Effect of Low- and High-Glycemic-Index Meals on Metabolism and Performance During High-Intensity, Intermittent Exercise
Notice bibliographique
Résumé
Consuming carbohydrate-rich meals before continuous endurance exercise improves performance, yet few studies have evaluated the ideal preexercise meal for high-intensity intermittent exercise, which is characteristic of many team sports. The authors' purpose was to investigate the effects of low- and high-glycemic-index (GI) meals on metabolism and performance during high-intensity, intermittent exercise. Sixteen male participants completed three 90-min high-intensity intermittent running trials in a single-blinded random order, separated by ~7 d, while fasted (control) and 2 hr after ingesting an isoenergetic low-GI (lentil), or high-GI (potato and egg white) preexercise meal. Serum free fatty acids were higher and insulin lower throughout exercise in the fasted condition (p < .05), but there were no differences in blood glucose during exercise between conditions. Distance covered on a repeated-sprint test at the end of exercise was significantly greater in the low-GI and high-GI conditions than in the control (p < .05). Rating of perceived exertion was lower in the low-GI condition than in the control (p = .01). In a subsample of 5 participants, muscle glycogen availability was greater in the low-and high-GI conditions versus fasted control before the repeated-sprint test (p < .05), with no differences between low and high GI. When exogenous carbohydrates are not provided during exercise both low- and high-GI preexercise meals improve high-intensity, intermittent exercise performance, probably by increasing the availability of muscle glycogen. However, the GI does not influence markers of substrate oxidation during high-intensity, intermittent exercise.
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 ».