《Healthcare》：Hidden Adiposity Beyond BMI: Body Composition and Lifestyle Profiles Among Sport Sciences Students at Universidad Técnica del Norte, Ecuador
编辑推荐：
背景/目标：体重指数（BMI）被广泛用于评估体重状况，但不能直接表征身体成分。生活方式评估可提供补充性的行为信息。本研究考察了厄瓜多尔北方技术大学体育科学专业学生中BMI与体脂分类的不一致情况，并比较了不同操作性脂肪堆积表型间的身体成分和生活方式特征。方法：采
背景/目标：体重指数（BMI）被广泛用于评估体重状况，但不能直接表征身体成分。生活方式评估可提供补充性的行为信息。本研究考察了厄瓜多尔北方技术大学体育科学专业学生中BMI与体脂分类的不一致情况，并比较了不同操作性脂肪堆积表型间的身体成分和生活方式特征。方法：采用分析性横断面研究设计，对两个体育科学学位项目的303名学生进行非概率便利抽样。使用InBody 270通过生物电阻抗分析（BIA）估算身体成分，并使用西班牙语版52条目健康促进生活方式量表II（HPLP-II）评估健康促进生活方式行为。高体脂采用性别特异性操作性标准定义（男性>20%，女性>28%）。分析了BMI分类性能以及不同表型间身体成分和生活方式特征的差异。结果：53.5%的参与者被识别为高体脂，19.5%符合隐性脂肪堆积的操作性标准。在BMI正常参与者中，32.1%存在高体脂。以操作性BIA标准为参照，BMI对高体脂的分类一致率为63.6%，假阴性率为36.4%。隐性脂肪堆积参与者的肌肉相关指标较低，体力活动、健康责任和压力管理得分也较低，但生活方式相关效应量总体较小。结论：将BMI与BIA衍生的身体成分估算相结合，揭示了仅凭BMI无法捕捉的分类不一致性。部分HPLP-II领域在不同表型间也存在差异，但效应量较小。这些发现描述了一种操作性身体成分表型，不应被解释为临床肥胖或代谢疾病的证据。
论文解读
一、研究背景与问题
高等教育构成了一个复杂的社会环境，专业训练、日常作息重组和个人自主性的逐步发展在此交汇。大学生面临学业、经济和人际等多重压力，这些压力可能显著影响其饮食习惯、睡眠、体力活动和压力管理。大学环境的课程安排、通勤需求、支持网络、归属感体验和参与机会等特征，共同塑造了学生的生活方式行为。
体重指数（BMI）因其计算简便、成本低廉而在学生群体的体重状况评估中被广泛使用，但BMI无法区分脂肪量与肌肉量，不能描述脂肪组织的分布情况，可能将身体成分不同的个体归入同一类别。系统综述和荟萃分析表明，BMI对识别体脂过多具有高特异性但敏感性有限，部分体脂升高的个体可能仍处于正常BMI类别。近期《柳叶刀》糖尿病与内分泌学委员会关于临床肥胖定义和诊断标准的报告提出，应将BMI保留为筛查和人群监测工具，但强调不应单独使用BMI来确认体脂过多或诊断临床肥胖。在个体层面，BMI的解释应辅以身体成分评估或额外的人体测量指标。
正常体重肥胖这一表型描述了BMI在正常范围内但体脂百分比升高的情况。既往研究将该表型与较低的瘦体重、较大的中心性肥胖和较不利的心血管代谢特征相关联。然而，不同研究的定义存在差异，正常体重肥胖与代谢异常的正常体重不应被视为同义词。在拉丁美洲大学人群中，身体成分、隐性脂肪堆积与多维生活方式特征的联合考察仍相对缺乏探索，尤其是在安第斯地区背景下。
基于此，本研究旨在考察厄瓜多尔北方技术大学体育科学专业学生中BMI与体脂分类的不一致情况，并比较不同操作性脂肪堆积表型间的身体成分和生活方式特征。研究人员假设BMI相对于操作性BIA体脂标准识别高体脂的敏感性有限，并探索隐性脂肪堆积与性别、学位项目、年龄及整体HPLP-II均分之间的关联。
