Supplements and Nutritional Interventions to Augment High-Intensity Interval Training Physiological and Performance Adaptations—A Narrative Review
Notice bibliographique
Résumé
High-intensity interval training (HIIT) involves short bursts of intense activity interspersed by periods of low-intensity exercise or rest. HIIT is a viable alternative to traditional continuous moderate-intensity endurance training to enhance maximal oxygen uptake and endurance performance. Combining nutritional strategies with HIIT may result in more favorable outcomes. The purpose of this narrative review is to highlight key dietary interventions that may augment adaptations to HIIT, including creatine monohydrate, caffeine, nitrate, sodium bicarbonate, beta-alanine, protein, and essential amino acids, as well as manipulating carbohydrate availability. Nutrient timing and potential sex differences are also discussed. Overall, sodium bicarbonate and nitrates show promise for enhancing HIIT adaptations and performance. Beta-alanine has the potential to increase training volume and intensity and improve HIIT adaptations. Caffeine and creatine have potential benefits, however, longer-term studies are lacking. Presently, there is a lack of evidence supporting high protein diets to augment HIIT. Low carbohydrate training enhances the upregulation of mitochondrial enzymes, however, there does not seem to be a performance advantage, and a periodized approach may be warranted. Lastly, potential sex differences suggest the need for future research to examine sex-specific nutritional strategies in response to HIIT.
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 | 0,000 | 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 ».