Effects of winter military training on energy balance, whole-body protein balance, muscle damage, soreness, and physical performance
Notice bibliographique
Résumé
Physiological consequences of winter military operations are not well described. This study examined Norwegian soldiers (n = 21 males) participating in a physically demanding winter training program to evaluate whether short-term military training alters energy and whole-body protein balance, muscle damage, soreness, and performance. Energy expenditure (D2(18)O) and intake were measured daily, and postabsorptive whole-body protein turnover ([(15)N]-glycine), muscle damage, soreness, and performance (vertical jump) were assessed at baseline, following a 4-day, military task training phase (MTT) and after a 3-day, 54-km ski march (SKI). Energy intake (kcal·day(-1)) increased (P < 0.01) from (mean ± SD (95% confidence interval)) 3098 ± 236 (2985, 3212) during MTT to 3461 ± 586 (3178, 3743) during SKI, while protein (g·kg(-1)·day(-1)) intake remained constant (MTT, 1.59 ± 0.33 (1.51, 1.66); and SKI, 1.71 ± 0.55 (1.58, 1.85)). Energy expenditure increased (P < 0.05) during SKI (6851 ± 562 (6580, 7122)) compared with MTT (5480 ± 389 (5293, 5668)) and exceeded energy intake. Protein flux, synthesis, and breakdown were all increased (P < 0.05) 24%, 18%, and 27%, respectively, during SKI compared with baseline and MTT. Whole-body protein balance was lower (P < 0.05) during SKI (-1.41 ± 1.11 (-1.98, -0.84) g·kg(-1)·10 h) than MTT and baseline. Muscle damage and soreness increased and performance decreased progressively (P < 0.05). The physiological consequences observed during short-term winter military training provide the basis for future studies to evaluate nutritional strategies that attenuate protein loss and sustain performance during severe energy deficits.
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 ».