos e consistentes e de avaliações honestas.

Modelos baseados em dispositivos vestíveis

Estes usam o sono, a frequência cardíaca em repouso, a variabilidade da frequência cardíaca, a frequência respiratória e a atividade geral. Acrescentam contexto fisiológico, mas podem não saber que o treino de pernas de ontem foi agachamentos pesados e não máquinas leves, a não ser que o treino seja registado com precisão.

Modelos combinados

Os sistemas combinados tentam ligar o histórico de sessões à prontidão fisiológica. Mais entradas não garantem melhores decisões. O cálculo continua a depender dos pressupostos 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 registos apoia-se na RPE ou nas RIR, por isso a sua precisão importa. A escala de RPE baseada nas RIR foi introduzida em 2016; em agachadores, a RPE acompanhou de perto a velocidade da barra (r = −0,88 em praticantes experientes, −0,77 em principiantes).9

Uma meta-análise de 12 estudos (414 participantes) concluiu que as pessoas subestimaram as repetições que lhes restavam em cerca de 0,95 repetições, em média, com grande heterogeneidade. As previsões melhoraram mais perto da falha, com cargas mais pesadas e nas séries posteriores.4 Os praticantes treinados podem ser bastante precisos: no supino a 75% de 1RM, homens e mulheres treinados estimaram 1 e 3 RIR com um erro absoluto médio de 0,65 repetições.10 Se as tuas avaliações parecerem inconsistentes, usa o processo de calibração de RPE e RIR. Um modelo de fadiga alimentado com RPE mal calibrada dará resultados mal calibrados.

Os programas autorregulados batem os fixos?

As pontuações de fadiga são uma forma de autorregulação: ajustar o treino à prontidão diária. A evidência apoia, mas de forma modesta. Uma meta-análise de 15 estudos em praticantes treinados não encontrou diferença significativa nos ganhos de 1RM entre a carga autorregulada (RPE ou velocidade) e a carga por percentagem fixa (diferença média de 2,07 kg, não significativa).5 Uma revisão sistemática de 14 estudos concluiu que todos os métodos de autorregulação aumentaram o 1RM, e sugeriu que podem ajudar por contabilizarem as flutuações diárias.11

A leitura prática: ajustar à prontidão é razoável e não faz mal, mas não é uma grande vantagem escondida. A consistência, séries difíceis suficientes e a sobrecarga progressiva importam mais do que uma pontuação diária precisa de fadiga.

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. A sua análise de treino pode considerar:

  • a RPE registada recentemente face ao objetivo;
  • repetições falhadas repetidamente;
  • estagnação da força estimada;
  • o tempo desde a exposição mais recente;
  • o histórico de treino e recuperação por músculo; e
  • se o desempenho continua progressivo com a carga de trabalho recente.

Estas análises fazem parte do Pro. São os substitutos baseados no registo que a investigação suporta, e o resultado continua a ser um modelo. Não deve ser lido como uma medição médica de fadiga nem como uma previsão do risco de lesão. Um aviso significa “revê este padrão”, não “o teu corpo não se recuperou de forma definitiva”.

Fadiga não é dor muscular, nem risco de lesão

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

  • As cargas de aquecimento estão a mover-se normalmente?
  • O mesmo trabalho está a chegar a uma RPE mais alta?
  • As repetições estão a cair com uma carga igual?
  • A técnica está a deteriorar-se?
  • O sono, a motivação ou o conforto articular estão a mudar?

Uma app de consumo não consegue determinar que uma sessão é segura nem prever se vai haver uma lesão. Dor aguda, a piorar ou que limite a função exige uma resposta diferente da fadiga normal do treino: para ou modifica o exercício e procura avaliação clínica qualificada quando for adequado. Desconfia de qualquer número de fadiga comercializado como proteção contra lesões.

Como responder a uma pontuação de fadiga alta

Passo 1: verifica o registo

Confirma que as séries de trabalho, a RPE, as cargas e os exercícios estão corretos. Um treino mal classificado pode distorcer um modelo de curto prazo.

