The impact of long‐haul travel and 13 h time change on sleep and rest activity circadian rhythm in speed skaters during World Cup competitions
Notice bibliographique
Résumé
Athletes frequently compete only a few days after long-haul travel. Longitudinal real-world data on athletes' sleep and sleep-wake cycle in competitive settings remain scarce. This study assessed the impact of a long-haul travel across ∼13 time zones on sleep patterns, rest-activity circadian rhythms (RAR), and their subsequent effects on neuromuscular function and race performance in the Canadian Short-Track Speed Skating Team. Nineteen athletes (24 ± 4 years, 11 women) travelled from Montréal (UTC-5) to Asia (UTC+8, UTC+9) for World Cup races between 2017 and 2019. Actigraphy data were collected before (Baseline) and during travel, during the stay in Asia (SIA), and during competition days. RAR were computed using cosinor analyses on accelerometry data with 24 h phase periods. Countermovement jump height (CMJ) was measured in a subsample (n = 10). Compared to baseline (7:08 ± 0:53), athletes obtained less sleep during travel (6:16 ± 1:27) and competition days (6:35 ± 1:10), and more during SIA (7:32 ± 0:46; time effect P < 0.0001). Sleep efficiency and CMJ were greater in SIA than baseline (P = 0.007 and P = 0.0004, respectively). During SIA, sleep time increased by 9 min per night until the fifth day (P < 0.0001), with a slight decrease in sleep efficiency (P = 0.005) and an increase in CMJ (P < 0.0001). For RAR, mean activity peaked on day 2, shifting from late evening to ∼15:00. Race performance was not different from other races of the same season (P > 0.254). Our results demonstrated that, despite the possible sleep debt from the long-haul travel, athletes recovered within 5 days, highlighting their adaptability to manage sleep debt and jetlag without impacting competitive outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».