Deconstructing athletes’ sleep: A systematic review of the influence of age, sex, athletic expertise, sport type, and season on sleep characteristics
Notice bibliographique
Résumé
PURPOSE: This systematic review aimed to describe objective sleep parameters for athletes under different conditions and address potential sleep issues in this specific population. METHODS: PubMed and Scopus were searched from inception to April 2019. Included studies measured sleep only via objective evaluation tools such as polysomnography or actigraphy. The modified version of the Newcastle-Ottawa Scale was used for the quality assessment of the studies. RESULTS: Eighty-one studies were included, of which 56 were classified as medium quality, 5 studies as low quality, and 20 studies as high quality. A total of 1830 athletes were monitored over 18,958 nights. Average values for sleep-related parameters were calculated for all athletes according to sex, age, athletic expertise level, training season, and type of sport. Athletes slept on average 7.2 ± 1.1 h/night (mean ± SD), with 86.3% ± 6.8% sleep efficiency (SE). In all datasets, the athletes' mean total sleep time was <8 h. SE was low for young athletes (80.3% ± 8.8%). Reduced SE was attributed to high wake after sleep onset rather than sleep onset latency. During heavy training periods, sleep duration and SE were on average 36 min and 0.8% less compared to pre-season and 42 min and 3.0% less compared to in-season training periods, respectively. CONCLUSION: Athletes' sleep duration was found to be short with low SE, in comparison to the general consensus for non-athlete healthy adults. Notable sleep issues were revealed in young athletes. Sleep quality and architecture tend to change across different training periods.
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 | 0,007 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,012 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».