Physiological Determinants of Ultramarathon Trail-Running Performance
Notice bibliographique
Résumé
CONTEXT: The physiological determinants of ultramarathon success have rarely been assessed and likely differ in their contributions to performance as race distance increases. PURPOSE: To examine predictors of performance in athletes who completed either a 50-, 80-, or 160-km trail race over a 20-km loop course on the same day. METHODS: Measures of running history, aerobic fitness, running economy, body mass loss, hematocrit alterations, age, and cardiovascular health were examined in relation to race-day performance. Performance was defined as the percentage difference from the winning time at a given race distance, with 0% representing the fastest possible time. RESULTS: In the 50-km race, training volumes, cardiovascular health, aerobic fitness, and a greater loss of body mass during the race were all related to better performance (all P < .05). Using multiple linear regression, peak velocity achieved in the maximal oxygen uptake test (β = -11.7, P = .002) and baseline blood pressure (β = 3.1, P = .007) were the best performance predictors for the men's 50-km race (r = .98, r2 = .96, P < .001), while peak velocity achieved in the maximal oxygen uptake test (β = -13.6, P = .001) and loss of body mass (β = 12.8, P = .03) were the best predictors for women (r = .94, r2 = .87, P = .001). In the 80-km race, only peak velocity achieved in the maximal oxygen uptake test predicted performance (β = -20.3, r = .88, r2 = .78, P < .001). In the 160-km race, there were no significant performance determinants. CONCLUSIONS: While classic determinants of running performance, including cardiovascular health and running fitness, predict 50-km trail-running success, performance in longer-distance races appears to be less influenced by such physiological parameters.
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) | 0,000 | 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 ».