MétaCan
Menu
Retour à la cohorte
Enregistrement W4283381708 · doi:10.3389/fphys.2022.904778

Lockdown Duration and Training Intensity Affect Sleep Behavior in an International Sample of 1,454 Elite Athletes

2022· article· en· W4283381708 sur OpenAlexaff
Mohamed Romdhani, Hugh H.K. Fullagar, Jacopo Antonino Vitale, Mathieu Nédélec, Dale E. Rae, Achraf Ammar, Hamdi Chtourou, Ramzi Al-Horani, Helmi Ben Saad, Nicola Luigi Bragazzi, Gürhan Dönmez, Ismail Dergaa, Tarak Driss, Abdulaziz Farooq, Omar Hammouda, Nesrine Harroum, Bahar Hassanmirzaei, Karim Khalladi, Syrine Khemila, Leonardo José Mataruna-Dos-Santos, Imen Moussa-Chamari, Iñigo Mujika, Hussein Muñoz-Helú, Amin Norouzi Fashkhami, Laisa Liane Paineiras-Domingos, Mehrshad Rahbari Khaneghah, Yoshitomo Saita, Nizar Souissi, Khaled Trabelsi, Jad Adrian Washif, Johanna Weber, Piotr Żmijewski, Lee Taylor, Sergio Garbarino, Karim Chamari

Notice bibliographique

RevueFrontiers in Physiology · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueSleep and related disorders
Établissements canadiensUniversité de MontréalYork University
Organismes subventionnairesnon disponible
Mots-clésPittsburgh Sleep Quality IndexConfidence intervalBedtimeMedicinePhysical therapyAthletesAffect (linguistics)PsychologyInsomniaSleep qualityInternal medicinePsychiatryCommunication

Résumé

récupéré en direct d'OpenAlex

Objective: To investigate the effect of 1) lockdown duration and 2) training intensity on sleep quality and insomnia symptoms in elite athletes. Methods: 1,454 elite athletes (24.1 ± 6.7 years; 42% female; 41% individual sports) from 40 countries answered a retrospective, cross-sectional, web-based questionnaire relating to their behavioral habits pre- and during- COVID-19 lockdown, including: 1) Pittsburgh sleep quality index (PSQI); 2) Insomnia severity index (ISI); bespoke questions about 3) napping; and 4) training behaviors. The association between dependent (PSQI and ISI) and independent variables (sleep, napping and training behaviors) was determined with multiple regression and is reported as semi-partial correlation coefficient squared (in percentage). Results: 15% of the sample spent < 1 month, 27% spent 1–2 months and 58% spent > 2 months in lockdown. 29% self-reported maintaining the same training intensity during-lockdown whilst 71% reduced training intensity. PSQI (4.1 ± 2.4 to 5.8 ± 3.1; mean difference (MD): 1.7; 95% confidence interval of the difference (95% CI): 1.6–1.9) and ISI (5.1 ± 4.7 to 7.7 ± 6.4; MD: 2.6; 95% CI: 2.3–2.9) scores were higher during-compared to pre-lockdown, associated (all p < 0.001) with longer sleep onset latency (PSQI: 28%; ISI: 23%), later bedtime (PSQI: 13%; ISI: 14%) and later preferred time of day to train (PSQI: 9%; ISI: 5%) during-lockdown. Those who reduced training intensity during-lockdown showed higher PSQI ( p < 0.001; MD: 1.25; 95% CI: 0.87–1.63) and ISI ( p < 0.001; MD: 2.5; 95% CI: 1.72–3.27) scores compared to those who maintained training intensity. Although PSQI score was not affected by the lockdown duration, ISI score was higher in athletes who spent > 2 months confined compared to those who spent < 1 month ( p < 0.001; MD: 1.28; 95% CI: 0.26–2.3). Conclusion: Reducing training intensity during the COVID-19-induced lockdown was associated with lower sleep quality and higher insomnia severity in elite athletes. Lockdown duration had further disrupting effects on elite athletes’ sleep behavior. These findings could be of relevance in future lockdown or lockdown-like situations (e.g., prolonged illness, injury, and quarantine after international travel).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,105
Score d'incertitude au seuil0,456

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,283
Écart entre enseignants0,266 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in PhysiologyMême sujetSleep and related disordersTravaux en français237 207