编辑推荐：
移动健康（mHealth）应用程序越来越多地捕获运动训练中涉及的生理、生物力学和心理变量，但相关证据仍然分散在单一领域的综述中，使从业人员缺乏一个整合的基础来选择和部署这些工具贯穿训练过程。本范围综述旨在识别和描述运动训练中mHealth应用程序的研究，重点关
移动健康（mHealth）应用程序越来越多地捕获运动训练中涉及的生理、生物力学和心理变量，但相关证据仍然分散在单一领域的综述中，使从业人员缺乏一个整合的基础来选择和部署这些工具贯穿训练过程。本范围综述旨在识别和描述运动训练中mHealth应用程序的研究，重点关注其性能测试、训练负荷与恢复监测、技术与技能发展、损伤筛查与预防以及运动员自我管理。它还综合了关于其应用、预期目的、技术特性以及支持其有效性的证据。研究人员检索了五个数据库（PubMed, Scopus, Web of Science, SPORTDiscus, Embase），从建库至2026年7月，查找报告了运动员运动训练过程应用程序研究原始实证数据的期刊文章。纳入仅涉及促进体力活动或缺乏人体测试的研究，包括缺乏有效性支持研究的商业可用应用程序。研究人员对结果进行叙述性综合，并使用混合方法评估工具（Mixed Methods Appraisal Tool, MMAT）评估方法学质量。在识别的9476条记录中，111项研究符合纳入标准，并被归纳分类为十个应用类别：运动技能训练（n=26）、性能测量（n=20）、垂直跳测量（n=18）、自我报告监测（n=12）、生理测量（n=12）、肌肉骨骼筛查（n=10）、心理干预（n=5）、营养（n=3）、人体测量与成熟度筛查（n=3）以及战术与比赛分析（n=2）。大多数应用程序依赖内置智能手机传感器或无需传感，并使用手动或确定性计算；74.8%的研究未报告处理位置，这反映了报告缺口而非该领域的架构概况，并且报告称人工智能或机器学习标签与实际方法披露不匹配。验证和可靠性设计主导了证据基础（52%），而随机或对照有效性试验罕见（10%）。应用程序通常显示出良好的相对效度，但相对于标准仪器的绝对准确性有限，并且当应用程序被纵向部署时，依从性而非准确性决定了其实际价值。mHealth应用程序现在支持运动训练的几乎每个阶段，并可在选定的经验证用例中替代实验室仪器，包括基于视频的冲刺和跳高计时以及胸带配对的心率变异性监测。然而，该领域仍然围绕展示测量准确性而非证明应用引导的决策改善运动员结果来组织。mHealth应用程序开发的成功路径应从技术效度开始，经过测量可靠性和反应性，再到决策规则，然后由教练和运动员采用，最终产生更好的运动员结果。
1. 引言
移动健康（mHealth）应用程序是基于智能手机或平板电脑等移动平台运行的软件，已广泛用于健康与体力活动监测。智能手机普及率迅速增长，至2026年初全球约70%人口拥有设备。健康与健身领域增长尤其显著，至2024年主要应用商店中已有超过20万个健康与健身应用程序。在运动训练中，mHealth应用程序可捕获传统上仅在实验室或临床环境中监测的生理与生物力学变量。系统监测训练负荷（外部负荷与内部负荷）及恢复状态是运动科学的核心，而mHealth应用程序提供了便携、低成本的替代方案。现有研究已证明mHealth应用程序在量化垂直跳高度、冲刺分段时间、杠铃运动速度等指标上的效度，并涵盖生理负荷（如心率变异性）、主观自我报告、技能发展、损伤筛查、营养及心理支持等领域。然而，先前综述通常局限于单一测量领域或技术模态，缺乏对运动训练过程中mHealth应用程序的全面整合。本范围综述旨在全面识别和描述运动训练中的mHealth应用程序研究，并综合其应用、目的及支持证据，具体目标包括：识别并分类应用程序、描述运动背景、描述研究设计、综合效度与有效性证据、识别知识差距。
2. 方法
2.1 研究设计
本研究采用范围综述方法，适合描绘新兴领域证据的范围和性质。报告遵循PRISMA范围综述扩展（PRISMA-ScR），并使用混合方法评估工具（MMAT）进行方法学质量评价。研究在开放科学框架（OSF）注册。
2.2 检索策略
在五个电子数据库（PubMed, Scopus, Web of Science核心合集, SPORTDiscus, Embase）进行文献检索，检索时间从建库至2026年7月。检索策略结合三个概念块：运动或运动员群体、移动技术、功能或目的。检索限于英文文献，并手动筛查纳入文章的参考文献列表。
