Effects of wearing different facial masks on respiratory symptoms, oxygen saturation, and functional capacity during six-minute walk test in healthy subjects
Notice bibliographique
Résumé
Background During the current COVID-19 pandemic and increased air pollution levels, wearing a facial mask has been recommended. This study aimed to compare the impact of wearing different masks when performing a submaximal functional activity (six-minute walk test; 6MWT) on respiratory symptoms, oxygen saturation, and functional capacity. Methods Twenty-nine subjects (10 men, 19 women; age 22 ± 1 yr.; FEV~1~/FVC 0.90 ± 0.01) performed four rounds of 6MWT wearing different masks (surgical (Medima SK, Thailand), handmade cloth, and N95 (3M AuraTM 1870^+^, USA)) and while not wearing a mask. Respiratory symptoms (dyspnea and breathing effort), oxygen saturation, and other physiological parameters were assessed before and after each walking trial. Results Six-minute walking distances were comparable between walking trials (P = 0.59). At the end of minute 6, a significant difference between groups was found on dyspnea (P = 0.02) and breathing effort (P \< 0.001). Post hoc tests showed that wearing a cloth mask significantly increased dyspnea (P = 0.004) compared to wearing a surgical mask. Wearing a cloth mask also significantly increased breathing effort compared to wearing a surgical mask (P \< 0.001) and not wearing a mask (P \< 0.001). Likewise, while wearing an N95 mask, breathing effort significantly increased compared to wearing a surgical mask (P = 0.007) and not wearing a mask (P = 0.002). Conclusions Wearing different masks while performing submaximal functional activity results in no differences in functional performance, oxygen saturation, heart rate, or blood pressure. However, wearing cloth masks and N95 masks results in higher respiratory symptoms.
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 | 0,001 | 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 | 0,001 |
| 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 ».