二、研究设计与关键技术方法
本研究为分析性横断面观察性研究，于2026年5月在厄瓜多尔伊瓦拉市的北方技术大学开展。研究对象为体育活动和运动教育学及运动训练两个学位项目的在校学生，采用非概率便利抽样策略，最终纳入303名具有完整关联数据的学生。
主要技术方法包括：其一，使用InBody 270分析仪（InBody有限公司，首尔，韩国）进行多频节段生物电阻抗分析（BIA），估算体脂量、体脂百分比、瘦体重、骨骼肌量、骨骼肌指数、瘦体重指数、脂肪量指数及内脏脂肪等级等身体成分指标。站立身高使用身高计测量，用于计算BMI和身高调整的身体成分指数。测量前要求参与者站立约5分钟、去除鞋袜和厚重配饰、手掌和足底无乳液干扰，并保持标准电极接触和体位。其二，使用52条目西班牙语版健康促进生活方式量表II（HPLP-II）评估健康促进行为，涵盖人际关系（9条）、营养（10条）、健康责任（7条）、体力活动（9条）、压力管理（8条）和积极心理学（9条）六个领域，采用四级李克特量表计分。其三，统计分析采用IBM SPSS Statistics 25.0版本，包括卡方检验、Cohen's kappa系数、Mann-Whitney U检验、Kruskal-Wallis H检验、Spearman秩相关、二元逻辑回归和k-means聚类分析。
三、主要研究结果
3.1 样本特征与身体表型分布：分析样本共303名学生，以男性为主（78.9%），两个学位项目代表性相对均衡。60.7%的参与者BMI在正常范围内，但53.5%根据性别特异性标准存在高体脂。隐性脂肪堆积占总体样本的19.5%，在184名BMI正常的学生中，59人存在高体脂，占该亚组的32.1%。
3.2 HPLP-II得分与内部一致性：整体52条目HPLP-II均分为2.53。积极心理学领域均分最高，其次为人际关系，健康责任均分最低。整体52条目复合量表的Cronbach's alpha为0.941，各领域系数介于0.741至0.854之间。
3.3 BMI分类与体脂分类的一致性：BMI分类与高体脂显著相关，χ2(1)=99.94，p<0.001，phi系数和Cramer's V均为0.574，Cohen's kappa为0.546。以BIA估算的高体脂为操作性参照标准，BMI对高体脂的分类一致率为63.6%，对正常体脂的一致率为92.2%，阳性分类一致率为90.4%，阴性分类一致率为68.8%，总体一致率为76.9%，假阴性率为36.4%。
3.4 正常BMI正常体脂与隐性脂肪堆积组比较：隐性脂肪堆积组的整体HPLP-II均分较低但未达统计学显著（p=0.077）。体力活动（p<0.001）、健康责任（p=0.030）和压力管理（p=0.031）得分显著较低，其中体力活动差异最大（r=0.253）。在身体成分方面，隐性脂肪堆积组的骨骼肌量、瘦体重指数和骨骼肌指数较低，而脂肪量指数、内脏脂肪等级和体脂百分比更高，内脏脂肪等级（r=0.774）、脂肪量指数（r=0.765）和体脂百分比（r=0.757）的效应量尤为突出。
3.5 不同身体表型间差异：排除5名体重不足参与者后，四类表型在整体HPLP-II均分（H=11.33，p=0.010）、体力活动（H=22.82，p<0.001）、健康责任（H=12.63，p=0.006）和压力管理（H=8.10，p=0.044）方面存在显著差异。身体成分指标中，内脏脂肪等级（ε2=0.758）、脂肪量指数（ε2=0.747）和体脂百分比（ε2=0.674）的效应量最大。Bonferroni校正配对比较显示，隐性脂肪堆积组的体力活动得分显著低于正常BMI正常体脂组。
