Does High-Intensity Interval Training Increase Muscle Strength, Muscle Mass, and Muscle Endurance? A Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
High-intensity/sprint interval training (HIIT/SIT) improves aerobic and anaerobic performance, but it is unknown if HIIT/SIT increases strength, muscle mass/size, and muscle endurance (ME). We aimed to determine if HIIT/SIT increases strength, muscle mass/size, and ME. Databases (Ovid Medline, Sport Discus, EMBASE, and CINAHL) and the gray literature (Google Scholar) were searched for original research articles investigating the impact of HIIT/SIT on strength, muscle mass/size, and ME (23 March 2025). The risk of bias (ROB) was assessed via the Cochrane ROB 2 Tool. Meta-analyses were performed when three or more randomized controlled trials compared HIIT/SIT to a common comparator. Fifty-four studies were included (N = 1136). Twenty-five studies had a high ROB, while twenty-nine had some concerns. Standardized mean differences (SMD) (95% CI) of 0.16; (−0.09, 0.40), 0.33; (−0.21, 0.87) were observed for meta-analyses comparing the effect of HIIT/SIT to moderate intensity continuous training (MICT) and non-exercise controls (CON) on FFM, respectively. A meta-analysis comparing the effect of HIIT/SIT to resistance training (RT) on leg press strength yielded a SMD of −0.82; 95% CI: (−1.97, 0.33). HIIT/SIT may induce slightly greater gains than MICT and CON for FFM, while RT is likely superior to HIIT/SIT for improving leg press strength. However, the certainty of evidence is low, and 95% CIs intersect zero for all analyses.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,014 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 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 ».