基于个性化干预标准的移动适时适应性干预对大学生体力活动提升的试点研究：精准健康新策略

本研究针对传统体力活动干预中统一标准（UIC）的局限性，创新性地采用个性化干预标准（PIC）设计移动适时适应性干预（JITAI）。通过2周随机对照试验发现，PIC组在干预后1小时内体力活动提升效果显著优于UIC组（热量消耗+7.16 kcal/h，步数+115.11 steps/h），为精准健康干预提供了实证依据。

　　

在全球公共卫生领域，体力活动不足已成为威胁人类健康的"隐形杀手"。世界卫生组织（WHO）建议成年人每周应进行150-300分钟中等强度有氧运动，但令人担忧的是，全球约31.3%的成年人未能达到这一标准。尽管运动对慢性病预防和健康管理的益处已得到广泛证实，但如何有效促进人们坚持规律运动仍是公共卫生领域的重大挑战。

传统干预方法往往采用"一刀切"的统一干预标准（Uniform Intervention Criteria, UIC），忽视了个人活动模式的差异性。这种标准化干预可能导致两个极端：对活跃人群过度干预引发反感，而对久坐人群刺激不足。随着移动健康（mHealth）技术的发展，适时适应性干预（Just-in-Time Adaptive Intervention, JITAI）应运而生，它能在个体最需要且最可能接受支持的时机提供个性化干预。然而，现有JITAI研究多采用UIC，未能充分发挥个性化干预的潜力。

针对这一研究空白，日本静冈大学的研究团队开展了一项创新性试点研究，成果发表在《JMIR Human Factors》期刊。研究人员设计了一套基于个性化干预标准（Personalized Intervention Criteria, PIC）的JITAI系统，通过2周随机对照试验比较PIC与UIC对大学生体力活动的影响。研究采用Fitbit Inspire 2智能手环监测28名健康大学生（18-23岁）的体力活动数据，第一周建立个人基线（PIC组）或采用历史数据（UIC组），第二周实施每小时一次的适应性干预。通过多水平模型分析发现，PIC组在干预后1小时内的活动提升显著优于UIC组，但在整周层面未观察到累积效应。

关键技术方法包括：1）使用Fitbit智能手环采集7项体力活动参数（久坐时间、活动时间、热量消耗等）；2）基于Google Cloud平台构建自动化JITAI系统，通过Cloud Functions和Cloud Scheduler实现每小时干预决策；3）采用多水平模型分析纵向数据，比较PIC与UIC的干预效果；4）随机对照设计（n=28）平衡组间差异。

研究结果呈现三个重要发现：

1. 干预即时效果显著：两组在干预后1小时内均显示久坐时间显著减少（PIC组减少7.62分钟，UIC组减少7.23分钟，P<0.001），轻度以上活动时间增加。但PIC组在热量消耗（+25.29 vs 18.13 kcal）、步数（+336.99 vs 221.88 steps）和移动距离（+148.89 vs 92.79 m）的增幅显著高于UIC组（P<0.05）。

2. 个性化干预优势显现：PIC组每日接受4.4次干预（范围1.3-8.1次），而UIC组存在干预频率与个体活动水平不匹配现象——高活动者接收过少干预（1-2次/日），低活动者接收过多干预（7-8次/日），提示UIC可能导致干预"剂量"不当。

3. 长期效果有限：无论是PIC还是UIC组，从第一周（无干预）到第二周（干预期）的整体体力活动水平均未出现显著提升，提示短期干预可能难以产生累积效应。

讨论部分指出，本研究首次证实了PIC在JITAI中的短期优势，为精准健康干预提供了重要实证依据。三个关键发现具有重要启示意义：首先，PIC通过匹配个体活动基线，能提供更"合身"的干预阈值，这可能提高了干预建议的可行性和接受度；其次，干预频率的个性化调节可能是优化JITAI效果的关键参数；最后，一周干预周期可能不足以致持续行为改变，未来研究需要延长干预时间并加入维持策略。

该研究的创新性体现在三个方面：方法学上首次系统比较PIC与UIC在JITAI中的应用差异；技术上构建了基于云计算的自动化干预系统；理论上支持了"精准健康"的行为干预路径。尽管存在样本量有限、干预周期短等局限性，但研究结果为开发下一代智能化健康干预提供了重要方向——未来可结合机器学习算法，整合更多环境与行为特征，建立动态调整的个性化干预系统。

这项研究标志着行为干预从"标准化"向"精准化"转型的重要一步，为解决全球体力活动不足这一公共卫生挑战提供了新的技术思路。随着可穿戴设备和人工智能技术的发展，基于PIC的JITAI有望成为促进健康行为改变的有力工具，但其长期效果和推广价值仍需更大规模研究验证。