Short-Term Warm Water Immersion for Improving Whole-Body Heat Loss in Older Men
Notice bibliographique
Résumé
PURPOSE: Exercise-induced heat acclimation can mitigate age-related reductions in heat loss capacity, although performing repeated bouts of strenuous exercise in the heat may be untenable for many older adults. Although short-term passive heat acclimation (e.g., ≤7 days of warm water immersion) enhances whole-body heat loss in young adults, evidence of its efficacy in older adults is lacking. Thus, we examined whether 7 days of warm water immersion would improve whole-body heat loss in older adults. METHODS: Twelve habitually active older men (median [interquartile-range] age, 68 [64-73] years; peak oxygen uptake (V̇O 2peak ), 34.1 [29.4-36.1] mL O 2 ·kg -1 ·min -1 ) completed 7 consecutive days of ~90-min warm water immersion (~40°C) with core (rectal) temperature clamped at ~38.5°C for the final 60 min. Before and after the warm water immersion intervention, whole-body total (evaporative + dry) heat loss was measured via direct calorimetry during three, 30-min bouts of cycling at increasing fixed rates of metabolic heat production (150, 200, and 250 W·m -2 ), each separated by 15-min rest, in a hot-dry environment (40°C, ~13% relative humidity). Rectal temperature and heart rate were measured continuously. RESULTS: Following 7 days of warm water immersion, whole-body total heat loss was elevated by 23 [95% confidence interval; 14, 31] W·m -2 across exercise bouts (acclimation effect: P < 0.001; interaction: P = 0.598). This was paralleled by reductions in core temperature and heart rate of 0.3 [0.2, 0.4] °C and 11 [8, 14] beats·min -1 (both, acclimation effect: P < 0.001; interaction: P = 0.288), respectively. CONCLUSIONS: Seven consecutive days of warm water immersion improved whole-body heat loss and reduced core temperature and cardiovascular strain across light-to-vigorous intensity exercise in habitually active older men. Passive heat acclimation may be an efficacious alternative to exercise heat acclimation to improve heat loss capacity. Studies are warranted to assess effectiveness in more heat-vulnerable populations.
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 | 0,000 |
| 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) | 0,001 | 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 ».