Hierarchical framework to improve individualised exercise prescription in adults: a critical review
Notice bibliographique
Résumé
Physical activity (PA) guidelines for the general population are designed to mitigate the rise of chronic and debilitating diseases brought by inactivity and sedentariness. Although essential, they are insufficient as rates of cardiovascular, pulmonary, renal, metabolic and other devastating and life-long diseases remain on the rise. This systemic failure supports the need for an improved exercise prescription approach that targets the individual. Significant interindividual variability of cardiorespiratory fitness (CRF) responses to exercise are partly explained by biological and methodological factors, and the modulation of exercise volume and intensity seem to be key in improving prescription guidelines. The use of physiological thresholds, such as lactate, ventilation, as well as critical power, have demonstrated excellent results to improve CRF in those struggling to respond to the current homogenous prescription of exercise. However, assessing physiological thresholds requires laboratory resources and expertise and is incompatible for a general population approach. A case must be made that balances the effectiveness of an exercise programme to improve CRF and accessibility of resources. A population-wide approach of exercise prescription guidelines should include free and accessible self-assessed threshold tools, such as rate of perceived exertion, where the homeostatic perturbation induced by exercise reflects physiological thresholds. The present critical review outlines factors for individuals exercise prescription and proposes a new theoretical hierarchal framework to help shape PA guidelines based on accessibility and effectiveness as part of a personalised exercise prescription that targets the individual.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,022 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».