Caffeine increases peripheral fatigue in low- but not in high-performing cyclists
Notice bibliographique
Résumé
The influence of cyclists’ performance levels on caffeine-induced increases in neuromuscular fatigue after a 4-km cycling time trial (TT) was investigated. Nineteen cyclists performed a 4-km cycling TT 1 h after ingesting caffeine (5 mg·kg −1 ) or placebo (cellulose). Changes from baseline to after exercise in voluntary activation (VA) and potentiated 1 Hz force twitch (Q tw,pot ) were used as markers of central and peripheral fatigue, respectively. Participants were classified as “high performing” (HP, n = 8) or “low performing” (LP, n = 8) in accordance with their performance in a placebo trial. Compared with placebo, caffeine increased the power, anaerobic mechanical power, and anaerobic work, reducing the time to complete the trial in both groups (p < 0.05). There was a group versus supplement and a group versus supplement versus trial interaction for Q tw,pot , in which the postexercise reduction was greater after caffeine compared with placebo in the LP group (Q tw,pot = −34% ± 17% vs. −21% ± 11%, p = 0.02) but not in the HP group (Q tw,pot = −22% ± 8% vs. −23% ± 10%, p = 0.64). There was no effect of caffeine on VA, but there was a group versus trial interaction with lower postexercise values in the LP group than in the HP group (p = 0.03). Caffeine-induced improvement in 4-km cycling TT performance seems to come at the expense of greater locomotor muscle fatigue in LP but not in HP cyclists. Novelty Caffeine improves exercise performance at the expense of a greater end-exercise peripheral fatigue in low-performing athletes. Caffeine-induced improvement in exercise performance does not affect end-exercise peripheral fatigue in high-performing athletes. High-performing athletes seem to have augmented tolerance to central fatigue during a high-intensity time trial.
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 ».