运动员睡眠复杂性解析：基于系统方法构建运动员睡眠环境模型

《Sports Medicine》：Understanding the Complexity of Athlete Sleep: A Systems Approach to Modelling the Athlete Sleep Environment

　　

背景：运动员睡眠可受到运动相关及非运动相关因素的干扰。然而，这些睡眠相关因素之间的相互作用尚未被充分理解。系统科学方法，如因果回路图（causal loop diagramming，CLD），为映射这些相互作用提供了契机。本研究旨在：（1）构建描述相互作用变量的运动员睡眠系统CLD；（2）识别反馈回路及优化运动员睡眠的潜在杠杆点；（3）论证CLD在指导睡眠监测框架开发方面的适用性。方法：研究人员采用CLD构建了基于系统的运动员睡眠模型，该模型以现有文献为依据，并通过涉及十名主题专家（九名来自澳大利亚，一名来自美国）的共识过程进行完善。随后，研究人员利用网络分析对该模型进行探究，基于变量在系统中的位置和连通性识别关键变量。这些发现为通用睡眠监测框架的开发提供了依据。结果：该CLD包含48个变量和120条关系，跨越四个域：旅行需求、行为与生活方式因素、运动员状态与准备度、资源与日程约束。总体而言，共识别出12个关键变量，其中旅行时长、跨越时区数量、咖啡因剂量以及可用资源或支出金额是连通性最强的上游变量。睡前觉醒水平、睡眠机会、旅行疲劳和表现水平接收的传入关系数量最多，代表多条路径汇聚的节点。身体状况、表现水平、饮食质量和比赛重要性最频繁地连接系统的不同象限。这些变量为捕获睡眠上游决定因素和下游后果的三层监测框架提供了依据。结论：根据该CLD，运动员睡眠健康超越个体行为问题，受运动系统的结构和功能所影响。旅行需求、身体准备度、行为与生活方式因素以及组织约束之间的相互作用随时间维持运动员睡眠健康。因此，睡眠健康的有意义改善可能同时源于系统层面干预和个体行为改变策略。

**研究背景与问题**

睡眠是运动员健康、恢复和运动表现的基本组成部分。然而，运动员经常出现睡眠时长不足、睡眠时间不规律以及入睡或维持睡眠困难等问题，50%–78%的精英运动员报告存在规律性睡眠紊乱。精英运动员由于训练和比赛需求加剧、频繁旅行以及表现压力增大，这些挑战可能尤为突出。除已知影响睡眠的非运动相关因素（如家庭和社会承诺）外，运动员还面临独特的运动相关因素（如不熟悉的睡眠环境和高等训练负荷），这些因素可能导致睡眠相关紊乱和缺陷的高发。

运动员睡眠是多方面的，受相互依存的网络影响，而非离散、孤立的路径。在此背景下，"运动员睡眠系统"指的是相互作用的生理、行为、心理和环境因素的集合，这些因素共同影响运动员的睡眠结局，其中一个因素的变化可能随时间影响其他因素。例如，睡眠行为和结局可受训练和比赛日程、比赛负荷、心理压力、睡前认知觉醒、营养实践、技术使用、疼痛和环境条件等因素的影响。此外，个体特征如时间型（chronotype）、性别/社会性别和年龄可进一步塑造运动员的睡眠时间、睡眠质量和昼夜节律对齐。然而，这些因素大多以线性因果关系方式进行研究（如营养干预对睡眠的影响、急性运动对睡眠的影响、咖啡因对睡眠的影响），未能捕捉运动员睡眠系统中多个变量的相互联系、反馈回路和涌现行为。