2.3 纳入标准
纳入标准包括：研究智能手机、平板电脑或可穿戴配对移动设备上的软件应用程序；评估用于运动训练过程中性能测试、负荷监测、技能发展、损伤筛查或自我管理的应用程序；涉及运动员或运动训练人群；报告原始实证数据（如效度、可靠性、有效性、可行性、可用性）。排除标准包括：非运动焦点、非应用程序技术、一般体力活动、综述、会议摘要、无实证评估的应用程序设计等。
2.4 研究选择
检索获得9476条记录，去重后筛选4895篇标题和摘要，341篇全文评估，最终纳入111项研究。选择过程使用PRISMA流程图表示。
2.5 数据提取
使用标准化数据提取表，提取六大领域信息：书目信息、应用程序特征、运动背景、研究设计与样本特征、结果与发现、主要应用类别。
2.6 应用程序分类
每个应用程序分配至一个主要应用类别，类别从数据中归纳得出，包括运动技能训练、性能测量、垂直跳测量、自我报告监测、生理测量、肌肉骨骼筛查、心理干预、营养、人体测量与成熟度筛查、战术与比赛分析。此外，记录预期操作者（运动员自操作、教练/从业者操作）和次要功能（测量、反馈、干预、决策支持）。
2.7 应用程序技术特征
每个研究在三个技术领域进行编码：传感需求（模态和传感器来源，如内置传感器、外部配对传感器等）、计算方法（手动数字化、确定性规则、计算机视觉、机器学习、未报告方法等）、处理位置（设备端、服务器、混合、未报告）。
2.8 数据综合
由于研究异质性，采用叙述性综合，而非元分析。按十个应用类别分组，定性总结效度、可靠性、有效性证据。使用MMAT评价方法学质量，并报告分类和评价的重复性（35项研究的双人编码，Cohen’s κ评估一致性）。
3. 结果
3.1 纳入研究概述
111项研究纳入十个应用类别：运动技能训练（n=26）、性能测量（n=20）、垂直跳测量（n=18）、自我报告监测（n=12）、生理测量（n=12）、肌肉骨骼筛查（n=10）、心理干预（n=5）、营养（n=3）、人体测量与成熟度筛查（n=3）、战术与比赛分析（n=2）。三个最大类别（运动技能训练、性能测量、垂直跳测量）占58%。验证和可靠性设计占52%，随机或对照试验仅占10%。纵向证据集中在生理测量和自我报告监测类别。出版输出自2023年以来快速增长，超过一半研究发表于2023年后。研究在地理上集中于西班牙和美国，运动类型以足球和跑步为主。
3.2 纳入应用程序的技术特征
传感需求主要依赖内置智能手机传感器（62.2%），或无需传感（18.0%）。摄像头是主要传感模态（44.1%）。计算方面，65.8%的应用程序使用手动数字化或确定性规则计算，仅11.7%披露了算法方法。处理位置在74.8%的研究中未报告。预期操作者变量：50%的研究评估运动员自操作应用程序，44%评估教练/从业者操作应用程序。
3.3 运动技能训练类别
包含26项研究，涉及16项运动，应用程序多为定制研究原型，采用基于摄像头的视频和姿态估计分析、惯性传感器运动分类或教练内容传递。验证研究显示良好至优秀的一致性，但有效性证据有限，仅有两个对照试验。
3.4 性能测量类别
包含20项研究，应用程序量化速度、杠铃速度、专项运动指标等。验证研究占多数，显示视频计时应用程序接近标准准确性，但杠铃速度应用程序存在系统偏差，且效度高度依赖具体版本。
3.5 垂直跳测量类别
包含18项研究，主要由My Jump家族主导。所有研究均为验证或可靠性设计，视频飞行时间测量（240帧/秒）接近标准准确性，但自动模式和非传统方法效度因版本而异。
3.6 自我报告监测类别
包含12项研究，应用程序捕获主观健康、训练负荷和健康状态。纵向证据表明，依从性而非准确性决定实际价值，且有效实施依赖于教练参与和利益相关者支持。
3.7 生理测量类别
包含12项研究，主要由心率变异性（HRV）监测应用程序主导。胸带配对应用程序与心电图（ECG）几乎完美一致，但摄像头式光电容积描记法精度较低。纵向研究显示HRV对训练负荷敏感，但存在个体差异和依从性挑战。
3.8 肌肉骨骼筛查类别
包含10项研究，包括动作捕捉、测角仪和预防计划应用程序。测量应用程序显示良好的相对效度但有限的绝对准确性，预防计划在随机对照试验中有效但大规模实施时依从性低。
3.9 心理干预类别
包含5项研究，针对焦虑和信念的应用程序显示早期希望，但间接或重用途干预未显示益处，且依从性低是常见限制。
