Does exercising during peri- or early post-menopause prevent bone and muscle loss: A systematic review
Notice bibliographique
Résumé
INTRODUCTION: The highest rate of bone and muscle loss occurs during the menopause transition. Yet, most clinical exercise trials have excluded peri- and early post-menopausal female participants. This systematic review aimed to determine (1) the effects of exercise on bone and muscle health during the menopause transition; and (2) which types of exercise are most effective for preventing bone and muscle mass loss during the menopause transition. METHODS: Articles were retrieved from five electronic databases (MEDLINE, Embase, CENTRAL, CINAHL, and SPORTDiscus). Inclusion criteria included: (1) randomized controlled trial (RCT); (2) 45-to 60-year-old and peri- or early post-menopausal females; (3) reported bone mineral density (BMD) or lean mass. RESULTS: Six studies met inclusion criteria; two evaluated peri-menopausal and four investigated early post-menopausal female participants. All studies had low quality of evidence, and high risk of bias. Strength training, endurance training, and Tai Chi did not improve areal BMD (aBMD) or lean mass during peri-menopause. Strength training and walking benefited total body, hip, spine, femoral neck, and trochanter aBMD and lean mass during early post-menopause. When grouped by exercise type, strength training improved aBMD at all sites but not all strength training studies showed improvements in lean mass. Walking improved total hip aBMD only. CONCLUSION: Due to the limited number of studies and variety of interventions, it remains inconclusive which training method is optimal to prevent bone and muscle loss during the menopause transition. Future strength training RCTs should include longer duration interventions that compare effects between peri- and early post-menopausal female participants.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».