Is functional training an efficient approach to improve body composition in older people? A systematic review
Notice bibliographique
Résumé
Introduction: Increases in fat mass and reductions in lean mass are associated with the frailty and mortality of older people. In this context, Functional Training (FT) is an option to increase lean mass and reduce fat mass in older people. Thus, this systematic review aims to investigate the effects of FT on body fat and lean mass in older people. Methods: We included randomized controlled clinical trials, with at least one intervention group that employed FT, with the age of participants ≥60 years; and participants physically independent and healthy. We performed the systematic investigation in Pubmed MEDLINE, Scopus, Web of Science, Cochrane Library, and Google Scholar. We extracted the information and used the PEDro Scale to assess the methodological quality of each study. Results: Our research found 3,056 references with five appropriate studies. Of the five studies, three presented reductions in fat mass, all of them with interventions between three and 6 months, different training dose parameters, and 100% of the sample was composed of women. On the other hand, two studies with interventions between 10 and 12 weeks presented conflicting results. Conclusion: Despite the limited literature about lean mass, it appears that long-term FT interventions may reduce fat mass in older women. Clinical Trial Registration: https://www.crd.york.ac.uk/prospero/display_record.php?RecordID=399257 , identifier CRD42023399257
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,011 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,009 | 0,006 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».