The Acute Effects of Milk Consumption on Systemic Inflammation after Combined Resistance and Plyometric Exercise in Young Adult Females
Notice bibliographique
Résumé
High-intensity/impact exercise elicits a transient increase in inflammatory biomarkers. Consuming nutrient-dense wholefoods, like milk, following exercise may modulate post-exercise inflammation and aid recovery. We examined the effect of post-exercise skim milk consumption (versus an isoenergetic, isovolumetric carbohydrate [CHO] drink) on acute exercise-induced inflammation in untrained females. Using a randomized crossover design, 13 healthy females (age = 20 ± 2.3 y; BMI = 21.0 ± 1.1 kg/m2) completed two bouts of combined resistance/plyometric exercise followed by either skim milk (MILK) or CHO at 5-min and 1 h post-exercise. Serum interleukin [IL]-1β, IL-6, IL-10, and tumor necrosis factor-alpha (TNF-α) concentrations were measured at pre-exercise, 15-min, 75-min, 24 h, and 48 h post-exercise. IL-6 increased 15-min post-exercise vs. all other timepoints (time effect, p = 0.017). Between 24 and 48 h, IL-10 decreased and increased in the MILK and CHO conditions, respectively (interaction, p = 0.018). There were no significant effects for IL-1β or TNF-α. Relative concentrations of IL-1β (p = 0.049) and IL-10 (p = 0.028) at 48 h post-exercise were lower in MILK vs. CHO. Milk post-exercise did not influence the absolute concentration of pro-inflammatory cytokines; however, there were divergent responses for the anti-inflammatory cytokine, IL-10, and milk reduced the relative inflammatory response at 48 h (vs. CHO) for IL-1β and IL-10. This demonstrates the potential for milk to modulate inflammation post-exercise in this sample.
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 | 0,000 | 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 ».