绝经后女性运动功能反应性的预测因素

《Applied Sciences》:Predictors of Functional Responsiveness to Exercise in Postmenopausal Women

【字体: 大 中 小 】 时间:2026年08月01日 来源:Applied Sciences 2.5

编辑推荐:

  骨质疏松和功能衰退是绝经后女性面临的主要健康问题。识别与运动反应性相关的因素可能有助于理解运动适应的个体间差异,并支持制定更个性化的干预策略。本研究调查了基线身体成分、骨骼健康和功能适能特征是否与绝经后女性的运动反应性相关。80名女性参加了一项为期30周的监督

  
骨质疏松和功能衰退是绝经后女性面临的主要健康问题。识别与运动反应性相关的因素可能有助于理解运动适应的个体间差异,并支持制定更个性化的干预策略。本研究调查了基线身体成分、骨骼健康和功能适能特征是否与绝经后女性的运动反应性相关。80名女性参加了一项为期30周的监督性多组分运动计划,并根据干预后功能表现的变化被分类为反应者或非反应者。身体成分和骨骼健康通过双能X射线吸收测定法(DXA)评估,功能适能通过Senior Fitness Test电池评估。未校正分析提示基线Z-score(p = 0.038)和通过Back Scratch测试评估的上肢灵活性(p = 0.030)存在微小差异,而总骨矿物质含量显示出趋向显著性(p = 0.056)。然而,在Benjamini–Hochberg错误发现率校正后,这些差异均不再具有统计学显著性。作为补充分析,经基线表现调整的多元线性回归识别出基线体重(p = 0.007)、总骨矿物质含量(p = 0.018)和上肢灵活性(p = 0.020)是干预后功能表现的独立相关因素。探索性机器学习分析表明,仅使用基线特征区分反应者与非反应者的能力有限,尽管随机森林变量重要性突出了与回归分析中识别的相似变量。总体而言,这些发现提示单独的基线肌肉骨骼特征不足以准确分类运动反应性,需要纳入更多临床、行为、生理和生物学变量的更大规模研究来改进个性化运动处方。
骨质疏松症和功能衰退是绝经后女性面临的重大健康挑战,运动训练引起的适应性反应存在显著的个体间差异。识别与运动反应性相关的基线因素有助于理解这种变异,并为个性化干预策略提供依据。然而,目前关于基线肌肉骨骼和功能特征如何影响绝经后女性运动反应性的研究相对有限。为此,研究人员开展了一项观察性纵向研究,旨在探讨基线身体成分、骨骼健康和功能适能特征是否与运动反应性相关,并采用探索性机器学习方法评估这些基线变量对反应者分类的判别能力。该研究论文发表在《Applied Sciences》上。

研究人员招募了80名来自葡萄牙布拉干萨市(与当地医疗中心合作)的绝经后女性,参与为期30周的监督性多组分运动结合高强度间歇训练(MCT-HIIT)计划。根据干预后2分钟踏步测试变化的中位数,将参与者分为反应者(39人)和非反应者(41人)。主要技术方法包括:使用双能X射线吸收测定法(DXA)评估身体成分(体重、脂肪量、瘦体重)和骨骼健康指标(骨密度BMD、骨矿物质含量BMC、T-score、Z-score);使用Senior Fitness Test电池评估功能适能,涵盖下肢力量(30秒坐站测试)、下肢灵活性(椅子坐位体前屈)、上肢灵活性(背部抓挠测试)、敏捷性/动态平衡(计时起立行走测试)、有氧耐力(2分钟踏步测试)和躯干灵活性(前屈测试)。数据分析采用Mann-Whitney U检验比较基线差异,辅以Benjamini-Hochberg错误发现率(FDR)校正;同时进行多元线性回归(ANCOVA)以识别干预后功能表现的独立预测因子,并通过Bootstrap重抽样(5000次迭代)评估稳定性。探索性机器学习部分使用了四种算法(Logistic回归、决策树、随机森林、支持向量机SVM),采用重复分层10折交叉验证进行训练和调参,并在独立测试集上评估ROC-AUC、灵敏度和特异度。

3.1 基线差异:通过Mann-Whitney U检验比较反应者和非反应者的基线特征,未校正分析显示基线Z-score(p=0.038)和上肢灵活性(背部抓挠测试,p=0.030)存在微小差异,总BMC(p=0.056)呈趋势性,但经FDR校正后所有差异均不再显著,箱线图显示两组间重叠程度较大。

3.2 补充多元回归分析:以干预后2分钟踏步测试表现为因变量,基线表现、年龄、体重、总BMC、Z-score和上肢灵活性为自变量,多元线性回归模型显著(F=34.05,p<0.001),解释73.7%的方差(调整R2=0.715)。基线踏步表现(β=0.828,p<0.001)、体重(β=-1.027,p=0.007)、总BMC(β=0.039,p=0.018)和上肢灵活性(β=-0.885,p=0.020)是独立预测因子,而年龄和Z-score不显著。Bootstrap BCa 95%置信区间支持这些关联的稳定性(基线踏步表现、总BMC、体重、上肢灵活性的置信区间均不包含零)。

3.3 探索性机器学习分析:四种算法在测试集上的ROC-AUC分别为:Logistic回归0.629、决策树0.754、随机森林0.606、SVM 0.439。决策树AUC最高,但整体判别能力有限。随机森林变量重要性分析显示体重、总BMC、上肢灵活性、体脂百分比和瘦体重等变量相对重要,与回归分析结果一致,但模型性能不足以可靠区分反应者与非反应者。

讨论部分指出,本研究首次同时采用传统统计和机器学习方法探索绝经后女性基线肌肉骨骼特征与运动反应性的关联。主要发现是基线体重、总BMC和上肢灵活性独立预测干预后功能表现,但机器学习模型判别能力差,表明基线特征单独不足以准确分类运动反应性。研究局限性包括样本量较小、缺乏外部验证、未纳入激素、营养、炎症标志物、药物使用等变量,以及基于样本中位数的反应者分类缺乏临床验证阈值。结论部分翻译如下:本研究调查了基线身体成分、骨骼健康和功能适能特征是否与绝经后女性运动反应性相关。未校正分析显示反应者与非反应者在基线Z-score、上肢灵活性和总BMC上存在微小差异,但多重比较校正后不再显著。补充多元回归分析表明,在调整基线功能表现后,基线体重、总骨矿物质含量和上肢灵活性独立关联于干预后功能表现。探索性机器学习分析显示,仅使用基线特征区分反应者与非反应者的能力有限,随机森林变量重要性虽突出与回归分析相似的变量,但模型预测性能较低。总体而言,这些发现强化了运动反应性的复杂性,提示单独的基线身体成分、骨骼健康和功能适能测量不足以准确预测个体运动反应,未来需要更大样本、外部验证以及更广泛的临床、行为、生理和生物学变量来改进个性化运动处方。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号