Impact of high‐fat /low‐carbohydrate, high‐, low‐glycaemic index or low‐caloric meals on glucose regulation during aerobic exercise in Type 2 diabetes
Notice bibliographique
Résumé
AIMS: A decrement in blood glucose (BG) may be observed in patients with Type 2 diabetes (T2DM) when exercise is performed after a meal, in contrast to fasting. We determined the impact of different pre-exercise meal macronutrient compositions with modulation of the glycaemic index (GI) on glucose regulation during exercise in patients with T2DM. METHODS: Using a randomized, single-blind crossover design, 10 sedentary men performed five exercise sessions, once after an overnight fast, and also after each of four test meals, consisting of a high-fat/low-carbohydrate meal, a high-GI meal, a low-GI meal, and a low-calorie meal. RESULTS: Pre-exercise BG and insulin levels were comparable for all four meals. Exercise decreased BG and insulin levels during all meal conditions (all P < 0.001) compared with the fasting state in which BG levels did not change. The magnitude of BG and insulin decrements was similar after consuming the low-calorie, the high-GI and the high-fat/low-carbohydrate meals, whereas the low-GI meal induced the lowest BG fall. Adrenaline response was higher after consumption of the high-, the low-GI and the low-caloric meals compared with the high-fat/low-carbohydrate meal and with the fasting state (P < 0.05). CONCLUSIONS: This study underlines the beneficial effect of low-GI foods and the differential impact of pre-exercise meal macronutrient composition on BG decrease. This may protect against exercise-induced hypoglycaemia, and reiterates the safety of exercising while fasting in T2DM patients.
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 | 0,001 |
| 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 | 0,000 |
| 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 ».