基于系统思维的方法为研究具有相互依赖性、反馈和动态交互的复杂系统提供了结构化的分析途径。Sterman强调，系统思维的有效应用涉及检查组织学习机制、决策规则和反馈过程以增强机构绩效。系统分析方法已应用于多个安全关键领域、公共卫生（如肥胖和COVID-19）、睡眠和运动科学，为审视现有复杂问题提供了新视角。因果回路图（CLD）是其中一种方法，通过引出和描绘驱动系统行为的增强回路和平衡回路，提供利益相关者对复杂关系观点的可视化表征。将CLD应用于运动员睡眠将超越线性因果解释，补充以系统视角，捕捉多个决定因素之间随时间塑造睡眠行为的动态交互。因此，采用基于系统思维的方法可以阐明关于影响睡眠的变量之间相互联系的新信息，识别是否存在反馈回路，并提供运动员睡眠系统的更整体视角。

影响运动员睡眠的变量已被充分报道，但通常被孤立地研究。这种方法存在问题，因为改善运动员睡眠的干预措施往往针对个体变量，而未考虑这些因素如何相互作用和相互影响，或因素如何相互作用以削弱新干预措施的有效性。迄今为止，这些变量尚未通过系统视角被系统性地审视，也未被整合为 cohesive 的系统层面概念框架。这限制了研究人员对多个因素如何相互作用影响睡眠健康、一个因素的变化（如深夜比赛或旅行疲劳）如何影响其他因素（如觉醒或睡眠机会）以及为何靶向干预措施往往表现出有限或不一致效果的理解。目前尚无基于系统的模型全面映射影响运动员睡眠的更广泛变量网络，以识别杠杆点并指导更有效的干预策略。解决这一空白对于推进理解和改善运动员睡眠的应用方法都很重要。因此，本文的目标有三：（1）构建描述影响运动员睡眠的相互作用变量的运动员睡眠系统CLD；（2）识别可靶向优化运动员睡眠的反馈回路和潜在杠杆点；（3）论证使用CLD指导睡眠监测框架开发的潜在适用性，供从业者、教练和运动科学家在应用表现环境中系统评估、追踪和干预运动员睡眠的多因素决定因素。本文提出的模型旨在生成假设而非预测。其目的不是预测睡眠结局或估计因果关系的强度，而是明确表述影响睡眠的变量如何相互作用的可检验的结构化描述，为可接受实证检验的特定路径和反馈过程提供视角。因此，该模型代表了已发表证据和专家判断的综合，其价值在于所生成的假设而非对任何单一关系的确认。

**关键技术方法**

本研究采用基于系统的设计，结合定性CLD开发和定量网络分析。CLD的初始草案通过Scopus和Google Scholar的目的性迭代检索，基于同行评审文献和相关灰色文献构建，检索围绕关键运动员睡眠域（如训练负荷、旅行、恢复）结构化，来源于现有共识声明和运动员睡眠综述。模型通过涉及研究团队成员的群体建模过程进行完善，包括初始2小时在线研讨会及多轮迭代审查和 refinement，共识定义为研究团队所有成员对变量纳入、因果关系和极性达成一致且无未决异议。CLD使用Vensim软件构建和分析。系统边界定义为参加任何竞技运动的精英级别运动员（Tier 3：高度训练/国家级别；Tier 4：国际级别）。为进行网络分析，CLD被转置为邻接矩阵，保留方向性，导出至Microsoft Excel，通过平方所有条目转换为二进制格式。网络分析使用Social Network Visualiser（SocNetV 3.2版）进行，检查全局网络属性（总连接数、网络密度）和节点中心性（出度中心性、入度中心性、中介中心性），所有度量标准化，均值以上一个标准差（SD）的变量被识别为结构显著变量。

**研究结果**

*运动员睡眠因果回路图*：运动员睡眠CLD包含四个域：（1）旅行需求（左下象限）、（2）行为与生活方式因素（左上象限）、（3）运动员状态与准备度变量（右上象限）、（4）资源与日程约束（右下象限）。系统中共表征48个独特变量，识别出290个涉及运动员睡眠健康的独特反馈回路。所有象限的变量均表现出跨域连通性。旅行需求与行为与生活方式因素、资源与日程约束以及运动员状态与准备度变量相连。行为与生活方式因素与疲劳和睡眠相关变量相连，而运动员状态与准备度变量与行为影响及资源与日程约束均相连。这些连接表明睡眠相关结局是跨越行为、生理和组织组成部分的互联系统的一部分。

