Effect of tai chi on musculoskeletal health-related fitness and self-reported physical health changes in low income, multiple ethnicity mid to older adults
Notice bibliographique
Résumé
BACKGROUND: Tai Chi (TC) has proven to be effective at improving musculoskeletal fitness by increasing upper and lower body strength, low back flexibility and overall physical health. The objectives of this study were to examine changes in musculoskeletal health-related fitness and self-reported physical health after a 16 week TC program in a low income multiple ethnicity mid to older adult population. METHODS: Two hundred and nine ethnically diverse mid to older community dwelling Canadian adults residing in low income neighbourhoods were enrolled in a 16 week Yang style TC program. Body Mass Index and select musculoskeletal fitness measures including upper and lower body strength, low back flexibility and self-reported physical health measured by SF 36 were collected pre and post the TC program. Determinants of health such as age, sex, marital status, education, income, ethnicity of origin, multi-morbidity conditions, weekly physical activity, previous TC experience as well as program adherence were examined as possible musculoskeletal health-related fitness change predictors. RESULTS: Using paired sample t-tests significant improvements were found in both upper and lower body strength, low back flexibility, and the SF 36 physical health scores (p < 0.05). Based on multiple linear regression analyses, no common health determinants explained a significant portion of the variation in percent changes of the musculoskeletal fitness and SF 36 measures. CONCLUSIONS: These results reveal that TC has the potential of having a beneficial influence on musculoskeletal health-related fitness and self-reported physical health in a mid to older low socioeconomic, ethnically diverse sample.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».