MétaCan
Menu
Retour à la cohorte
Enregistrement W4387063252 · doi:10.1249/01.mss.0000984612.74891.32

Detecting Low Fat-free Mass Index From Anthropometric Z-scores In Female College Athletes

2023· article· en· W4387063252 sur OpenAlexaff
Sayra Nataly Muñoz-Rodriguez, Juan López-Taylor, Roberto Gabriel González-Mendoza, Alejandro Gaytán-González, Sergio Alejandro Copado-Aguila, Jose Francisco Torres-Naranjo

Notice bibliographique

RevueMedicine & Science in Sports & Exercise · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueBody Composition Measurement Techniques
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésAnthropometryMedicineAthletesBody mass indexFat massMass indexForearmFat free massPhysical therapyInternal medicineSurgery

Résumé

récupéré en direct d'OpenAlex

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 distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0040,014
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,029
Tête enseignante GPT0,304
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedicine & Science in Sports & ExerciseMême sujetBody Composition Measurement TechniquesTravaux en français237 207