Predictive value of strength loss as an indicator of muscle damage across multiple drop jumps
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The aim of the present study was to compare the time-course of indirect symptoms of exercise-induced muscle damage after 50 and 100 drop jumps. A high-force, low intensity exercise protocol was used to avoid discrepancies regarding metabolic fatigue immediately after exercise. Healthy untrained men performed 50 ("50 group", n = 13) or 100 ("100 group", n = 13) intermittent (30-s interval between each jump) drop jumps, respectively, from the height of 0.5 m with a counter-movement to a 90° knee flexion angle and immediate maximal rebound. Voluntary and electrically evoked knee extensor strength was assessed using an isokinetic dynamometer immediately before and at 2 min after exercise, as well as 3, 7, and 14 days after exercise. Creatine kinase (CK) activity and muscle soreness within 7 days after exercise were also determined. The results showed that the decrease in voluntary isometric and isokinetic torque as well as 100 Hz stimulation torque at the end of the 50 and 100 drop jumps was very similar, while substantial differences were found in low-frequency fatigue, shift in optimal knee joint angle, muscle soreness, and CK activity. In addition, there was slower muscle strength recovery after the 100 drop jumps. It is concluded that the predictive value of strength loss immediately after exercise as an indicator of muscle damage decreases as the jump number increases. Still, stimuli must be large enough for muscle torque to reach the reduction plateau. Therefore, magnitude of exercise becomes a major factor in accuracy of muscle damage predictions.
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.
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 | 0,001 |
| 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 découle