¿Cuántas calorías quemas sin hacer nada? Guía del Gasto Energético en Reposo

Introducción

En el ámbito de la nutrición deportiva, entender el gasto energético en reposo (GER) es esencial tanto para deportistas recreativos como profesionales. Su estimación precisa no solo permite ajustar la ingesta energética para optimizar el rendimiento, sino que también contribuye a garantizar una recuperación adecuada y a prevenir desequilibrios metabólicos que comprometan la salud del deportista. Conocer las principales ecuaciones para calcular el gasto energético en reposo, sus fundamentos científicos y en qué casos cada una puede resultar más o menos acertada es determinante para los profesionales de la nutrición deportiva.

Definición del Gasto Energético en Reposo (GER)

El gasto energético en reposo (GER) representa la cantidad de energía necesaria para mantener las funciones vitales del organismo en reposo, tales como la respiración, la circulación o la regulación de la temperatura corporal. Es importante diferenciar el GER del gasto energético basal (GEB). Aunque ambos se miden en condiciones similares y en un entorno estrictamente termoneutro, el GEB requiere un estado de ayuno, mientras que el GER incluye la energía utilizada para el metabolismo de los alimentos. En la práctica, los valores de GER y GEB suelen diferir en menos de un 10 %, motivo por el cual ambos términos son frecuentemente utilizados de manera indistinta.

El GER constituye entre el 60 % y el 75 % del gasto energético diario total, dependiendo del nivel de actividad física y otros factores individuales como la composición corporal y, más concretamente, la masa muscular. Por lo tanto, comprender cómo calcularlo de manera efectiva es un aspecto fundamental para diseñar estrategias nutricionales personalizadas.

 

 

Métodos para estimar el Gasto energético en Reposo (GER)

El gasto energético en reposo (GER) puede estimarse mediante diferentes métodos, siendo la calorimetría indirecta el estándar de referencia por su precisión. Este procedimiento mide el consumo de oxígeno y la producción de dióxido de carbono, proporcionando datos exactos sobre el metabolismo de carbohidratos, grasas y proteínas. No obstante, debido al alto coste y a la necesidad de condiciones controladas, su uso se limita principalmente a entornos clínicos y de investigación.

En la práctica habitual, los modelos matemáticos predictivos son herramientas clave para estimar el GER de forma rápida y económica. Estas ecuaciones, como las de Harris-Benedict o Mifflin-St Jeor, utilizan variables como peso, altura, edad y sexo. Aunque menos precisas que la calorimetría, ofrecen resultados confiables para la mayoría de las personas y son ampliamente utilizadas en contextos deportivos y clínicos.

Cada método presenta ventajas y limitaciones, por lo que la elección depende del contexto. Mientras que la calorimetría es ideal para estudios detallados, las ecuaciones predictivas permiten una estimación eficiente en el día a día de los profesionales de la nutrición.

Entonces, ¿cómo podemos estimar el metabolismo en reposo de un sujeto?

En la práctica diaria, los modelos matemáticos son herramientas clave para predecir el gasto energético en reposo (GER) de forma rápida y eficiente. Desde la clásica ecuación de Harris-Benedict, publicada en 1919, hasta fórmulas más recientes como la de Mifflin-St Jeor, estas herramientas estiman el GER a partir de variables básicas como peso, altura, edad y sexo, que son fácilmente accesibles.

Además, algunas ecuaciones más avanzadas consideran datos de composición corporal como la masa libre de grasa y la masa grasa. Estos datos pueden obtenerse a través de técnicas como la antropometría, la bioimpedancia eléctrica (BIA), la absorciometría de rayos X de energía dual (DEXA) o el pesaje subacuático (UWW). Estas opciones, aunque más precisas, requieren equipos especializados y condiciones controladas, lo que puede limitar su aplicabilidad fuera de entornos clínicos o de investigación.

Por tanto, la elección del método dependerá de los recursos disponibles y del nivel de precisión requerido en cada caso, destacando que los modelos más complejos son ideales para deportistas o individuos con características metabólicas específicas.

