精英女子足球运动员的葡萄糖波动性：一项使用比赛日间歇性监测方法进行的初步研究 克里斯蒂安·佩特里（Cristian Petri） 若昂·巴雷拉（Jo?o Barreira） 朱利奥·A·科斯塔（Júlio A. Costa） 路易斯·苏亚雷斯-阿罗内斯（Luis Suarez-Arrones） 亚历山德罗·布科利尼（Alessandro Buccolini） 加布里埃莱·马斯凯里尼（Gabriele Mascherini） 卢卡·彭格（Luca Pengue）

《Applied Sciences》：Glucose Variability in Elite Female Soccer Players: A Pilot Study Using Interstitial Monitoring on Match Day Cristian Petri, Jo?o Barreira, Júlio A. Costa, Luis Suarez-Arrones, Alessandro Buccolini, Gabriele Mascherini and Luca Pengue

　　摘要：观察竞技赛事期间血糖的波动可以为了解运动员的代谢需求提供重要数据。本研究旨在揭示顶级女子足球运动员在正式比赛中的血糖特征。共有十名精英女子足球运动员（年龄：27.2 ± 3.8岁；BMI：21.7 ± 1.5 kg/m2）参与研究，她们在两个不同的比赛周期内通过连续血糖监测（CGM）技术记录了其组织间葡萄糖（iG）水平。外部体力负荷通过全球定位系统（GPS）进行测量。根据球员的出场位置，将她们分为首发球员和替补球员，并将观察时间分为四个阶段：夜间、赛前、比赛中和赛后。数据显示，组间变异系数（CV）为13%，组内变异系数为17%。首发球员的血糖波动性更高（组间16%，组内20%），而替补球员分别为9%和13%。尽管时间因素保持稳定，但出场状态对血糖水平有显著影响（F = 5.44，p = 0.006，ηp2 = 0.44）。具体而言，首发球员在比赛期间（+26.5 mg/dL，p = 0.001）、赛前（+22.2 mg/dL，p = 0.002）和赛后（+25.9 mg/dL，p = 0.004）的血糖水平均高于替补球员。这些发现表明，鉴于这一领域尚未充分探索的个体差异，CGM技术有助于工作人员制定个性化的营养干预措施。

1. 引言
近年来，女子足球运动呈指数级增长[1]。与男子职业足球一样，确保运动员的健康和福祉同时优化其表现是教练和支持团队的首要任务。然而，由于女子足球参与度的迅速增加，相关科学研究难以跟上基于证据的教学实践的需求[2]。目前，体育科学领域对女子足球的研究仍然有限，大多数关于运动代谢反应的研究是在实验室环境中进行的[3,4]，在那里可以严格控制环境变量。但从生态学的角度来看，实验室的研究结果并不总能有效应用于现实世界的体育场景，尤其是在动态高强度的团队运动中。因此，在正式比赛中进行观察性研究对于提高我们对女子足球运动员生理和表现需求的理解至关重要。

现有的关于女子足球的研究主要集中在运动的身体需求上，分析工作量、强度和运动模式等参数[5,6]。来自全球定位系统（GPS）的追踪数据显示，国家级和国际级的女子精英运动员每场比赛大约跑动10公里[7,8,9,10,11]。值得注意的是，其中约10-12%的距离是以高强度完成的，球员平均每场比赛进行五次短跑[5,6]。满足这些身体需求需要充足的能量供应，碳水化合物和循环中的葡萄糖是高强度运动的主要能量来源[12]。连续血糖监测（CGM）是一种相对较新的技术，通过放置在上臂、下腹部或背部的皮下传感器提供实时的组织间葡萄糖（iG）水平数据[13]。该技术最初是为临床糖尿病管理开发的[14]，但最近因其可能在体育活动中的应用而受到关注，尤其是在监测运动期间的葡萄糖反应方面[15]。尽管一些研究探讨了其在糖尿病患者中的应用[16]，但关于其在高性能运动中的应用的证据仍然有限[13]。利用CGM监测运动期间的血糖反应可以提供有关碳水化合物可用性的宝贵信息，并为优化葡萄糖控制提供营养策略依据。然而，要全面理解CGM在不同体育项目中的相关性，还需要结合体力负荷指标来分析葡萄糖数据，以评估特定运动的代谢需求。此外，大多数关于iG反应的研究都是在男性运动员和基于耐力的周期性运动中进行的[17,18]。迄今为止，只有一项研究评估了男子足球活动中的组织间葡萄糖水平，报告称CGM检测到葡萄糖水平有所升高[19]。

