Lactato y fuerza muscular como indicadores de eficacia del entrenamiento en población con riesgo cardíaco
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".