Ventajas y limitaciones de las ecuaciones predictivas

El uso de ecuaciones predictivas es una herramienta esencial en la nutrición deportiva, ya que permite estimar el gasto energético en reposo (GER) de forma rápida, accesible y económica. Sin embargo, la precisión de estas ecuaciones varía según la población y las condiciones en las que se aplican. A continuación, se destacan las principales ventajas y limitaciones de su uso:

Ventajas:

1. Practicidad: Las ecuaciones como Mifflin-St Jeor y Harris-Benedict utilizan variables sencillas como peso, altura, edad y sexo, lo que facilita su uso en consultas y entornos no especializados.
2. Accesibilidad: No requieren equipamiento especializado como cámaras calorimétricas, lo que reduce los costes.
3. Rapidez: Ofrecen estimaciones inmediatas, permitiendo ajustes rápidos en los planes nutricionales.
4. Adaptabilidad inicial: Sirven como punto de partida confiable para la mayoría de los individuos, especialmente aquellos con características promedio.

Limitaciones:

1. Sesgo poblacional: Muchas ecuaciones se desarrollaron en poblaciones específicas (por ejemplo, sedentarios, adultos caucásicos, etc.), limitando su validez en otras etnias, edades o deportistas.
2. Variabilidad individual: Factores como la masa magra, el nivel de actividad física y el estado hormonal no siempre están adecuadamente reflejados, lo que afecta la precisión.
3. Dificultad en casos extremos: En individuos con características atípicas, como deportistas de élite o personas con obesidad severa, las estimaciones pueden subestimar o sobrestimar el GER.
4. Falta de personalización: Las ecuaciones más simples no integran datos específicos como la composición corporal o adaptaciones metabólicas.

Ejemplo Práctico:

Un deportista de fuerza con alta masa magra que utiliza la ecuación de Harris-Benedict puede obtener una subestimación de su GER, lo que podría llevar a una ingesta calórica insuficiente. En este caso, sería más apropiado usar una fórmula como Katch-McArdle, que incluye la masa libre de grasa, para obtener un cálculo más preciso.

Aplicaciones para Deportistas

En el contexto deportivo, estimar el gasto energético en reposo (GER) es fundamental para diseñar estrategias nutricionales personalizadas que optimicen el rendimiento físico y la composición corporal. Un déficit energético prolongado, como el que puede ocurrir en deportes de resistencia con entrenamientos intensos, puede comprometer el rendimiento, la recuperación y la salud general, incluyendo la pérdida de masa muscular. Por otro lado, un superávit calórico no controlado, más común en disciplinas de fuerza, podría resultar en un aumento no deseado de la masa grasa.

La elección de la ecuación predictiva más adecuada debe basarse en las características individuales del deportista, como su nivel de actividad física, su composición corporal y sus objetivos específicos (por ejemplo, perder grasa, ganar masa muscular o mantener peso durante la competición). En este sentido, estos son algunos casos ilustrativos:

• Deportistas de fuerza con alta masa muscular pueden beneficiarse de ecuaciones como Katch-McArdle, que consideran la masa magra.

• Atletas de resistencia podrían encontrar mayor precisión en fórmulas como Cunningham o FAO/OMS/UNU, que ajustan los valores para poblaciones activas.

Además, es importante ajustar las estrategias nutricionales de manera continua, teniendo en cuenta factores como el progreso en el entrenamiento, cambios en la composición corporal y las demandas específicas de cada temporada competitiva.

Fórmulas del Gasto Energético en Reposo: Fundamentos, aplicaciones y limitaciones

Varias de las fórmulas de gasto energético basal se desarrollaron a partir de mediciones realizadas en cámaras calorimétricas o mediante calorimetría indirecta. Estos datos se correlacionaron con características demográficas y antropométricas, como peso, altura, edad y sexo, para crear modelos predictivos que facilitan su uso en contextos prácticos.

Si bien cada fórmula tiene fortalezas y limitaciones, su aplicación depende del contexto del individuo. Por ejemplo, deportistas con alta masa muscular pueden beneficiarse de ecuaciones que incluyen la masa magra, como Katch-McArdle, mientras que fórmulas como Mifflin-St Jeor suelen ser útiles en poblaciones en general o con sobrepeso. Es fundamental comprender el grupo poblacional para el cual fue diseñada cada fórmula para asegurar su precisión en la práctica nutricional.