考虑到性别间的生理差异、基于耐力的运动与间歇性运动的区别，以及实验室研究与实地研究之间的差距，有必要进一步研究真实竞技环境中的女子运动员。实验室条件需要控制许多变量，而这些变量可能无法反映比赛的不可预测性。相比之下，比赛环境使运动员面临各种外部影响——如环境温度、心理压力、交感神经系统的激活或比赛场地——这些因素共同决定了运动员的实际表现。为填补这一知识空白，本研究旨在通过连续监测两名精英女子足球运动员在两场连续正式比赛中的iG水平来描述她们的血糖特征。因此，研究假设是：精英女子足球运动员的比赛会导致iG水平的显著波动，反映出个体间能量代谢和恢复动态的差异[13]。

2. 材料与方法
2.1 参与者
十名女子足球运动员（年龄：27.2岁 ± 3.8岁；体重：64.8 ± 5.7公斤；身高：172.8 ± 4.6厘米；体质指数：21.7 ± 1.5 kg/m2）来自同一支意大利女子意甲球队，自愿参与了这项初步研究。纳入标准包括：（1）血糖控制正常的女子运动员；（2）年龄在18-35岁之间；（3）当前赛季已注册为意大利足球联合会成员；（4）具有至少10年的竞技足球经验；（5）根据McKay等人的分类标准至少达到第四级（精英/国际水平）[20]；（6）未使用影响组织间葡萄糖的药物；（7）没有可能影响iG水平的能量失衡迹象。参与者被分为两组：五名首发球员，她们每场比赛都完整出场90分钟；五名替补球员，她们不在首发名单中，也未参加这两场比赛。将替补球员作为对照组可以确保影响iG水平的主要因素是比赛参与情况。样本量是基于便利性确定的，因为受控条件下的精英运动员数量有限。然而，对“出场状态”对iG水平的主要效应的事后功效分析显示F = 5.44，部分eta平方 = 0.44。鉴于这项研究的初步性质以及招募精英运动员的难度，样本量是出于便利性考虑的。观察到的效应大小可用于未来更大规模研究的功效计算。所有运动员都了解了研究程序并提供了书面知情同意书。本研究遵循《赫尔辛基宣言》进行，并获得了反兴奋剂实验室机构审查委员会的批准（卡塔尔；IRB编号：E201300004）。

2.2 设计
这项观察性描述性研究涉及在两个不同的比赛日（2023年3月26日和2023年4月2日）连续监测iG水平，并收集了两场正式足球比赛的外部负荷数据。研究人员根据生理需求将每天分为四个时间段（图1）：
图1. 一名运动员在单天的原始数据（A）和处理后的数据（B）。ID表示运动员身份；CV表示变异系数。
- 夜间：21:00–04:59；
- 赛前：05:00–12:59，早餐在9:00，午餐在11:30；
- 比赛：13:00–16:30；
- 赛后：16:30–20:59。
两场比赛都在同一时间段进行。研究人员进一步将比赛时间段分为：
- 热身：13:30–14:14；
- 上半场：14:30–15:15；
- 下半场：15:30–16:15；
- 赛后：16:30–17:30。
为了确保一致性，唯一的饮食干预是标准化的集体赛前餐食。除此之外，运动员没有接受任何营养指导或补充剂，并被要求在两周内保持平时的饮食习惯。

2.3 连续血糖监测
使用Abbott Libre Sense Glucose Sport Biosensor（Supersapiens，美国亚特兰大）设备监测iG水平，将传感器皮下放置在上臂。研究人员在数据收集前一天晚上提供并安装了传感器，运动员在接下来的一天内佩戴它们，包括比赛期间。Gómez等人[21]验证了该设备的准确性，并且之前的研究已经在足球比赛中用于监测iG[19]。Supersapiens控制台的原始数据被导出，并在Microsoft Excel中进行了数据汇总。由于CGM数据收集的特点，记录不是以固定间隔进行的，因此使用每小时平均值进行日常分析。对于比赛期间的分析，如果特定的15分钟间隔点缺失，则使用最近的可用数据点。图1展示了一名运动员一天内的原始和处理后的葡萄糖数据示例。