*网络分析*：网络包含48个变量和120条总连接，密度为0.053，表明约5%的所有可能连接被表征，提示一个相对稀疏但互联的系统。基于预定义阈值（均值以上>1 SD），12个变量被识别为运动员睡眠系统中结构显著的变量。出度中心性较高的变量包括：可用资源/支出金额、运动员睡眠健康、咖啡因剂量、旅行时长和跨越时区数量。入度中心性较高的变量包括：运动员睡眠健康、表现水平、睡前觉醒水平、睡眠机会和旅行疲劳。中介中心性较高的变量包括：运动员睡眠健康、比赛重要性、表现水平、睡前觉醒水平、身体状况和饮食质量。

*示例睡眠监测框架的开发*：通过网络分析识别的变量为系统 informed 的运动员睡眠健康监测框架提供了依据。该框架包含三个层级，对应于CLD中变量的结构组织，包括出度中心性较高、入度中心性较高和中介中心性较高的变量。这些层级反映变量在系统结构中定位的差异，而非暗示因果角色或方向效应。框架以灵活的三年层过程实施：第一层代表与多个其他变量相连的变量，可视为潜在暴露或筛查变量；第二层代表与多个传入关系相连的变量，可反映系统紧张或中断可观察的节点；第三层代表更频繁地位于连接系统不同部分的连接上的变量，可在组织潜在响应选项时考虑。监测可从任何层级开始，层级间的移动可根据情境迭代进行。该框架展示了CLD的一种潜在应用，将模型的结构特征转化为组织监测和决策的实践方法，而不推断因果或预测关系。

**讨论与结论**

本文的目标是构建描述影响运动员睡眠的相互作用变量的运动员睡眠系统CLD，识别可靶向优化运动员睡眠的反馈回路和潜在杠杆点，并论证使用CLD指导睡眠监测框架开发的潜在适用性。CLD将运动员睡眠系统表征为相互作用变量和反馈回路的网络，其中运动员睡眠健康既受其他变量影响又影响其他变量。存在来自个体运动员行为之外因素的显著影响，提示干预可能需要协调行为、组织和系统层面因素的策略以有意义地影响运动员睡眠健康。关键的是，许多约束运动员睡眠健康的因素——包括比赛日程、旅行需求和组织资源分配——在结构和组织层面运作，很大程度上超出运动员的直接控制，提示改善睡眠健康的潜在重要杠杆点可能超越个体运动员，延伸至塑造其表现环境的系统和组织。总体而言，所识别的变量由旅行需求、行为与生活方式因素、运动员状态与准备度以及资源与日程约束组成的象限所表征。这些发现共同表明，在监测或干预运动员睡眠健康时，考虑变量间相互作用如何贡献于下游及潜在涌现效应的重要性。此外，CLD的互联结构可能有助于解释为何单因素睡眠干预可产生不一致或模棱两可的结果，因为针对孤立变量的变化可能受到系统其他地方产生的影响的约束或抵消。例如，当旅行需求、深夜比赛日程或睡前觉醒升高持续干扰睡眠启动和恢复时，延长睡眠机会的益处可能有限。尽管定量系统动力学模型可用于模拟复杂系统中随时间变化的相互作用，本CLD为识别影响运动员睡眠健康的潜在杠杆点提供了可及且理论基础的的第一步。