Análisis completo de fórmulas metabólicas en ASNADI

¿Cómo escoger la fórmula adecuada del GER?

En el diagrama de flujo siguiente (ver Figura 2) se proporcionan orientaciones prácticas para seleccionar la ecuación más adecuada que permita estimar el GER, en base a las características, el género del deportista y el método utilizado para evaluar su MLG.

El razonamiento del diagrama se fundamenta en la población de referencia para la que cada ecuación fue desarrollada y validada. Seleccionar una ecuación más alineada con las características del deportista (por ejemplo, atletas, población general o disciplinas deportivas específicas) aumenta la probabilidad de obtener una estimación más precisa.

 

Conclusiones

Las ecuaciones predictivas del gasto energético basal (GER) son herramientas valiosas en la práctica nutricional y deportiva que permiten estimaciones rápidas basadas en características individuales. Aunque ninguna fórmula es universalmente aplicable a todas las poblaciones, proporcionan una base sólida para ajustar la ingesta energética. La elección adecuada de la ecuación es fundamental. Mientras la fórmula de Mifflin-St Jeor resulta ideal para poblaciones generales con normopeso o sobrepeso ligero, ecuaciones como la de Katch-McArdle o Cunningham, que incorporan la masa magra, ofrecen una mayor precisión en deportistas con alta masa muscular. Además, personalizar y ajustar de forma continua estas fórmulas según las características individuales y la evolución del paciente es crucial, considerando cambios potenciales en la composición corporal, peso o rendimiento. De este modo, un deportista que aumente su masa magra requerirá adaptar la ecuación para mantener la precisión en sus necesidades energéticas.

Siempre que sea posible, también es recomendable complementar estas estimaciones de las ecuaciones con métodos directos como la calorimetría indirecta, para mejorar la precisión de los cálculos, sobre todo, en contextos clínicos o de alta exigencia deportiva. Asimismo, factores como el estado metabólico, la etapa del entrenamiento o el nivel de actividad física pueden cambiar con el tiempo, por lo que la reevaluación periódica es clave para garantizar que las recomendaciones nutricionales se mantengan alineadas con las necesidades actuales del individuo.

Por todo lo expuesto, el conjunto de las diferentes herramientas descritas constituyen una pieza clave en la planificación nutricional, pero deben utilizarse con flexibilidad y con un enfoque crítico, sin olvidar complementarlas con datos específicos del pacientes y métodos más avanzados cuando sea necesario y las circunstancias lo permitan.

 

Descargar Calculadora

 

 

 

 

 

 

CRÉDITO y FUENTES:

Contenido original redactado por el Grupo de Especialización Nutrición Deportiva ASNADI, del que formo parte. Puedes consultar el estudio completo y todas las referencias aquí: Estimación del Gasto Energético en Reposo. Este contenido se comparte bajo licencia CC BY-NC-SA 4.0.

REFERENCIAS:

• Mifflin, M. D., St Jeor, S. T., Hill, L. A., Scott, B. J., Daugherty, S. A., & Koh, Y. O. (1990). A new predictive equation for resting energy expenditure in healthy individuals. The American Journal of Clinical Nutrition, 51(2), 241–247. https://doi.org/10.1093/ajcn/51.2.241

• Katch, F.I. & McArdle, W.D. Introduction to Nutrition, Exercise, and Health. Williams & Wilkins (1996).

• Cunningham J. J. (1980). A reanalysis of the factors influencing basal metabolic rate in normal adults. The American journal of clinical nutrition, 33(11), 2372–2374. https://doi.org/10.1093/ajcn/33.11.2372

• Roza, A. M., & Shizgal, H. M. (1984). The Harris Benedict equation reevaluated: resting energy requirements and the body cell mass. The American journal of clinical nutrition, 40(1), 168–182. https://doi.org/10.1093/ajcn/40.1.168

• Energy and protein requirements. Report of a joint FAO/WHO/UNU Expert Consultation. (1985). World Health Organization technical report series, 724, 1–206.