2.4 比赛外部负荷
使用GPS设备（GPEXE 18 GHz，意大利乌迪内）监测比赛期间的外部负荷。原始GPS数据随后导入R 4.5软件进行分析。根据预先建立的R程序，计算了以下GPS指标：总距离（米）、相对距离（RD，米/分钟）、高速跑步（HSR，>15.8公里/小时）、短跑距离（>22.5公里/小时）以及加速度/减速度的次数（≥2米/秒2）。这些速度阈值是根据球队训练和运动员的特点选择的，考虑到文献中的变异性[22,23]。分析涵盖了整个比赛时间。

2.5 数据分析
首先将包含个体原始葡萄糖数据的文件导出为CSV文件，然后导入Microsoft Excel。每个运动员的原始数据作为新工作表插入Microsoft Excel中。接着，将各个工作表导入Rstudio进行数据可视化和统计分析。所有导入的工作表合并成一个包含每个运动员原始数据的数据集。在进行任何分析之前，先对整个原始数据集进行了异常值检查。然后创建了一个新的数据集，通过平均每个小时的间隔来表示每个参与者的每日原始数据（图1）。

2.6 统计分析
数据以平均值±标准差的形式呈现。使用Shapiro-Wilk检验和Levene检验分别评估数据的正态性和同质性。为了评估一天内和比赛期间iG的组间和组内变异，计算了变异系数（CV）。使用线性混合模型分析方法，考虑了一天内不同时间段、比赛时间段和运动员状态之间的iG水平差异。选择线性混合模型是因为它们能够适当地处理数据的重复测量结构和偶尔的缺失观察值。使用performance包比较了模型的性能。iG被视为结果变量，而一天中的时间段（四个水平：夜间、赛前、比赛中和赛后）、比赛时间段（四个水平：热身、上半场、下半场和赛后）以及运动员状态（两个水平：首发或替补）被视为固定效应，运动员ID和一天中的小时被视为随机效应。考虑了一天中的时间段与运动员状态之间的交互作用，以及比赛时间段与运动员状态之间的交互作用。使用repress包通过QQ图检查模型残差分布的正态性。当未验证正态分布时，对数据进行对数转换以进行进一步分析，然后再转换回来（比赛期间的葡萄糖分析）。当观察到显著性时，使用Bonferroni校正进行事后成对比较测试，以评估一天内和/或不同运动员状态之间的差异。计算了线性混合模型结果的偏eta2（ηp2），并将其解释为0.01（小效应）、0.06（中等效应）和0.14（大效应）。通过将t统计量转换为d[24]来计算效应大小（ES），并解释其含义：trivial <0.2；small >0.2；moderate >0.6；large >1.2；very large >2.0[25]。显著性水平设定为α < 0.05。统计分析使用R统计软件（版本4.2.2，R Foundation for Statistical Computing，奥地利维也纳）进行。

