Light-intensity and high-intensity interval training improve cardiometabolic health in rats
Notice bibliographique
Résumé
Physical activity has the potential to reduce cardiometabolic risk factors but evaluation of different intensities of physical activity and the mechanisms behind their health effects still need to be fully established. This study examined the effects of sedentary behaviour, light-intensity training, and high-intensity interval training on biometric indices, glucose and lipid metabolism, inflammatory and oxidative stress markers, and vascular and cardiac function in adult rats. Rats (12 weeks old) were randomly assigned to 1 of 4 groups: control (CTL; no exercise), sedentary (SED; no exercise and housed in small cages to reduce activity), light-intensity trained (LIT; four 30-min exercise bouts/day at 8 m/min separated by 2-h rest period, 5 days/week), and high-intensity interval trained (HIIT, four 2.5-min work bouts/day at 50 m/min separated by 3-min rest periods, 5 days/week). After 12 weeks of intervention, SED had greater visceral fat accumulation (p < 0.01) and slower cardiac conduction (p = 0.04) compared with the CTL group. LIT and HIIT demonstrated beneficial changes in body weight, visceral and epididymal fat weight, glucose regulation, low-density lipoprotein cholesterol, total cholesterol, and mesenteric vessel contractile response compared with the CTL group (p < 0.05). LIT had significant improvements in insulin sensitivity and cardiac conduction compared with the CTL and SED groups whilst HIIT had significant improvements in systolic blood pressure and endothelium-independent vasodilation to aorta and mesenteric artery compared with the CTL group (p < 0.05). LIT and HIIT induce health benefits by improving traditional cardiometabolic risk factors. LIT improves cardiac health while HIIT promotes improvements in vascular health.
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) | 0,002 | 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 ».