编辑推荐：
为探究可穿戴设备指标与体重减轻关系，研究人员分析个性化 SLIMMER 干预数据，发现 RHR 等相关因素，助力干预优化。
在当今社会，超重和肥胖问题愈发严峻，它们如同潜伏的 “健康杀手”，是 2 型糖尿病（T2D）及其他慢性疾病的重要诱因。全球范围内，超重的成年人多达 25 亿，其中 8.9 亿为肥胖人群，且这一数字仍在不断攀升。肥胖的成因极为复杂，涉及社会文化、行为、激素、遗传等多个方面，而生活方式因素，像高热量饮食、缺乏运动、睡眠紊乱和酗酒等，更是与体重增加紧密相连。这些因素相互交织，例如睡眠质量会影响饮食和活动习惯，反之亦然。此前的研究表明，生活方式的改善能够预防或延缓 T2D 的进展，综合饮食、运动和行为改变的生活方式干预，可使高危个体在三年内 T2D 发病率降低 58% ，且这种效果能长期维持。荷兰的 SLIMMER 联合生活方式干预项目，在 12 至 18 个月内实现了约 3% 的体重减轻，但距离推荐的 10% 体重减轻目标仍有差距，以更好地降低 T2D 风险，因此进一步优化此类干预项目迫在眉睫。
在此背景下，荷兰的研究人员（来自 University of Twente 和 Netherlands Organization for Applied Scientific Research (TNO)）开展了一项重要研究，旨在探索在个性化 SLIMMER 联合生活方式干预中，个体体重减轻与通过活动追踪器（Fitbit Charge 4）监测的健康和生活方式指标以及自我监测行为之间的关联，同时探究 Fitbit Charge 4 的输出能否检测这些健康和生活方式行为的变化。该研究成果发表在《BMC Digital Health 》杂志上。
研究人员采用了回顾性分析的方法。数据来源于一个更大的干预研究，此次研究聚焦于个性化 SLIMMER 生活方式干预期间 Fitbit 参数的变化。研究对象为 61 名超重或肥胖且有心血管疾病和 / 或 T2D 风险的成年人，最终 32 名符合数据要求的参与者纳入分析。研究过程中，参与者在干预前一个月和干预的 6 个月内，使用 Fitbit Charge 4 活动追踪器和智能秤进行自我监测。
在数据处理方面，研究人员对 Fitbit 数据进行了预处理，以确保数据质量。通过去除心率（HR）为 0、步数（SC）异常等无效数据，根据 HR 和 SC 数据确定佩戴时间，筛选出有效数据进行后续分析。在统计分析时，运用了重复测量相关性（Rmcorr）、混合效应模型等多种统计方法，评估 Fitbit 输出与体重的相关性以及各参数随时间的变化。
研究结果如下：
- 参与者体重变化：32 名参与者在研究结束时总体体重减轻了 4.9%[1.7 - 7.7%] ，大部分参与者体重有不同程度减轻，但也有少部分体重增加。
- 活动追踪器数据相关性：家庭测量体重与静息心率（RHR）存在显著中度相关性（ρ=0.30 ，p<0.001）；身体活动（PA）相关变量，如步数、中等强度身体活动（MPA）和高强度身体活动（VPA）之间存在中度至强相关性，且与 Fitbit 记录的活动次数也相关；久坐时间和睡眠时间呈负相关（ρ=?0.63 ，p<0.001）。
- Fitbit 参数随时间变化：在干预前，MPA、VPA 和佩戴天数等有所改善，但干预期间这些行为出现下降；步数和活动注册次数在干预前增加，干预期间无变化；低强度身体活动（LPA）和每周在家称重次数在干预期间显著下降。
- 与体重减轻的相关性：体重减轻与 RHR 呈中度负相关，干预前（ρ=?0.46 ，p<0.05）和干预期间（ρ=?0.53 ，p<0.01）均是如此；每周在家称重次数与体重减轻呈正相关；干预前 LPA 水平较低且干预期间改善较少的参与者体重减轻更多；干预期间睡眠时间较长的参与者体重减轻更多。
研究结论与讨论部分指出，该研究发现佩戴式传感器能够检测生活方式行为的变化。参与者在干预前身体活动和自我监测行为有所改善，但干预期间未完全维持。RHR 与体重减轻的负相关表明，生理健康状况较好的参与者在干预中体重减轻更多。同时，自我监测行为，如在家称重次数，对体重减轻也很重要。然而，研究也存在一定局限性，例如 Fitbit 设备存在测量误差，研究样本量相对较小等。但总体而言，该研究为进一步优化个性化生活方式干预提供了重要依据，有助于根据个体的 RHR、自我监测行为等因素，更精准地制定干预方案，以实现更好的体重管理和健康改善效果，对预防和控制肥胖及相关慢性疾病具有重要的意义。