3. 结果
两场比赛之间的外部负荷没有差异（表1）。表1显示了全程参赛运动员的外部负荷数据。数据以平均值±标准差表示。同样，两天内iG水平也没有差异（F = 0.20，p = 0.6，ηp2 = 0.001），比赛时间段之间也没有差异（F = 1.19，p = 0.27，ηp2 = 0.001）。因此，两天的数据被合并用于分析。研究发现，出场状态（首发球员与替补球员）对血糖水平（iG）有显著的主效应（F = 5.44，p = 0.006，ηp2 = 0.44），而一天中的不同时间段则没有达到统计学显著性（F = 3.39，p = 0.06，ηp2 = 0.02）。此外，出场状态与一天中不同时间段之间存在显著的交互作用（F = 6.35，p < 0.001，ηp2 = 0.06）。在比赛期间，组间变异系数（CV）的值低于10%，其中首发球员的CV值低于替补球员（6% vs 9%）。而组内CV值在比赛期间首发球员中倾向于超过10%（18%），而替补球员则保持在组间CV水平（9%）。所有运动员、首发球员和替补球员在整个一天和比赛期间的平均iG水平以及组间和组内CV值见表2。表2显示了一天中不同时间段的iG水平、平均值±标准差以及葡萄糖浓度的变异系数。对于替补球员，一天中不同时间段之间的iG水平没有统计学差异（表3）。然而，首发球员在比赛期间的iG水平高于夜间（+26.5 mg/dL，p = 0.001，d = 2.1 [1.04; 3.08]）、赛前（+22.2 mg/dL，p = 0.002，d = 2.0 [0.97; 3.0]）和赛后（+25.9 mg/dL，p = 0.004，d = 1.41 [0.48; 2.32]）。首发球员在夜间、赛前和赛后的iG水平保持稳定，这些时间段之间没有统计学差异。当比较同一天中不同时间段的首发球员和替补球员的iG水平时，仅在比赛期间发现显著差异（首发球员的iG水平更高，+14.1 mg/dL，p = 0.0005，d = 0.52 [0.31; 0.76]）。表3显示了按出场状态分组的所有球员在一天中四个时间段的iG水平。在比赛期间，出场状态对iG水平有显著的主效应（F = 18.59，p < 0.0001，ηp2 = 0.10），出场状态与比赛时间段之间也存在显著的交互作用（F = 18.84，p < 0.0001，ηp2 = 0.22）。然而，仅比赛时间段本身没有达到统计学显著性（F = 2.24，p = 0.14，ηp2 = 0.39）。替补球员在不同比赛时间段之间的iG水平没有显著差异。然而，首发球员在比赛期间的iG水平显著高于赛后（+48.1 mg/dL，p = 0.01，d = 2.73 [1.11; 4.29]）。此外，在比赛期间，首发球员的iG水平显著高于替补球员，尤其是在上半场（+47.6 mg/dL，p > 0.0001，d = 0.95 [0.65; 1.24]）。在比赛的后半段，这种差异趋于减小（图2）。描述了比较一天中不同时间段和球员状态之间iG水平的线性混合模型输出的补充材料（表S1）以及比赛不同时间段和球员状态之间iG水平的补充材料（表S2）可供参考。图2显示了比赛期间首发球员（橙色方块）和替补球员（黑色圆圈）的iG水平。

**4. 讨论**
本研究旨在评估精英女子足球运动员（意甲联赛）在两场正式比赛中的iG水平变化，将首发球员与作为对照组的替补球员进行比较。这些发现从生态学角度提供了关于女子足球运动员日常葡萄糖反应的新见解。主要结果表明，首发球员在比赛期间的iG水平增加更为明显。然而，整个一天以及特别是在比赛期间，个体之间和个体内部的iG水平变异系数（CV）都较高。这种变异性表明，即使在看似相似的条件下，运动员也会面临不同的生理刺激，这突显了制定个性化策略的必要性。先前使用连续葡萄糖监测（CGM）的研究主要在个别运动项目中显示，运动员表现出高度个体化的iG特征，并存在显著的个体内和个体间差异[26,27,28]。因此，本研究中的CV值与现有文献一致，强调了为每位运动员提供个性化建议以维持最佳iG水平的重要性。尽管比赛中的外部负荷与文献中报告的值一致[5,6,7,8,10]，但运动员的iG水平仍保持在正常范围内（赛前和赛后分别为86.1–112.5 mg/dL），因此不能认为这对运动员的表现有临床意义或影响。虽然体育锻炼通常与改善葡萄糖调节有关，但剧烈运动可能会暂时损害葡萄糖耐受性，即使是在健康个体中[29]。此外，对自由生活条件下的耐力运动员的研究报告称，与非运动员群体相比，他们经常出现低血糖和高血糖的情况[4,30]，这表明长期训练会导致代谢适应。在本研究中，比赛期间首发球员的iG水平较高（约112 mg/dL），且球员间的变异性较低。在精英男子足球研究中，Skroce等人[19]报告的活性球员（159.1 ± 23.2 mg/dL）和替补球员（133.4 ± 25.1 mg/dL）的浓度也高于本研究的结果，尽管使用了相同的设备。这种差异可能不仅归因于样本之间的性别差异，还可能与比赛强度的不同有关。相反，Yoshitake等人[31]在十项全能运动员中发现了类似的结果，他们发现了高血糖（>112 mg/dL）和低血糖（<80 mg/dL）的情况。

