Low-Volume Interval Training Improves Muscle Oxidative Capacity in Sedentary Adults
Notice bibliographique
Résumé
INTRODUCTION: High-intensity interval training (HIT) increases skeletal muscle oxidative capacity similar to traditional endurance training, despite a low total exercise volume. Much of this work has focused on young active individuals, and it is unclear whether the results are applicable to older less active populations. In addition, many studies have used "all-out" variable-load exercise interventions (e.g., repeated Wingate tests) that may not be practical for all individuals. We therefore examined the effect of a more practical low-volume submaximal constant-load HIT protocol on skeletal muscle oxidative capacity and insulin sensitivity in middle-aged adults, who may be at a higher risk for inactivity-related disorders. METHODS: Seven sedentary but otherwise healthy individuals (three women) with a mean ± SD age, body mass index, and peak oxygen uptake (VO(2peak)) of 45 ± 5 yr, 27 ± 5 kg·m(-2), and 30 ± 3 mL·kg(-1)·min(-1) performed six training sessions during 2 wk. Each session involved 10 × 1-min cycling at ∼60% of peak power achieved during a ramp VO(2peak) test (eliciting ∼80%-95% of HR reserve) with 1 min of recovery between intervals. Needle biopsy samples (vastus lateralis) were obtained before training and ∼72 h after the final training session. RESULTS: Muscle oxidative capacity, as reflected by the protein content of citrate synthase and cytochrome c oxidase subunit IV, increased by ∼35% after training. The transcriptional coactivator peroxisome proliferator-activated receptor γ coactivator 1α was increased by ∼56% after training, but the transcriptional corepressor receptor-interacting protein 140 remained unchanged. Glucose transporter protein content increased ∼260%, and insulin sensitivity, on the basis of the insulin sensitivity index homeostasis model assessment, improved by ∼35% after training. CONCLUSIONS: Constant-load low-volume HIT may be a practical time-efficient strategy to induce metabolic adaptations that reduce the risk for inactivity-related disorders in previously sedentary middle-aged adults.
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 | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».