Effect of whole-body resistance training at different load intensities on circulating inflammatory biomarkers, body fat, muscular strength, and physical performance in postmenopausal women
Notice bibliographique
Résumé
The primary purpose of this study was to identify the impact of whole-body resistance training (RT) at different load intensities on adipokines, adhesion molecules, and extracellular heat shock proteins in postmenopausal women. As secondary purpose, we analyzed the impact of RT at different load intensities on body fat, muscular strength, and physical performance. Forty participants were randomized into lower-load intensity RT (LIRT, n = 20, 30–35 repetition maximum in the first set of each exercise) or higher-load intensity RT (HIRT, n = 20, 8–12 repetition maximum in the first set of each exercise). Adipokines (adiponectin and leptin), adhesion molecules (MCP-1 and ICAM-1), extracellular heat shock proteins (HO-1 and eHSP60), body fat, muscular strength (1RM), and physical performance [400-meter walking test (400-M) and 6-minute walking test (6MWT)] were analyzed at baseline and after 12-weeks RT. There was a significant time-by-group interaction for eHSP60 (P = 0.049) and 400-M (P = 0.003), indicating superiority of HIRT (d = 0.47 and 0.55). However, both groups similarly improved adiponectin, ICAM-1, HO-1, body fat, 1RM, and 6MWT (P < 0.05). Our study suggests that load intensity does not seem to determine the RT effect on several obesity-related pro-inflammatory and chemotactic compounds, body fat, 1RM, and 6MWT in postmenopausal women, although a greater improvement has been revealed for eHSP60 and 400-M in HIRT. Novelty: Higher-load intensity resistance training improves eHSP60 and 400-M in postmenopausal women. Resistance training improves the inflammatory profile, body fat, muscle strength, and 6MWT, regardless of load intensity.
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 ».