Influence of circulating cytokines on prolactin during slow vs. fast exertional heat stress followed by active or passive recovery
Notice bibliographique
Résumé
Prolactin (PRL) has been suggested as an indicator of fatigue during exertional heat stress (EHS), given its strong relationship with body core temperature (T(c)); however, the strength of this relationship during different rates of T(c) increase and subsequent recovery is unknown. In addition, given the influence that systemic cytokines, such as interleukin (IL)-6 and tumor necrosis factor (TNF)-α, have on the pituitary gland, it would be of interest to determine the relationship between PRL, IL-6, and TNF-α during EHS. The purpose was to examine the PRL, IL-6, and TNF-α heat stress responses during slow and fast heating and subsequent resting or cold water immersion recovery. On 4 days, nine individuals walked at ≈ 45% (slow heating) or ran at ≈ 65% (fast heating) maximal oxygen consumption on a treadmill in the heat (40°C, 30% relative humidity) until rectal temperature (T(re)) reached 39.5°C (esophageal temperature; fast = 39.41 ± 0.04°C, slow = 39.82 ± 0.09°C). Post-EHS, subjects were either immersed in 2°C water or rested seated until T(re) returned to 38.0°C. Venous blood, analyzed for PRL, IL-6, and TNF-α, was obtained at rest, during exercise (T(re) 38.0, 39.0, 39.5°C), the start of recovery (≈ 5 min after 39.5°C), and subsequent recovery (T(re) 39.0, 38.0°C). IL-6 exhibited myokine properties, given the greater increases with slow heating and lack of increase in TNF-α. A strong temperature-dependent PRL response during slow and fast heating provides additional support for the use of PRL as a peripheral marker of impending fatigue, which is independent of IL-6 and TNF-α cytokine responses.
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 ».