• Harris, J. A., & Benedict, F. G. (1918). A Biometric Study of Human Basal Metabolism. Proceedings of the National Academy of Sciences of the United States of America, 4(12), 370–373. https://doi.org/10.1073/pnas.4.12.370

• Owen, O. E., Holup, J. L., D’Alessio, D. A., Craig, E. S., Polansky, M., Smalley, K. J., Kavle, E. C., Bushman, M. C., Owen, L. R., & Mozzoli, M. A. (1987). A reappraisal of the caloric requirements of men. The American journal of clinical nutrition, 46(6), 875–885. https://doi.org/10.1093/ajcn/46.6.875

• De Lorenzo, A., Bertini, I., Candeloro, N., Piccinelli, R., Innocente, I., & Brancati, A. (1999). A new predictive equation to calculate resting metabolic rate in athletes. The Journal of sports medicine and physical fitness, 39(3), 213–219.

• ten Haaf, T., & Weijs, P. J. (2014). Resting energy expenditure prediction in recreational athletes of 18-35 years: confirmation of Cunningham equation and an improved weight-based alternative. PloS one, 9(9), e108460. https://doi.org/10.1371/journal.pone.0108460

• Müller, M. J., Bosy-Westphal, A., Klaus, S., Kreymann, G., Lührmann, P. M., Neuhäuser-Berthold, M., Noack, R., Pirke, K. M., Platte, P., Selberg, O., & Steiniger, J. (2004). World Health Organization equations have shortcomings for predicting resting energy expenditure in persons from a modern, affluent population: generation of a new reference standard from a retrospective analysis of a German database of resting energy expenditure. The American journal of clinical nutrition, 80(5), 1379–1390. https://doi.org/10.1093/ajcn/80.5.1379

• Tinsley, G. M., Graybeal, A. J., & Moore, M. L. (2019). Resting metabolic rate in muscular physique athletes: validity of existing methods and development of new prediction equations. Applied physiology, nutrition, and metabolism = Physiologie appliquee, nutrition et metabolisme, 44(4), 397–406. https://doi.org/10.1139/apnm-2018-0412

• Pavlidou, E., Papadopoulou, S. K., Seroglou, K., & Giaginis, C. (2023). Revised Harris-Benedict Equation: New Human Resting Metabolic Rate Equation. Metabolites, 13(2), 189. https://doi.org/10.3390/metabo13020189

• Pontzer, H., Yamada, Y., Sagayama, H., Ainslie, P. N., Andersen, L. F., Anderson, L. J., Arab, L., Baddou, I., Bedu-Addo, K., Blaak, E. E., Blanc, S., Bonomi, A. G., Bouten, C. V. C., Bovet, P., Buchowski, M. S., Butte, N. F., Camps, S. G., Close, G. L., Cooper, J. A., Cooper, R., … IAEA DLW Database Consortium (2021). Daily energy expenditure through the human life course. Science (New York, N.Y.), 373(6556), 808–812. https://doi.org/10.1126/science.abe5017

• Prado-Nóvoa, O., Howard, K. R., Laskaridou, E., Reid, G. R., Zorrilla-Revilla, G., Marinik, E. L., Davy, B. M., Speakman, J. R., & Davy, K. P. (2024). Validation of predictive equations to estimate resting metabolic rate of females and males across different activity levels. American journal of human biology : the official journal of the Human Biology Council, 36(4), e24005. https://doi.org/10.1002/ajhb.24005

• Cunningham J. J. (1991). Body composition as a determinant of energy expenditure: a synthetic review and a proposed general prediction equation. The American journal of clinical nutrition, 54(6), 963–969. https://doi.org/10.1093/ajcn/54.6.963

• Maclean, P. S., Bergouignan, A., Cornier, M. A., & Jackman, M. R. (2011). Biology’s response to dieting: the impetus for weight regain. American journal of physiology. Regulatory, integrative and comparative physiology, 301(3), R581–R600. https://doi.org/10.1152/ajpregu.00755.2010