维持葡萄糖稳态对于比赛期间大脑和中枢神经系统的最佳功能至关重要。运动开始时或半场休息后的低血糖水平可能会对身体和认知表现产生负面影响[32]。如果iG水平降得太低，骨骼肌的神经驱动可能会受损，尽管摄入碳水化合物可以帮助恢复[33]。在大多数团队运动中，即使是在额外时间（足球为120分钟），血糖水平通常在整个比赛期间（90分钟）都能得到良好维持[34]。然而，尽管低血糖常与疲劳相关，但一些研究得出了相反的结果，表明疲劳和血糖浓度并不总是直接相关[35,36]。需要注意的是，CGM在追踪间歇性运动中的iG水平时可能存在局限性[3]。然而，其在马拉松、自行车和铁人三项等耐力活动中的应用前景广阔，并且最近的研究也表明其在足球中的应用也具有潜力[19]。在比赛期间，首发球员的组间CV值低于替补球员（6% vs 9%），组内CV值也比全天平均水平低（18% vs 20%）。这两个因素的结合表明所评估参数的可靠性较高。然而，本研究结果的CV可能受到以下因素的影响：1. 强度变化、心理压力、水分补充和燃料策略。在足球比赛中，即使在同一场比赛中，不同位置的球员也可能根据战术角色、比赛中的事件和决策而面临不同的工作负荷或运动强度。尽管GPS数据显示两次观察到的比赛中的平均外部负荷没有差异，但同一球员在每场比赛的独特环境和情境要求下可能会遇到不同的内部需求，这可能有助于解释比赛期间个体内的较大波动；2. CGM可以捕捉到每分钟间的葡萄糖波动，这些波动可能略滞后于血糖水平，并对突然的生理变化（例如进球后的肾上腺素激增、高强度冲刺）敏感。这些急性变化可能会不成比例地增加个体内的变异性，尤其是在活跃（首发）球员中[37]。需要进一步的研究，因为CGM在体育中的应用仍然相对较新，其实际应用尚未得到充分探索。CGM技术可以评估日常生活中的葡萄糖变化，并量化高血糖和低血糖的时间[38]。然而，其在运动员中的解释尚未完全确立。虽然CGM可能有助于从业者确定急性碳水化合物摄入策略，但仍存在一些局限性[39]。尽管CGM设备与金标准（静脉血糖）在健康个体和糖尿病患者中具有较高的一致性[13]，但仍可能出现差异[40]。此外，间隙葡萄糖的变化可能滞后于血糖波动[41]，并且在运动期间CGM的准确性可能会下降，即使血糖调节正常[3]。在本研究中，首发球员的组内CV值最高（全天：20%；比赛期间：18%）。

葡萄糖监测也可以作为评估恢复情况的宝贵工具，特别是在夜间。在本研究中，夜间iG水平保持稳定且处于正常范围内，尽管比赛后午夜之后没有收集数据。夜间低血糖可能会干扰睡眠并影响恢复[39]。此外，较低的空腹iG水平被认为可能是运动员过度训练的潜在标志[42]。未来的研究应探索结合CGM和睡眠监测来更好地理解葡萄糖调节在恢复中的作用。鉴于Clavel等人的[3]发现，可以使用CGM可靠地评估休息时的葡萄糖动态，这有助于从业者制定个性化的营养策略。葡萄糖调节是一个复杂的过程，受多种因素影响，包括碳水化合物摄入、运动和训练状态[43]。营养在足球表现中起着关键作用，影响能量供应、恢复和整体健康[12]。尽管数据有限，无法为女子足球运动员制定普遍的能量摄入指南，但确保充足的能量供应至关重要。碳水化合物摄入应根据预期的训练时间和强度进行分阶段调整[12]。目前的建议是，对于短时间（<1小时）的技能型训练，每天摄入3–5克/千克体重足够；而对于长时间、高强度的活动（如比赛），则需要每天摄入6–10克/千克体重[44]。遵循营养指南同时考虑个体对运动特定需求的葡萄糖反应，可以制定出优化能量平衡和表现的个性化补充策略。

