Neuromuscular Control and Exercise-Related Leg Pain in Triathletes
Notice bibliographique
Résumé
UNLABELLED: Previous studies have shown that cycling can directly influence neuromuscular control during subsequent running in some highly trained triathletes. A relationship between this altered neuromuscular control of running and musculoskeletal pain and injury has been proposed; however, this link has not been investigated. PURPOSE: This study aimed to evaluate the influence of cycling on neuromuscular control during subsequent running in highly trained triathletes with and without exercise-related leg pain (ERLP). METHODS: Participants were 34 highly trained triathletes: 10 triathletes with a history of ERLP and 24 training-matched control triathletes with no history of ERLP. Knee and ankle kinematics and leg muscle recruitment were compared between a baseline run (no prior exercise) and a transition run (preceded by cycling; i.e., run vs cycle run). RESULTS: Knee and ankle joint kinematics were not different between baseline and transition runs for any triathletes: absolute mean difference (+/-95% confidence interval) was 1.49 degrees +/- 0.17 degrees. However, muscle recruitment was different between baseline and transition runs, defined by absolute mean difference in EMG amplitude > or = 10%, in 5 of 24 control triathletes (11/130 muscles exhibited altered recruitment) and in 5 of 10 triathletes with a history of ERLP (12/50 muscles exhibited altered recruitment). This represents a relative risk of 2.40 (0.89-6.50; P = 0.089) when defined by athletes and 2.62 (1.34-6.01; P < 0.01) when defined by muscles. The magnitude of change in muscle recruitment between baseline and transition runs was not different between control (14.10% +/- 2.34%) and ERLP triathletes (16.31% +/- 3.64%; P = 0.41). CONCLUSIONS: This study demonstrates an association between ERLP in triathletes and their neuromuscular control when running off the bike.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».