CLD可与睡眠实践建议和组织睡眠决定因素的概念框架进行比较。CLD中表征的四个域与现有运动员睡眠共识建议以及旅行和时差管理建议中使用的类别密切对应。这些视角与框架之间的主要差异在于，CLD指定变量之间的关系并识别睡眠系统中的反馈回路，而非孤立地识别已知影响睡眠的因素。例如，延长睡眠机会的共识建议针对的是CLD表征为受比赛日程、旅行需求和组织资源约束的变量，而这些均非运动员直接控制。现有建议通常按因素组织，因此隐含地面向假定控制该因素的主体。社会生态睡眠健康模型等概念框架与建议的不同在于它们也表征结构，按影响水平组织决定因素。这种框架使干预可能作用的层面比本文使用的主题象限更为明显。CLD通过明确表征不同层面内部和之间变量之间的关系提供了互补视角，包括下游和上游变量之间的反馈，这是嵌套社会生态结构未明确表征的。因此，CLD的主要贡献不是识别运动员睡眠的新决定因素，而是将既定决定因素表征为互联系统，其中关系、反馈和潜在干预点可一并考虑。

行为与生活方式象限代表了循证干预可行且可有意义改善运动员睡眠健康的领域。咖啡因消费的时间和接近度是一个已确立的可改变靶标，在CLD中作为独特变量出现。区分表现动机和补偿性咖啡因使用的教育可帮助运动员以支持表现而非干扰睡眠的方式控制摄入。然而，清晨训练量和晚间比赛时间代表可能约束睡眠机会或升高赛后觉醒的日程变量，在组织可行的情况下对训练时间进行针对性调整可能对睡眠健康产生有意义的益处。社交媒体使用时间和赛前焦虑水平也在CLD中作为睡前觉醒升高的贡献因素出现，针对睡前觉醒的心理和行为策略——包括认知行为方法、放松技术和结构化放松程序——已在运动情境中证明有效。这些变量代表了可及的干预靶标，即使上游结构因素仍然受限也可采取行动。

CLD中表征的反馈结构可与失眠概念化中使用的易感、促发和维持框架进行比较。例如，模型中的增强和平衡回路可与维持过程相关联，因为它们描述了睡眠中断一旦启动后可能被维持或抵消的相互作用。比赛密集或长途旅行可作为促发事件，而它们引发的行为和组织响应可在启动事件过去后维持中断。这一比较也识别了本模型的边界。易感特征包括时间型、性别/社会性别和年龄，未被表征，被视为所描绘关系的调节因素而非系统中的变量。因此，CLD模型描述了睡眠中断如何由精英运动驱动和维持，但未描述为何个体运动员对其易感性存在差异。

本CLD与先前发表的青少年睡眠健康CLD之间可进行另一比较，后者使用可比方法开发。尽管人群差异显著，两个模型汇聚于远超个体行为的域。除了行为、觉醒相关和环境变量的预期共性外，青少年模型识别了机构日程（学校开始时间、晚间作业、深夜截止日期）、家庭资源约束和数字平台的商业利益作为睡眠健康的结构性影响。这些结构性影响与本文模型中表征的日程、资源和商业变量密切对应。旅行需求似乎为精英运动情境特有，没有明确的类似物。两个独立开发的模型在如此不同的人群（学龄青少年和精英运动员）中汇聚于机构和商业决定因素，这在一定程度上支持了睡眠健康由尝试睡眠所处的结构而非主要由于个体选择所塑造的论点。这一支持不应被夸大，因为两个模型均由受过系统思维训练的研究团队开发。值得注意的是，青少年模型也排除了年龄、性别和时间型，理由是这些为生物决定因素且落在围绕可改变因素定义的边界之外，与本文采取的边界决策一致。

