Effects of polyphenol-rich, berry supplementation on exercise performance: A systematic review and meta-analysis
Notice bibliographique
Résumé
Background & AimsPolyphenols are plant secondary compounds that possess antioxidant properties associated with preventing inflammation-mediated ailments such as cardiovascular disease and cancer. Recent studies hint at their capacity to enhance exercise performance. Berries, in addition to containing high amounts of essential vitamins and minerals, are extremely rich in polyphenols. Therefore, the aim of this systematic review and meta-analysis was to compile relevant human randomized controlled trials exploring the potential of polyphenol-rich berries to enhance exercise performance and associated biomarkers.MethodsThe PubMed, Web of Science, and SPORTDiscus databases were searched using keywords related to berry supplementation, exercise performance, and biomarkers of performance. In total, 2374 articles were screened and 14 were included in the analysis.ResultsThe results indicate no statistically significant effect of berry supplementation on exercise performance and its associated biomarkers. However, there is a trend towards a positive pooled effect size of berry supplementation on time to exhaustion (SMD: 0.57, Z: 1.51, P-value: 0.13). Furthermore, all pooled effect sizes favor berry supplementation.ConclusionsDue to variations in testing protocols and biomarkers of interest among the studies included, no more than 7 articles were included for any given outcome measure. This underscores the necessity for additional high-quality randomized controlled trials (RCTs) to strengthen the evidence and allow for recommendations to be made regarding the performance enhancing effects of berry consumption. This systematic review and meta-analysis was registered on Open Science Framework (DOI 10.17605/OSF.IO/NCAVJ).
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».