Association between Low Energy Availability (LEA) and Impaired Sleep Quality in Young Rugby Players
Notice bibliographique
Résumé
Low energy availability (LEA) has been associated with several physiological consequences, but its impact on sleep has not been sufficiently investigated, especially in the context of young athletes. This study examined the potential association between energy availability (EA) status and objective sleep quality in 42 male rugby players (mean age: 16.2 ± 0.8 years) during a 7-day follow-up with fixed sleep schedules in the midst of an intensive training phase. Participants’ energy intake was weighed and recorded. Exercise expenditure was estimated using accelerometry. Portable polysomnography devices captured sleep on the last night of the follow-up. Mean EA was 29.3 ± 9.14 kcal·kg FFM−1·day−1, with 47.6% of athletes presenting LEA, 35.7% Reduced Energy Availability (REA), and 16.7% Optimal Energy Availability (OEA). Lower sleep efficiency (SE) and N3 stage proportion, along with higher wake after sleep onset (WASO), were found in participants with LEA compared to those with OEA (p = 0.04, p = 0.03 and p = 0.005, respectively, with large effect sizes). Segmented regression models of the EA-sleep outcomes (SE, sleep onset latency [SOL]), WASO and N3) relationships displayed two separate linear regions and produced a best fit with a breakpoint between 21–33 kcal·kg FFM−1·day−1. Below these thresholds, sleep quality declines considerably. It is imperative for athletic administrators, nutritionists, and coaches to conscientiously consider the potential impact of LEA on young athletes’ sleep, especially during periods of heavy training.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».