Influence of body heat content on hand function during prolonged cold exposures
Notice bibliographique
Résumé
We examined the influence of 1) prior increase [preheating (PHT)], 2) increase throughout [heating (HT)], and 3) no increase [control (Con)] of body heat content (H(b)) on neuromuscular function and manual dexterity of the hands during a 130-min exposure to -20 degrees C (coldEx). Ten volunteers randomly underwent three passive coldEx, incorporating a 10-min moderate-exercise period at the 65th min while wearing a liquid conditioning garment (LCG) and military arctic clothing. In PHT, 50 degrees C water was circulated in the LCG before coldEx until core temperature was increased by 0.5 degrees C. In HT, participants regulated the inlet LCG water temperature throughout coldEx to subjective comfort, while the LCG was not operating in Con. Thermal comfort, rectal temperature, mean skin temperature, mean finger temperature (T(fing)), change in H(b) (DeltaH(b)), rate of body heat storage, Purdue pegboard test, finger tapping, handgrip, maximum voluntary contraction, and evoked twitch force of the first dorsal interosseus muscle were recorded. Results demonstrated that, unlike in HT and PHT, thermal comfort, rectal temperature, mean skin temperature, twitch force, maximum voluntary contraction, and finger tapping declined significantly in Con. In contrast, T(fing) and Purdue pegboard test remained constant only in HT. Generalized estimating equations demonstrated that DeltaH(b) and T(fing) were associated over time with hand function, whereas no significant association was detected for rate of body heat storage. It is concluded that increasing H(b) not only throughout but also before a coldEx is effective in maintaining hand function. In addition, we found that the best indicator of hand function is DeltaH(b) followed by T(fing).
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) | 0,000 | 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) | 0,000 | 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 ».