总体而言，CLD表明运动员睡眠健康涌现于多个互联变量之间的相互作用，而非孤立因素独立运作。因此，系统一个部分的变化可能传播至表现环境的其他方面，直接和间接影响睡眠健康。此外，在尝试干预时聚焦个体变量可能仅产生最小影响，因为其他相互作用的系统影响可能继续约束或抵消变化。例如，随着旅行需求累积，运动员饮食质量可能下降，进而可能导致运动员增加咖啡因消费以缓解潜在疲劳，增加睡前觉醒，随后影响睡眠机会和睡眠健康。这强化了睡眠作为表现和恢复核心原则而非边缘行为的地位，因为睡眠受旅行、训练、日程和恢复相关相互影响所塑造。运动员睡眠系统的高度连通性也提示变量之间的关系可能非线性运作，因为系统一个部分的变化可能在其他运动员功能方面产生不成比例的下游效应。例如，比赛密集增加可能贡献于生理和心理紧张升高、赛前和赛后觉醒增加、恢复机会改变及随后的睡眠中断，这些效应可能传播至系统的多个组成部分。相反，当一个变量发生大变化时，如果其他约束（如旅行相关中断或睡前觉醒升高）仍然存在，睡眠结局可能仅产生适度改善。此外，时间和情境可能与幅度同样重要，如咖啡因摄入的情况，临近就寝时摄入相对较小剂量可能比当天早些时候相同剂量对睡眠产生更大影响。这可能有助于解释为何睡眠干预有时在一种情境中显得有效而在另一种情境中不然，并进一步凸显未来系统动力学建模方法能够表征时间延迟、累积和非线性系统行为的潜在价值。

将网络分析变量纳入监测框架承认运动员睡眠的干扰通常源于系统性暴露而非孤立行为选择，并允许从业者在可测量的睡眠和随后的表现损伤发生之前识别可能预期风险升高的时期。例如，从业者在高旅行比赛块期间观察到睡前觉醒水平升高和睡眠机会减少（第二层指标），可使用CLD的出度结构检查上游变量，如旅行时长、跨越时区数量或咖啡因剂量，而非将觉醒视为孤立的临床靶标。在识别潜在系统紧张时，中介中心性较高的变量如饮食质量、比赛重要性和身体状况可在组织潜在响应选项时考虑。总体而言，这将框架定位为基于系统结构的监测工具，而非规定性或因果模型，凸显了CLD informed 网络分析在支持运动组织和更广泛系统（如联赛、学院）应用决策方面的效用。此外，CLD表明运动员支持人员之间沟通和协调的必要性，因为影响运动员睡眠的许多变量由系统中不同行动者塑造或管理。因此，不仅系统中的变量相互作用，负责影响这些变量的从业者和组织行动者也相互作用。

CLD中表征的更广泛域提示存在支持运动员睡眠健康的更高层干预机会，与Meadows复杂系统中的杠杆点一致。杠杆点是系统中微小变化有可能产生不成比例大或持续的系统行为转变的位置；它们与常规干预靶标的区别在于其转变整个系统的能力，而非修改孤立结局。重要的是，CLD揭示即使看似个体选择的行为——如使用睡眠辅助、睡眠安排和午睡时间或时长——也经常作为对结构性系统压力（包括旅行时长、比赛日程和可用资源/支出金额）的响应而出现。因此，运动员甚至对个体层面因素保留有限的自主控制，因为这些因素持续受其运作的系统条件所塑造。例如，组织日程和约束（包括旅行和比赛需求）可能反映系统规则，而对比赛日程或旅行需求的修改代表结构性变化。在更深层面，明确优先考虑睡眠和恢复与表现结局并重反映了系统目标的潜在转变，可能构成更高阶的杠杆点。因此，认识到睡眠作为表现的核心决定因素需要底层假设的转变。这些观察共同表明，改善运动员睡眠不太可能仅通过孤立干预实现，而可能需要跨越行为、组织和系统层面因素的协调策略。

