The effects of increased endurance training load on biomarkers of heat intolerance during intense exercise in the heat
Notice bibliographique
Résumé
The effects of increased training (IT) load on plasma concentrations of lipopolysaccharides (LPS), proinflammatory cytokines, and anti-LPS antibodies during exercise in the heat were investigated in 18 male runners, who performed 14 days of normal training (NT) or 14 days of 20% IT load in 2 equal groups. Before (trial 1) and after (trial 2) the training intervention, all subjects ran at 70% maximum oxygen uptake on a treadmill under hot (35 degrees C) and humid (~40%) conditions, until core temperature reached 39.5 degrees C or volitional exhaustion. Venous blood samples were drawn before, after, and 1.5 h after exercise. Plasma LPS concentration after exercise increased by 71% (trial 1, p < 0.05) and 21% (trial 2) in the NT group and by 92% (trial 1, p < 0.01) and 199% (trial 2, p < 0.01) in the IT group. Postintervention plasma LPS concentration was 35% lower before exercise (p < 0.05) and 47% lower during recovery (p < 0.01) in the IT than in the NT group. Anti-LPS IgM concentration during recovery was 35% lower in the IT than in the NT group (p < 0.05). Plasma interleukin (IL)-6 and tumor necrosis factor (TNF)-alpha concentration after exercise (IL-6, 3-7 times, p < 0.01, and TNF-alpha, 33%, p < 0.01) and during recovery (IL-6, 2-4 times, p < 0.05, and TNF-alpha, 30%, p < 0.01) were higher than at rest within each group. These data suggest that a short-term tolerable increase in training load may protect against developing endotoxemia during exercise in the heat.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».