Higher- and lower-load resistance exercise training induce load-specific local muscle endurance changes in young women: a randomised trial
Notice bibliographique
Résumé
The effect of resistance training with higher- and lower-loads on muscle mass and strength has been extensively studied, while changes in muscle endurance have received less attention. This trial aimed to assess the effect of training load on absolute muscle endurance (AME) and relative muscle endurance (RME). Sixteen untrained women (22.7 ± 3.3 yr: mean ± SD) had one arm and leg randomly assigned to train with higher loads (HL; 80–90% 1RM), and the contralateral limbs trained with lower loads (LL; 30–50% 1RM) thrice weekly to volitional fatigue for 10 weeks. Heavy and light load AME and RME, strength, and muscle mass were assessed pre- and post-training. Strength increased more in the HL compared to LL leg ( P < 0.01), but similar increases in strength were observed between upper body conditions ( P = 0.46). Lower body heavy and light load AME improved in both conditions, but HL training induced a larger improvement in heavy load AME (HL: 9.3 ± 4.3 vs. LL: 7.5 ± 7.1 repetitions, time × limb P < 0.01) and LL training induced a larger improvement in light load AME (LL: 24.7 ± 22.2 vs. HL: 15.2 ± 16.7 repetitions, time × limb P = 0.04). In the upper body, HL and LL training induced similar increases in both heavy (time × limb P = 0.99), and light load (time × limb P = 0.16) AME. Dual-energy X-ray absorptiometry showed no change in leg fat-and-bone-free mass (FBFM) for either condition, and an increase in only LL arm FBFM. AME improved in a manner specific to the training loads used. ClinicalTrials.gov (NCT04547972).
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 | 0,001 | 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 | 0,001 |
| 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 ».