Combined Interval Training and Post-exercise Nutrition in Type 2 Diabetes: A Randomized Control Trial
Notice bibliographique
Résumé
Background: High-intensity interval training (HIIT) can improve several aspects of cardiometabolic health. Previous studies have suggested that adaptations to exercise training can be augmented with post-exercise milk or protein consumption, but whether this nutritional strategy can impact the cardiometabolic adaptations to HIIT in type 2 diabetes is unknown. Objective: To determine if the addition of a post-exercise milk or protein beverage to a high-intensity interval training (HIIT) intervention improves cardiometabolic health in individuals with type 2 diabetes. Design: In a proof-of-concept, double-blind clinical trial 53 adults with uncomplicated type 2 diabetes were randomized to one of three nutritional beverages (500 mL skim-milk, macronutrient control or flavored water placebo) consumed after exercise (3 days/wk) during a 12 week low-volume HIIT intervention. HIIT involved 10 X 1-min high-intensity intervals separated by 1-min low-intensity recovery periods. Two sessions per week were cardio-based (at ~90% of heart rate max) and one session involved resistance-based exercises (at RPE of 5-6; CR-10 scale) in the same interval pattern. Continuous glucose monitoring (CGM), glycosylated hemoglobin (HbA1c), body composition (dual-energy X-ray absorptiometry), cardiorespiratory fitness (V̇O2peak), blood pressure and endothelial function (%FMD) were measured before and after the intervention. Results: There were significant main effects of time (all p0.71) for CGM 24-h mean glucose (-0.5 ± 1.1 mmol/L), HbA1c (-0.2 ± 0.4%), percent body fat (-0.8 ± 1.6%), and lean mass (+1.1 ± 2.8 kg). Similarly, V̇O2peak (+2.5 ± 1.6 mL/kg/min) and %FMD (+1.4 ± 1.9%) were increased, and mean arterial blood pressure reduced (-6 ± 7 mmHg), after 12 weeks of HIIT (all p0.11). Conclusion: High-intensity interval training is a potent stimulus for improving several important metabolic and cardiovascular risk factors in type 2 diabetes. The benefits of HIIT are not augmented by the addition of post-exercise protein.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».