Characterization of perceived muscle soreness and prediction of skeletal muscle markers of damage following a bout of high intensity functional resistance training
Notice bibliographique
Résumé
Exercise-induced skeletal muscle damage often resolves in 1-5 days, however severe complications occasionally arise. Identifying predictors of severe muscle damage may reduce potential risks associated with high volume or extended duration workouts. PURPOSE: Determine if pain perception is related to markers of skeletal muscle damage following a standardized HIRFT bout. METHODS: Participants (n=19[13 males, 174.7±7.9 cm, 77.9±13.7 kg, 25.8±6.5 y, training experience 3.5±1.3y] completed a standardized HIRFT workout (1 mile run, 100 pull ups, 200 pushups, 300 air squats, 1 mile run). At 5 timepoints (24h pre, immediately pre, immediately post, 24h post and 48h post exercise), participants completed the Short Form McGill Pain Questionnaire (MPQ), including responses to 15 pain terms and a visual analog scale (VAS). Plasma osmolality (Posm) was measured from blood samples taken at each of the above timepoints. RESULTS: RMANOVA revealed a main effect of time for 11 pain descriptors, VAS, and Mean Plasma Osmolality (all p ≤ .035). A stepwise regression analysis revealed a significant relationship between VAS immediately post exercise and mean plasma osmolality 48h post exercise. CONCLUSION: Eleven MPQ terms best described perceived muscle pain following the HIRFT bout. The relationship between VAS immediately post and plasma osmolality 48h post exercise demonstrates individuals who perceived more pain immediately following workout showed evidence of increased skeletal muscle damage 48h after the workout. This muscle damage may be due to a release of urea from the skeletal muscle cell following exercise. Findings indicate perceived muscle pain may be a valuable predictor of muscle damage.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».