Évaluation d'une stratégie de recommandation d'entraînement pour les coureurs de trail
Évaluation d'une stratégie de recommandation d'entraînement pour les coureurs de trail
Promoteur : Centre Hospitalier Universitaire de Saint Etienne
Titre et résumé traduits de l’anglais par le portail, à partir de la fiche publiée par le registre source, le 14 septembre 2026. Traduction automatique, sans relecture médicale : elle ne modifie ni n’interprète le contenu ; en cas de doute, le texte original fait foi.
Texte original (anglais)
Evaluation of a Training Recommendation Strategy for Trail Runners.
Evaluation of a Training Recommendation Strategy for Trail Runners.
Finding the optimal training, i.e. the training that enables the athlete to achieve the best performance while preserving their physical and psychological integrity, is a multi-factorial issue. Each individual's background and training capacity are very different, hence the need for personalised training. The availability of data combined with advances in Artificial Intelligence (data modelling and analysis sciences, big data, machine learning, deep learning, etc.) offer the opportunity to refine our understanding of training and adapt recommendations according to the runner's profile for a given objective (achieving a time over a distance, completing an event, etc.). The strategy that the investigators wish to evaluate as part of this trial could make it possible to recommend an optimal training load, as well as the distribution of intensities (as a percentage of the aerobic threshold, anaerobic threshold, VVO2max, etc). The two features are (i) the personalisation will be based on training history, the level of the runner, age and gender, and the runner can focus on training, and (ii) the strategy will be adaptive, i.e. the algorithm will update the training load in real time based on contextual data about the athlete (level of fatigue via heart rate variability, feedback on recent training sessions, feelings of stress).
Trouver l'entraînement optimal, c'est-à-dire celui qui permet à l'athlète d'atteindre la meilleure performance tout en préservant son intégrité physique et psychologique, est une question multifactorielle. Le vécu et la capacité d'entraînement de chaque individu sont très différents, d'où la nécessité d'une personnalisation de l'entraînement. La disponibilité des données, combinée aux avancées de l'intelligence artificielle (sciences de la modélisation et de l'analyse des données, big data, apprentissage automatique, apprentissage profond, etc.), offre l'opportunité d'affiner notre compréhension de l'entraînement et d'adapter les recommandations selon le profil du coureur pour un objectif donné (réaliser un temps sur une distance, terminer une épreuve, etc.). La stratégie que les investigateurs souhaitent évaluer dans le cadre de cet essai pourrait permettre de recommander une charge d'entraînement optimale, ainsi que la répartition des intensités (en pourcentage du seuil aérobie, du seuil anaérobie, de la VVO2max, etc.). Les deux caractéristiques sont les suivantes : (i) la personnalisation sera fondée sur l'historique d'entraînement, le niveau du coureur, l'âge et le sexe, et le coureur pourra orienter son entraînement ; et (ii) la stratégie sera adaptative, c'est-à-dire que l'algorithme actualisera la charge d'entraînement en temps réel en fonction de données contextuelles concernant l'athlète (niveau de fatigue via la variabilité de la fréquence cardiaque, retours sur les séances d'entraînement récentes, ressenti de stress).
Vous quittez essai-clinique.com pour le site externe clinicaltrials.gov, géré par l’organisme responsable de l’annonce. La candidature, les questions d’éligibilité et toute information médicale se traitent uniquement là-bas.
Important
essai-clinique.com ne recueille pas de candidature et ne détermine pas votre éligibilité. Ne transmettez aucune information médicale au site.
Les critères affichés sont une synthèse des informations disponibles. Seul l’organisme responsable de l’étude peut confirmer l’éligibilité d’une personne.