Detecting Low Fat-free Mass Index From Anthropometric Z-scores In Female College Athletes
Notice bibliographique
Résumé
Body composition assessment is often included in the athlete’s program. Detecting low levels of some components, like the fat-free mass (FFM), may help identify female athletes at risk of developing hormonal problems from training- or diet-related issues. In this regard, a fat-free mass index (FFMI) below 16 kg/m2 has been suggested to identify a low FFMI in women. Some laboratory methods, like DXA, can assess FFM with relatively acceptable precision; however, those methods are impractical in field settings. Conversely, anthropometry is an accessible method and can be used to estimate “Phantom” z-scores to assess body size. However, whether the Phantom-derived z-scores can be used to identify a low FFMI is still to be determined. PURPOSE: To determine whether the Phantom-derived z-scores could be used for detecting a low FFMI in female college athletes. METHODS: The sample comprised 58 women participating in different sports at the national competitive level. We took anthropometric measurements according to the ISAK protocol. Similarly, the body composition was analyzed with a whole-body DXA scan to get the FFMI. We calculated the Phantom z-scores for the arm, thigh, and calf corrected circumferences (corrected for the triceps, anterior thigh, and medial calf skinfold, respectively) and the uncorrected forearm circumference. Next, we calculated the arithmetic mean from these four z-scores (ZC) to predict the DXA-derived FFMI and determine the ZC equivalent to a FFMI of 16 kg/m2 using linear regression. Data are presented as mean ± SD or median [25th, 75th percentile]. RESULTS: The descriptives were the following: age 21.2 ± 2.1 y, weight 60.9 ± 8.7 kg, height 164.0 ± 7.0 cm, FFMI 16.2 ± 1.4 kg/m2, and ZC 0.34 [-0.23, 0.77]. The ZC was a statistically significant predictor of FFMI (FFMI = 15.8 + ZC * 1.3) (r = 0.79, SEE = 0.86, p < 0.001). The ZC cut-off point was 0.1; however, after considering one SEE, the equivalent lower and higher cut-off points were -0.5 and 0.8 ZC CONCLUSIONS: The Phantom-derived z-scores help set cut-off points to identify low FFMI in female college athletes, serving as a screening tool in field conditions. We propose that the desirable ZC should be >0.8, and a ZC < -0.5 would imply a higher probability of low FFMI.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».