The Impact of Step Reduction on Muscle Health in Aging: Protein and Exercise as Countermeasures
Notice bibliographique
Résumé
Declines in strength and muscle function with age-sarcopenia-contribute to a variety of negative outcomes including an increased risk of: falls, fractures, hospitalization, and reduced mobility in older persons. Population-based estimates of the loss of muscle after age 60 show a loss of ~1% per year while strength loss is more rapid at ~3% per year. These rates are not, however, linear as periodic bouts of reduced physical activity and muscle disuse transiently accelerate loss of muscle and declines in muscle strength and power. Episodic complete muscle disuse can be due to sickness-related bed rest or local muscle disuse as a result of limb immobilization/surgery. Alternatively, relative muscle disuse occurs during inactivity due to illness and the associated convalescence resulting in marked reductions in daily steps, often referred to as step reduction (SR). While it is a "milder" form of disuse, it can have a similar adverse impact on skeletal muscle health. The physiological consequences of even short-term inactivity, modeled by SR, show losses in muscle mass and strength, as well as impaired insulin sensitivity and an increase in systemic inflammation. Though seemingly benign in comparison to bed rest, periodic inactivity likely occurs, we posit, more frequently with advancing age due to illness, declining mental health and declining mobility. Given that recovery from inactivity in older adults is slow or possibly incomplete we hypothesize that accumulated periods of inactivity contribute to sarcopenia. Periodic activity, even in small quantities, and protein supplementation may serve as effective strategies to offset the loss of muscle mass with aging, specifically during periods of inactivity. The aim of this review is to examine the recent literature encompassing SR, as a model of inactivity, and to explore the capacity of nutrition and exercise interventions to mitigate adverse physiological changes as a result of SR.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».