Suomalaisten kestävyysjuoksijoiden arjessa mittarit ovat tulleet osaksi jokaista harjoitusta. Lempääläläinen keskimatkojen juoksija Santtu Heikkinen, joka rikkoi viime kaudella Pekka Päivärinnan yli 50 vuotta vanhan 3000 metrin Suomen ennätyksen, seuraa harjoituksissaan laktaattiarvoja sormenpääverestä otetusta näytteestä ja suunnittelee ohjelmiensa rungon yhdessä valmentajansa kanssa. Hän on yksi esimerkki laajemmasta ilmiöstä: kestävyysurheilussa treeniä ohjaa yhä enemmän mitattu tieto, ja sen ympärille on noussut myös tekoälypohjaisia työkaluja, jotka lupaavat tulkita dataa urheilijan puolesta.
Mitä data kertoo kehosta
Kestävyysharjoittelun perinteisin mittari on syke, mutta sen rinnalle ovat nousseet sykevälivaihtelu (HRV) ja laktaatti. Veren laktaattipitoisuutta käytetään arvioimaan harjoituksen suhteellista tehoa, ja kynnystestauksella määritetään urheilijan aerobinen ja anaerobinen kynnys, KIHU kuvaa.
Sykevälivaihtelu eli peräkkäisten sydämenlyöntien välisen ajan vaihtelu heijastaa autonomisen hermoston tilaa ja palautumista. Tutkimuksissa kestävyysurheilijoilla on havaittu korkeampia yöaikaisia HRV-arvoja kuin tavallisilla kuntoilijoilla.
Yksi keskeisimmistä veriarvoista liittyy raudan aineenvaihduntaan. Rauta osallistuu hapenkuljetukseen ja hemoglobiinin muodostukseen, ja varastorautaa kuvaava ferritiini antaa varhaisen merkin rautavarastojen ehtymisestä. Suorituskyky ja palautuminen voivat heikentyä jo ennen kuin hemoglobiini laskee, ja matalan ferritiinin urheilijat ovat tutkimuksissa pärjänneet kestävyystesteissä heikommin kuin korkeamman varastoraudan urheilijat.
Tekoäly tulkkina
Viime vuosina huomio on siirtynyt siihen, voiko koneoppiminen tulkita tätä datatulvaa ihmistä paremmin. Tieteellisissä katsauksissa tekoälyn vahvuudeksi nähdään juuri kyky käsitellä suuria määriä fysiologista ja käyttäytymisdataa reaaliajassa: HRV:tä, unenlaatua ja kuormitustuntemuksia yhdistävät järjestelmät voivat varoittaa valmentajaa ylikunnon tai sairastumisen varhaisista merkeistä, tieteellinen katsaus esittää.
Koneoppimismallit ovat osoittautuneet lupaaviksi. Erään seurantatutkimuksen mukaan HRV:tä, harjoittelua, unta ja ravintoa yhdistävät mallit ennustivat seuraavan aamun palautumistilaa selvästi sattumaa paremmin. Toisissa malleissa akuutin ja kroonisen kuormituksen suhde nousi tärkeimmäksi ylikunnon riskiä ennakoivaksi tekijäksi.
Datan kääntöpuoli
Asiantuntijat eivät kuitenkaan kehota luottamaan numeroihin sokeasti. Tutkijat huomauttavat, että HRV:n tulkinta on hankalaa: laskenut leposykevaihtelu voi kertoa kertyneestä rasituksesta, mutta myös myönteinen sopeutuminen ja toiminnallinen ylirasitus voivat nostaa palautumisarvoja. Varhaisten varoitusten ennustetarkkuus on edelleen merkittävä haaste.
Riskinä on sekä yli- että aliluottamus dataan. Yksittäinen huono HRV-aamu ei välttämättä tarkoita mitään, kun taas pelkkiin mittareihin tuijottaminen voi ohittaa urheilijan oman tuntemuksen – tai kääntäen ajaa treenaamaan, vaikka keho viestii väsymystä. Veriarvoissakin yksittäinen luku korvaa harvoin lääkärin tai fysiologin kokonaisarviota.
Kestävyysharjoittelun ydin pysyy silti ennallaan: nousujohteinen, riittävän kuormittava harjoittelu ja palautuminen. Data ja tekoäly ovat työkaluja sen hienosäätöön – eivät korvaa kovaa työtä tai urheilijan omaa kehontuntemusta.