3.6 健康促进生活方式与身体成分的关联：HPLP-II得分与多项身体成分指标显著相关，但相关系数绝对值介于0.120至0.229之间，均属小效应量。整体HPLP-II均分与骨骼肌量、骨骼肌指数和瘦体重指数正相关，与体脂百分比负相关。体力活动领域与全部三项肌肉相关指标正相关，与体脂百分比和脂肪量指数负相关。人际关系领域未观察到显著相关。
3.7 正常BMI学生中隐性脂肪堆积的相关因素：逻辑回归模型显著（χ2(4)=32.39，p<0.001），Nagelkerke R2为0.226，Hosmer-Lemeshow检验不显著（p=0.655）。女性性别与隐性脂肪堆积的较高几率相关（OR=5.13；95%CI：2.23-11.83；p<0.001），运动训练学位项目与较低几率相关（OR=0.28；95%CI：0.14-0.59；p<0.001）。年龄和整体HPLP-II均分未独立关联。模型敏感性仅为27.1%，特异性达95.2%。
3.8 生活方式特征与身体表型的关系：k-means聚类分析识别出三个生活方式特征：较不利特征（118人）、中间特征（131人）和较有利特征（54人）。三个特征的HPLP-II均分分别为2.18、2.58和3.09。身体表型分布在不同特征间存在显著差异（χ2(6)=14.87，p=0.021），但Cramer's V仅为0.158，关联强度较弱。隐性脂肪堆积在较不利特征中26人、中间特征中26人、较有利特征中7人。
四、讨论与结论总结
讨论部分指出，本研究的核心发现是BMI分类与BIA估算身体成分之间的不一致性。BMI单独使用不能充分代表大学生身体成分的异质性，其高特异性但有限敏感性意味着在排除正常BMI范围内的体脂过多方面表现不足。隐性脂肪堆积不应自动等同于临床肥胖诊断，本研究未评估血压、血脂、血糖、胰岛素抵抗、肝功能或器官损伤等指标，因此该术语比"隐性肥胖"更为精确。
性别差异方面，女性性别与隐性脂肪堆积较高几率相关，但这一结果应结合样本以男性为主和性别特异性体脂切点的背景加以解释，不应理解为女性性别独立导致隐性脂肪堆积。学位项目差异可能反映运动训练学生有更多系统性运动训练暴露，但该变量未被直接测量，也可能存在自选择效应。
体力活动是与身体成分指标关系最一致的行为维度，但相关系数较小，且HPLP-II测量的是感知行为频率而非强度、持续时间或能量消耗的详细量化。健康责任和压力管理得分较低不应被用于将身体成分责任归于学生个体，大学生生活方式受课程安排、学业负担、经济资源、食物可得性、交通、居住安排和社会网络等多重因素塑造。
聚类分析确认了样本在行为上并非同质，但生活方式特征与身体表型的关联较弱，表明更有利的行为特征不一定决定特定身体成分。逻辑回归模型虽然显著且拟合良好，但敏感性不足，不应作为个体筛查工具。
研究结论指出，将数字身体成分测量与生活方式数据相结合，展示了有限形式的数据化如何拓宽高等教育中学生健康的分析表征。高体脂在53.5%的参与者中被识别，隐性脂肪堆积在总体样本中占19.5%，在BMI正常者中占32.1%。相对于操作性BIA标准，BMI对高体脂的分类一致率为63.6%，假阴性率为36.4%，证实其单独使用可能产生不完整的身体成分表征。然而，更多数据的可获得性并未实现对个体身体表型的准确预测，这些结果不支持使用算法、生活方式特征或身体测量自动分类学生、确立诊断或支持个体学术决策。在机构层面，研究结果支持自愿的健康促进和预防性监测项目，整合专业指导、可及的体力活动、营养教育和压力管理。身体和行为数据的使用应基于知情同意、保密性、数据最小化、目的限制、非污名化解释以及学生参与设计和沟通干预措施。
