MétaCan
Menu
Retour à la cohorte
Enregistrement W2736277953 · doi:10.1038/s41598-017-06349-y

The Effect of Electrical Stimulation of the Calf Muscle on Leg Fluid Accumulation over a Long Period of Sitting

2017· article· en· W2736277953 sur OpenAlexaff
Daniel Vena, Jonathan Rubianto, Miloš R. Popović, Geoff Fernie, Azadeh Yadollahi

Notice bibliographique

RevueScientific Reports · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueBody Composition Measurement Techniques
Établissements canadiensToronto Rehabilitation InstituteUniversity of TorontoUniversity Health Network
Organismes subventionnairesnon disponible
Mots-clésSupine positionBioelectrical impedance analysisMedicineSittingStimulationEdemaBody fluidElectrical muscle stimulationLeg muscleFluid intakeAnesthesiaPhysical therapyPhysical medicine and rehabilitationInternal medicineBody mass indexPathology

Résumé

récupéré en direct d'OpenAlex

Leg fluid accumulation during sedentary behaviours such as sitting can lead to leg edema and associated adverse health consequences. This study investigates the use calf muscle electrical stimulation (ES) to reduce seated leg fluid accumulation. Thirteen non-obese, normotensive men (mean age 51 yr.) with sleep apnea were enrolled in the study. Participants first lay supine for 30 minutes to equalize fluid distribution and then sat for 150 minutes. While seated, participants received either active or sham ES of the calf muscles, according to random assignment. Participants returned one-week later to cross over to the other study condition. Leg fluid was measured continuously while sitting using the bioelectrical impedance method. Fluid accumulation in the leg was reduced by more than 40% using active ES, compared to sham ES (∆ = 51.9 ± 8.8 ml vs. ∆ = 91.5 ± 8.9 ml, P < 0.001). In summary, calf muscle ES is an effective method for reducing accumulation of fluid during long sedentary periods and has potential use as a device for preventing leg edema to treat associated health consequences in at-risk groups and settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,230
Score d'incertitude au seuil0,366

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,336
Écart entre enseignants0,307 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations9
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueScientific ReportsMême sujetBody Composition Measurement TechniquesTravaux en français237 207