CLD有意排除个体特征如时间型、年龄和性别/社会性别，研究人员将其概念化为所表征关系的调节因素而非系统内的变量。这一排除代表了边界决策，对模型应如何应用具有后果。有证据表明运动员的睡眠特征因性别和年龄而异，且时间型与训练和比赛日程相互作用以决定昼夜节律对齐。在本文表征的结构内，这些特征预计将改变特定连接的强度而非添加新连接。例如，清晨训练量与睡眠机会之间的连接对于较晚时间型预计更强，运动中的性别/社会性别相关社会心理条件——包括日程、资源、媒体暴露和照护责任的差异——可能改变资源与日程约束和睡眠机会及睡前觉醒之间关系的强度。应用该框架的从业者因此应将结构视为通用的，将个体路径的强度视为需要个体化。

若干变量尽管有睡眠文献的支持证据，但未达到结构显著性的阈值。睡眠环境质量、昼夜节律干扰量和恢复或准备度水平是运动员睡眠的已确立影响因素，但在模型中占据相对边缘的位置。中心性反映模型中指定的连接数量和位置，而非效应幅度，一个具有强有力、充分证据但狭窄影响的变量可能结构上边缘，而一个证据薄弱但广泛连接的变量可能结构上中心。因此，读者不应将网络分析表解释为对运动员睡眠重要性的排名，结构上边缘的变量在实践中不应基于此分析被降级。

本研究的关键优势是使用CLD将运动员睡眠建模为复杂的相互作用系统，而非独立风险变量的集合。这种方法允许识别反馈回路、相互依赖性和潜在杠杆点，这些使用传统线性方法难以捕捉。CLD的进一步优势是能够使用模型为运动员支持人员创建实践工具（如开发的示例监测框架）。重要的是，CLD、伴随的网络分析和示例监测框架旨在作为假设生成方法而非预测模型。其目的不是预测睡眠结局或量化因果关系的相对强度，而是识别睡眠中断在精英运动中可能出现和维持的合理假设路径、结构相互依赖性和反馈过程。未来工作应探索将CLD转化为定量系统动力学模型，可用于模拟不同情境下随时间变化的运动员睡眠。这也将提供探索不同变量变化如何影响运动员睡眠的方式，允许测试拟议干预或探索系统扰动（如全球冲突导致的旅行约束、重大比赛如世界杯或奥运会、或运动员兴奋剂使用）。尽管研究具有优势，但存在值得注意的局限性。第一，模型由作者团队开发，他们同时也是主题专家。研究团队外部没有参与者贡献于模型开发，模型未经外部验证。因此模型代表该团队的集体判断，以所识别的证据为依据，研究人员承认替代团队可能产生不同结构。第二，虽然使用了一些偏差缓解技术（如使用同行评审来源、具有多样经验的研究团队），但未使用独立引导等正式缓解程序，这可能导致了在专业知识集中的领域变量被指定为更细粒度。第三，为模型提供依据的文献通过目的性而非系统性检索识别，限制了证据基础的可重复性。第四，由于时间型和性别等个体特征被视为关系的调节因素而非系统内的变量，模型描述了睡眠中断如何在精英运动中被维持，但未解决为何个体运动员对其易感性存在差异。尽管如此，这些局限性限制了可从模型做出的主张。只要将结构视为接受实证检验的假设而非系统的已验证描述，它们不阻止其作为解释运动中睡眠相关挑战的概念工具的使用。

结论：运动员睡眠CLD将精英运动员的睡眠健康表征为精英运动系统结构和功能的涌现属性，而非主要是个体行为的结果。所表征的关系双向运作，能够随时间维持睡眠中断的相同结构在有利条件下也可支持睡眠健康。通过开发运动员睡眠系统的通用模型，本文描绘了旅行需求、身体状况和准备度、行为影响以及组织约束和日程如何通过反馈回路相互作用以随时间影响睡眠的结构化描述。这一描述代表了已发表证据和专家判断的综合，作为实证检验的基础而非已验证的描述提供。因此，运动员睡眠健康的有意义改善可能同时需要系统层面干预和个体行为改变策略，而各自的相对贡献是模型旨在帮助制定而非确定回答的问题。