Cardiorespiratory Improvements Achieved by American College of Sports Medicine’s Exercise Prescription Implemented on a Mobile App
Notice bibliographique
Résumé
BACKGROUND: Strong evidence shows that an increase in cardiorespiratory fitness (CRF) and physical activity (PA) reduces cardiovascular disease risk. OBJECTIVE: To test whether a scientifically endorsed program to increase CRF and PA, implemented on an easy-to-use, always-accessible mobile app would be effective in improving CRF. METHODS: Of 63 healthy volunteers participating, 18 tested the user interface of the Cardio-Fitness App (CF-App); and 45 underwent a 2-week intervention period, of whom 33 eventually concluded it. These were assigned into three groups. The Step-based App (Step-App) group (n=8), followed 10,000 steps/day prescription, the CF-App group (n=13), and the Supervised Cardio-Fitness (Super-CF) group (n=12), both followed a heart rate (HR)-based program according to American College of Sports Medicine (ACSM) guidelines, but either implemented on the app, or at the gym, respectively. Participants were tested for CRF, PA, resting systolic and diastolic blood pressures (SBP, DBP), resting, exercise, and recovery HR. RESULTS: CRF increased in all groups (+4.9%; P<.001). SBP decreased in all groups (-2.6 mm Hg; P=.03). DBP decrease was higher in the Super-CF group (-3.5 mm Hg) than in the Step-App group (-2.1 mm Hg; P<.001). Posttest exercise HR decreased in all groups (-3.4 bpm; P=.02). Posttest recovery HR was lower in the Super-CF group (-10.1 bpm) than in the other two groups (CF-App: -4.9 bpm, Step-App: -3.3 bpm; P<.001). The CF-App group, however, achieved these improvements with more training heart beats (P<.01). CONCLUSIONS: A 10,000 steps/day target-based app improved CRF similar to an ACSM guideline-based program whether it was implemented on a mobile app or in supervised gym sessions.
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 | 0,001 | 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 ».