Aerobic, resistance, and specialized exercise training in heart failure with preserved ejection fraction: A state-of-the-art review
Notice bibliographique
Résumé
Heart failure with preserved ejection fraction (HFpEF) is a growing public health burden, contributing to significant morbidity, mortality, and healthcare costs. Exercise intolerance, a hallmark of HFpEF, stems from central (cardiac and pulmonary) and peripheral (vascular and skeletal muscle) factors that result in reduced oxygen delivery and utilization by active muscles. With relatively few effective therapies, exercise training has emerged as a reliable and proven therapeutic intervention to improve exercise capacity and physical function in HFpEF. This review synthesizes evidence from the existing literature to describe and evaluate various exercise modalities in HFpEF. Moderate-intensity continuous training significantly improves peak oxygen consumption and symptom burden and is supported by a large evidence base in patients with HFpEF. High-intensity interval training has shown potential as an alternative regimen with particular benefit in highly selected populations. Multi-modality regimens and low-intensity training approaches are potentially suitable for patients with limited exercise tolerance or those who are more vulnerable or frail. The addition of resistance training may further improve muscle strength and functional capacity. Integrating exercise interventions with complementary dietary approaches has also shown potential for enhancing exercise capacity response. Lastly, emerging modalities, such as inspiratory muscle training and functional electrical stimulation, offer additional unique options. Despite robust evidence, challenges in the long-term durability of benefits, poor responder rates (~ 1/3 of participants), and implementation persist. Ongoing and future efforts can focus on evaluating long-term clinical outcomes (i.e., mortality and hospitalizations), developing more personalized exercise protocols, and applying sustainable implementation strategies in clinical practice.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».