Passo 2: verifica o desempenho

Compara os mesmos exercícios com cargas, repetições, descanso e RPE semelhantes. Uma queda que se repete ao longo de duas ou três exposições é mais informativa do que uma sessão má, já que até os testes de 1 RM variam alguns pontos percentuais de dia para dia (vê como ler a tendência do e1RM).

Passo 3: verifica a proximidade recente da falha

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

Passo 4: verifica o stress fora do treino

Revê o sono, a alimentação, as doenças, o stress do trabalho e outras atividades. Um modelo apenas de treino não consegue ver o que nunca foi registado.

Passo 5: faz o menor ajuste possível e depois reavalia

As opções incluem repetir a carga, deixar mais RIR, retirar uma série de baixa prioridade, mover uma sessão exigente ou acrescentar descanso. Se o desempenho voltar, foi suficiente. Se continuar a cair, revê o programa no seu todo.

Uma pontuação de fadiga deve desencadear um deload?

Pode contribuir para a decisão, mas a evidência sobre deloads é escassa. Num ensaio aleatorizado, 39 homens e mulheres treinados ou tiveram uma semana de folga a meio de um programa de 9 semanas de grande volume, ou treinaram sem parar. O crescimento muscular do membro inferior foi semelhante; o grupo de treino contínuo ganhou mais força nos membros inferiores.13 Isto não significa que os deloads sejam inúteis, mas uma semana de folga planeada não é automaticamente melhor do que treinar quando o desempenho ainda está a progredir. Há um argumento mais forte para um deload quando vários levantamentos regridem, a RPE sobe com as mesmas cargas e o padrão persiste.

Como responder a uma pontuação de fadiga baixa

Uma pontuação baixa não é permissão para dar tudo. Significa apenas que o modelo não detetou os sinais que escolheu. Continua a progressão planeada quando as repetições-alvo estão completas, a técnica é repetível, a RPE está no intervalo e não há dor. Não acrescentes séries não planeadas só porque um painel está verde.

O que uma funcionalidade transparente de fadiga deve explicar

  • as entradas usadas;
  • a janela temporal;
  • como são tratados os dados em falta;
  • se a vista é específica de um músculo, de um exercício ou do corpo inteiro;
  • se o descanso faz a estimativa decair;
  • qual a tendência subjacente que desencadeou um aviso; e
  • uma afirmação clara de que a métrica é uma estimativa.

A transparência importa mais do que uma casa decimal. Para uma comparação ao nível das funcionalidades, vê apps de treino com análises avançadas.

Perguntas frequentes

As pontuações de fadiga das apps de treino são exatas?

Podem resumir os sinais que medem, mas são modelos, e não conhecemos nenhum que tenha sido validado contra medições laboratoriais de fadiga na investigação publicada. A precisão depende do modelo, da qualidade dos dados e da decisão que se está a tomar.

Qual é a diferença entre fadiga e prontidão?

A fadiga descreve os efeitos negativos acumulados do stress recente. A prontidão descreve a capacidade atual de desempenho. Sobrepõem-se, mas a prontidão também reflete a forma física, a motivação, o sono, a dor e outros contextos.

Devo saltar o treino quando a pontuação está alta?

Não automaticamente. Verifica os dados e compara o desempenho, os sintomas e a recuperação. A resposta certa pode ser mais descanso, um ajuste menor da sessão ou nenhuma alteração.

Uma pontuação de fadiga pode dizer-me quando fazer deload?

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

Preciso de um dispositivo vestível?

Não. Um registo de treino pode fornecer sinais úteis de carga de trabalho e de desempenho. Um dispositivo vestível acrescenta contexto fisiológico, sobretudo sobre o sono, mas não substitui dados de levantamento rigorosos.

A investigação aqui citada apoia a interpretação da RPE, da proximidade da falha, da perda de velocidade, da fadiga aguda e da autorregulação. Não valida a pontuação proprietária de fadiga ou de recuperação de nenhuma app de consumo específica.

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