High-Intensity Interval Training as an Efficacious Alternative to Moderate-Intensity Continuous Training for Adults with Prediabetes
Notice bibliographique
Résumé
AIMS: High-intensity interval training (HIIT) leads to improvements in various markers of cardiometabolic health but adherence to HIIT following a supervised laboratory intervention has yet to be tested. We compared self-report and objective measures of physical activity after one month of independent exercise in individuals with prediabetes who were randomized to HIIT (n = 15) or traditional moderate-intensity continuous training (MICT, n = 17). METHOD: After completing 10 sessions of supervised training participants were asked to perform HIIT or MICT three times per week for four weeks. RESULTS: Individuals in HIIT (89 ± 11%) adhered to their prescribed protocol to a greater extent than individuals in MICT (71 ± 31%) as determined by training logs completed over one-month follow-up (P = 0.05, Cohen's d = 0.75). Minutes spent in vigorous physical activity per week measured by accelerometer were higher in HIIT (24 ± 18) as compared to MICT (11 ± 10) at one-month follow-up (P = 0.049, Cohen's d = 0.92). Cardiorespiratory fitness and systolic blood pressure assessed at one-month follow-up were equally improved (P's < 0.05). CONCLUSIONS: This study provides preliminary evidence that individuals with prediabetes can adhere to HIIT over the short-term and do so at a level that is greater than MICT.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».