MétaCan
Menu
Retour à la cohorte
Enregistrement W4398175128 · doi:10.1152/physiol.2024.39.s1.683

Responses of Healthy Young and Older Adults to Short-Term Passive Heat Acclimation

2024· article· en· W4398175128 sur OpenAlexaffabout
Thomas A. Deshayes, Hadiatou Barry, Georgia K. Chaseling, Philippe Gendron, Daniel Gagnon

Notice bibliographique

RevuePhysiology · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueInfrared Thermography in Medicine
Établissements canadiensUniversité du Québec à Trois-RivièresMontreal Heart Institute
Organismes subventionnairesnon disponible
Mots-clésTerm (time)AcclimatizationMedicineGerontologyBiologyPhysiologyEnvironmental healthEcologyPhysics

Résumé

récupéré en direct d'OpenAlex

Context: Aging is accompanied by a reduced capacity to dissipate heat. Heat acclimation has been shown to improve heat loss capacity in young healthy adults, yet few studies have investigated the capacity of older adults to adapt to repeated bouts of heat exposure, particularly when using a passive heat acclimation protocol. Furthermore, it remains unclear whether the magnitude of adaptations is affected by age. Objective and hypothesis: To compare physiological adaptations following 7 consecutive days of passive heat exposure between healthy young and older adults. We hypothesized that heat acclimation would enhance heat loss capacity in both groups but to a higher extent in young than in older adults. Methods: Fourteen healthy young (5F/9M, 27 ± 5 years) and 9 older adults (6F/3M, 66 ± 5 years) were exposed to passive heat stress with a water-perfused suit before (pre) and after (post) 7 consecutive days of immersion in 40°C water (~30 min to reach a rectal temperature of 38.5°C, followed by 60 min ≥38.5°C). During the pre/post heat stress test, mean body temperature was computed as 0.8 × esophageal temperature + 0.2 × mean skin temperature. Local sweat rate (LSR) and cutaneous vascular conductance (CVC) were measured at the forearm level. The mean body temperature onset thresholds of LSR and CVC were determined by segmented linear regression. During acclimation visits, rectal temperature and change in body mass were measured. Data are presented as means ± standard deviation or mean differences [95% confidence interval]. Results: Immersion duration (young: 90 ± 10, older: 92 ± 9 min, p=0.53), water temperature (young: 40.3 ± 0.3, older: 40.0 ± 0.5°C, p=0.09) and mean rectal temperature (young: 38.9 ± 0.1, older: 38.8 ± 0.1°C, p=0.07) during heat acclimation did not differ significantly between groups. In response to heat acclimation, rectal temperature decreased similarly ( p=0.36) in young (-0.33°C [-0.50, -0.16]) and older adults (-0.46°C [-0.68, -0.25]) from day 1 to day 7 whereas sweat rate increased to a higher extent ( p=0.05) in young (+511 mL/h [285, 738]) compared with older adults (+232 mL/h [112, 352]). Heat acclimation similarly reduced the mean body temperature onset threshold for CVC in young (-0.18°C [-0.32, -0.05]) and older adults (-0.19°C [-0.36, -0.02]) ( p=0.91), as well as, the mean body temperature onset threshold for LSR (young: -0.13°C [-0.25, -0.01], older: -0.15°C [-0.30, 0.00], p=0.84) during the pre/post heat stress test. Conclusion: These results suggest that passive heat acclimation improves heat loss capacity in young and older adults. However, age may blunt the increase in whole-body sweat rate that accompanies passive heat acclimation, but not other classical markers of human heat acclimation. Natural Sciences and Engineering Research Council of Canada. This is the full abstract presented at the American Physiology Summit 2024 meeting and is only available in HTML format. There are no additional versions or additional content available for this abstract. Physiology was not involved in the peer review process.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,977
Score d'incertitude au seuil0,364

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,013
Tête enseignante GPT0,321
Écart entre enseignants0,307 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysiologyMême sujetInfrared Thermography in MedicineTravaux en français237 207