Lactato y fuerza muscular como indicadores de eficacia del entrenamiento en población con riesgo cardíaco
Notice bibliographique
Résumé
Introducción: a forma tradicional de medir la fuerza es a través del 1Rm es una dinámica poco eficaz en pacientes en rehabilitación cardiaca. Objetivos: El objetivo de este estudio fue valorar la fuerza a través del lactato y determinar una carga especifica que permita desarrollar la fuerza en una zona aeróbica de moderada a baja intensidad en pacientes en riesgo cardiovascular. Materiales y Métodos: A través de muestreo no probabilístico intencional, 5 participantes hombres. Edad 48.80 ± 4.49. Peso 95.40 ± 5.54. Estatura, 1.74 ± 0.06. % Grasa 37.58 ± 2.68 % Masa muscular 38.62 ± 1.52. Vo2/kg 38.00 ± 2.73. min. Realizaron dos pruebas Resultados: Los resultados del análisis Anova no mostraron diferencias significativas entre los diferentes grupos en lactato F (4, 17.1) =0.524, p=0.720. Frecuencia cardiaca F (4, 16.4) =0.457, p=0.766. Los análisis post hoc la prueba de Tukey no mostraron diferencias entre las variables grupales. Frecuencia cardíaca (FC) media durante el ejercicio de fuerza de carga constante. 133.9/5.48 (Ppm). p=0.000. Concentraciones de lactato en sangre durante el ejercicio de Media 2.52/0.28. (Mmol/l). p=0.000. Carga constante 30/00 (kg). Los resultados indican que estas variables metabólicas y cardiacas se mantuvieron parcialmente estables en rangos energéticos aeróbicos. Dentro de la medición de las series 1, 3, 5, 7, 9, 11, 13, y 15. Conclusiones: Los valores obtenidos del test de carga constante muestran que las variables metabólicas y cardiorrespiratorias se mantienen estables en un metabolismo predominantemente aeróbico, esto podría sugerir que medir la fuerza a través del lactato es efectivo para entrenar la fuerza en pacientes con factores de riesgo cardiovascular.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».