**4.1. 实际应用和未来方向**
当前的研究结果突显了CGM作为实用工具的潜力，可用于为精英女子足球运动员提供个性化的营养和恢复策略。鉴于即使在相似的比赛条件下，个体间和个体内的iG水平也存在显著差异，从业者应考虑将CGM纳入运动员监测常规中，以评估个体对比赛需求的血糖反应。监测比赛前一天、比赛期间以及可能比赛后一天内的葡萄糖模式，可以提供关于碳水化合物供应和代谢准备情况的见解，从而支持个性化的燃料补充方案。此外，检测到非最佳水平的iG，特别是在比赛期间或之后，可以帮助识别恢复受阻的运动员。在这种情况下，CGM与其他监测工具（如睡眠追踪和负荷指标）结合使用，可以更全面地评估运动员的准备情况和恢复情况。虽然CGM在体育中的应用仍在发展中，但这些发现支持了其在间歇性、高强度团队运动中的可行性和相关性。未来的研究应扩大样本范围，涵盖更多球队、不同比赛水平和场景。整合关于饮食摄入数据、激素谱型和心理生理标志的详细信息，有助于阐明女性运动员血糖变异的潜在驱动因素。此外，将CGM数据收集扩展到比赛后的夜晚和随后的恢复期，可以提供关于夜间葡萄糖动态及其与恢复和睡眠关系的宝贵见解。

**4.2. 局限性**
尽管本研究有几个优点，例如是首次在精英女子足球运动员的正式比赛中使用连续葡萄糖监测，并且样本来自同一俱乐部，确保了训练计划、工作负荷和频率的一致性，但仍需承认一些局限性。首先，样本量较小可能会限制研究结果的统计稳健性，因为参与者是根据可用性选择的。然而，样本量与最近具有类似生态学视角的研究一致[17]，并提供了来自初步研究的宝贵数据。其次，比赛后午夜之后没有收集CGM数据，可能会错过关于赛后恢复的重要信息。未来的研究应扩展葡萄糖监测的时间范围，以评估长期恢复模式。第三，CGM的数据收集存在延迟，这可能会影响对运动期间葡萄糖反应的解释，特别是在高强度比赛中。第四，作为一项观察性研究，没有收集关于个体营养策略的详细信息。尽管所有球员在比赛前后都遵循了标准化的营养计划，但未来的研究应该结合饮食评估，以更全面地探讨营养对血糖动态的影响。此外，本研究并未探讨外部负荷变量与同时发生的血糖反应之间的关系。更大的样本量将有助于进行此类分析，从而提高将连续血糖监测（CGM）与足球比赛负荷监测相结合的实际应用价值。最后，月经周期阶段、水分状态和饮食变化等因素可能成为潜在的混杂因素。在超出本研究探索范围的大规模研究中，应系统地考虑这些变量。

**结论**
连续血糖监测（CGM）在体育领域是一个新兴的技术，正逐渐从受控的实验室环境向实际应用过渡。然而，现有的数据仍然有限。这项初步研究通过调查精英女性足球运动员在正式比赛中的CGM使用情况，为相关证据库做出了贡献，并报告了初步的研究结果。结果表明，比赛需求可能导致组织间胰岛素水平（iG）升高，但仍在正常范围内。这些发现表明，CGM可以成为制定数据驱动的营养策略的宝贵工具。尽管如此，观察到的个体间差异凸显了个性化方法在优化运动表现方面的必要性。未来的研究应通过纳入饮食摄入评估、激素分析以及更大的样本量来进一步扩展这些发现，从而更好地定制CGM的应用，并根据血糖反应制定个性化的营养策略。

**补充材料**
以下支持信息可下载：
https://www.mdpi.com/article/10.3390/app16094458/s1
- 表S1：不同时间段和球员状态之间血糖水平的线性混合模型输出；
- 表S2：比赛期间不同阶段和球员状态之间血糖水平的线性混合模型输出。