Dietary Protein Intake and Distribution Patterns of Well-Trained Dutch Athletes
Notice bibliographique
Résumé
Dietary protein intake should be optimized in all athletes to ensure proper recovery and enhance the skeletal muscle adaptive response to exercise training. In addition to total protein intake, the use of specific proteincontaining food sources and the distribution of protein throughout the day are relevant for optimizing protein intake in athletes. In the present study, we examined the daily intake and distribution of various proteincontaining food sources in a large cohort of strength, endurance and team-sport athletes. Well-trained male (n=327) and female (n=226) athletes completed multiple web-based 24-hr dietary recalls over a 2-4 wk period. Total energy intake, the contribution of animal- and plant-based proteins to daily protein intake, and protein intake at six eating moments were determined. Daily protein intake averaged 108±33 and 90±24 g in men and women, respectively, which corresponded to relative intakes of 1.5±0.4 and 1.4±0.4 g/kg. Dietary protein intake was correlated with total energy intake in strength (r=0.71, p <.001), endurance (r=0.79, p <.001) and team-sport (r=0.77, p <.001) athletes. Animal and plant-based sources of protein intake was 57% and 43%, respectively. The distribution of protein intake was 19% (19±8 g) at breakfast, 24% (25±13 g) at lunch and 38% (38±15 g) at dinner. Protein intake was below the recommended 20 g for 58% of athletes at breakfast, 36% at lunch and 8% at dinner. In summary, this survey of athletes revealed they habitually consume > 1.2 g protein/kg/d, but the distribution throughout the day may be suboptimal to maximize the skeletal muscle adaptive response to training.
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 ».