3.10 营养类别
包含3项研究，所有研究均为有效性设计，报告了营养知识或行为的改善，但证据基础小，持续时间短，依赖自我报告结果。
3.11 人体测量与成熟度筛查类别
包含3项研究，成熟度应用程序显示大多数指标的良好效度，但峰值身高速度年龄（PHV age）一致性中等；身体成分应用程序与双能X射线吸收测定法（DXA）未达到等价。
3.12 战术与比赛分析类别
包含2项研究，均为可行性研究，无标准比较，显示实时反馈和自动比赛统计的可行性，但缺乏对战术表现的影响评估。
3.13 跨领域发现
四个模式贯穿所有类别：研究设计以验证和可靠性为主（52%），有效性试验少（10%）；良好相对效度但有限绝对准确性；在纵向部署中，依从性决定实际价值；领域成熟度低，表现为小样本、自定义原型、版本依赖效度、开发者引导证据。
4. 讨论
4.1 主要发现总结
这是首次全面映射运动训练中mHealth应用程序的研究，识别出111项研究，涵盖十个类别。领域快速增长，但模式一致：测量而非结果导向；相对效度与绝对准确性共存；依从性为限速步骤；新兴领域特征（小样本、开发者证据）。
4.2 以测量而非结果为导向的领域
52%的研究为验证或可靠性设计，仅10%为随机或对照有效性试验。测量导向类别几乎全是验证工作，而行为改变导向类别则相反。这种不平衡导致从测量到实践的管道断裂：有效测量是必要条件，但未测试是否改善运动员结果。
4.3 相对效度而无绝对准确性
在所有类别中，应用程序显示良好相对效度（高相关性），但存在系统偏差，限制了互换使用。例如，姿态估计低估矢状面膝关节角度，My Jump Lab腘绳肌扭矩系统高估。相对效度足以排序运动员，但不足于个体临床决策。
4.4 依从性作为限速步骤
在纵向部署中，依从性决定价值而非准确性。例如，HRV监测依从性低于45%，踝关节扭伤预防应用程序仅达到2.6%目标人群。依从性维持依赖于教练和沟通结构，而非应用程序本身。
4.5 证据基础不成熟的指标
小样本（36项研究≤15名参与者），许多自定义原型，应用程序可用性未报告，报告不完整，复制缺乏，开发者证据集中在最新领域。方法学质量方面，样本代表性是最常未满足的标准（79%评为“否”）。
4.6 算法透明度与可重复性
大多数研究未披露分析方法，计算类别中66%为手动或确定性计算，11.7%披露算法，22.5%执行未描述的计算。报告术语与披露方法无关，导致版本依赖效度无法独立验证。建议报告应用程序名称、版本、操作系统、分析方法和处理位置，并鼓励独立复制。
4.7 实施与治理考虑
没有研究报告数据保护或同意框架，也未讨论数据访问、运动员自主权、互操作性或责任问题。大多数应用程序可能免于医疗器械监管，且未报告按肤色、性别、年龄等分层的效度，存在公平性担忧。
4.8 实践意义
三个层级指导：经验证的高帧率视频计时和胸带配对HRV应用程序可替代实验室仪器；存在系统偏差的应用程序仅适用于相对或群体级使用；战术分析、智能手表和低帧率自动模式尚不支持实践。实践者应确认效度对应于具体版本和配置，并准备投入教练结构以维持依从性。
4.9 研究意义
优先进行对照试验，将应用程序引导的决策与运动员结果关联，并将依从性、覆盖率和退出率作为主要终点。加强验证研究，报告系统偏差和一致性界限，独立复制，扩展研究人群至不同运动、性别、年龄和资源背景。
4.10 本综述的优势与局限性
优势：范围广，检索五个数据库至2026年7月，筛选9476条记录，归纳十个类别，使用MMAT评价，注册OSF。局限性：筛选和提取主要由第一作者进行，虽经双人编码验证（主要类别κ=0.94），但某些分类（如计算类别κ=0.56）一致性中等；检索限于英文文献和五个数据库，可能遗漏非英语研究和灰色文献；未包括会议论文，可能忽略工程文献；范围综述不进行元分析，结论描述证据形状而非量化效果；应用程序更新快，特定工具将过时。
5. 结论
本范围综述识别了111项研究，涵盖十个应用类别，从性能测量到心理与营养支持。经验证的应用程序可在特定种群、版本和配置中接近实验室仪器的准确性。然而，领域仍以测量而非结果为导向，相对效度不保证绝对准确性，纵向部署中依从性决定价值。经验证的应用程序可用于现场，但需在验证条件下使用，并避免用于诊断、损伤预测或运动员选拔。未来研究应优先进行对照试验、算法透明报告和实施科学。
