摘要研究目的:<br> 探究肥胖胰岛素抵抗(IR)与非胰岛素抵抗(NIR)青少年身体活动能耗特征,分别构建身体活动评估模型,为肥胖 IR 与 NIR 青少年身体活动精准评估提供依据;应用所构建的身体活动评估模型评估肥胖 IR 与 NIR 青少年身体活动水平,探究身体活动防控肥胖青少年 IR的量效关系,发挥身体活动在预防和改善肥胖青少年IR时的最大健康效应。<br> 研究方法:<br> 招募 249名(IR:84名,NIR:165名)13-17岁肥胖青少年,通过气体代谢测试仪进行静息能耗测试;并随机选择 120名(IR:60名,NIR:60名)肥胖青少年完成 3-7km/h 走、跑运动能耗测试,同时佩戴 ActiGraph GT3X+三轴运动加速度计和Polar心率带采集加速度计计数(VM3)和心率等数据。分别构建肥胖IR与NIR青少年代谢当量(METs)和身体活动能耗(PAEE)的一般线性模型( GLM )、线性混合模型( LMM )以及反向传播人工神经网络( BP-ANNs)模型。建模前,为避免指标间的强共线性,通过套索(LASSO)回归对变量进行初筛。采用均方根误差(RMSE)、误差均值(Bias)、平均绝对百分误差(MAPE)、组内相关系数(ICC)对模型预测效能进行比较评价,筛选出最优身体活动评估模型。<br> 另招募 589 名肥胖青少年,基于常规身体形态、身体成分、血脂等指标构建肥胖青少年 IR 发生风险预测模型,评估肥胖青少年 IR 发生风险( IR-risk);基于所构建的身体活动评估模型分别对90名肥胖IR及NIR青少年的全天身体活动水平进行评估;通过等时替换模型(ISM)探究改善肥胖青少年 IR及 IR-risk的有效身体活动强度,并进一步基于限制性立方样条探究身体活动与肥胖青少年IR及IR-risk改善的剂量效应关系。<br> 研究结果:<br> (1)肥胖IR青少年REE(1.73±0.33 kcal/min vs 1.50±0.27 kcal/min,P<0.001)与 1MET(4.28mL/kg/min vs 3.93mL/kg/min,P<0.001)均显著性高于肥胖 NIR 青少年;运动测试过程中,中低身体活动强度下的肥胖 IR 青少年的PAEE显著性高于肥胖 NIR青少年(P<0.05),而脂肪供能比例显著性更低(P<0.05);不同性别肥胖 IR 与 NIR 青少年在校正体重后,PAEE 未见统计学差异。<br> (2)通过 LASSO 回归筛选出年龄、身高、腰围( WC )、体脂肪(BF)、体重(BW)、VM3构建肥胖IR青少年METs的GLM、LMM和BP-ANNs预测模型。最终,所构建的 GLM为:METs=(6.23E-4)×VM3(counts/min)-0.031×BW(kg)+0.023×身 高 (cm)-0.225 ; LMM 为 : METs=1.710-(1.28E-4)×BW(kg)2+(1.456E-5)×VM3(counts/min);而 BP-ANNs模型共经过 7875次迭代建模,完成建模。BP-ANNs 的 Bias、RMSE、MAPE、ICC 分别为 0、0.49、8.71%、0.97,均优于 GLM 与 LMM;筛选出年龄、身高、WC、BW、VM3完成肥胖 NIR青少年 METs的 GLM、LMM和 BP-ANNs模型构建;最终,所构建的GLM为:METs=(6.39E-4)×VM3 (counts/min)-0.023×BW(kg) +3.207;LMM为:METs=(-6.864E-6)×BW (kg)×VM3 (counts/min)+0.00124 × VM3(counts/min)+ 0.0382×身高(cm)-4.896;而 BP-ANNs 模型共经过 4794 次迭代建模,完成建模。BP-ANNs的Bias、RMSE、MAPE、ICC分别为0、0.66、9.77%、0.97,均优于GLM与LMM。<br> (3)通过 LASSO 回归筛选出年龄、身高、WC、去脂体重( FFM )、BW、VM3构建肥胖 IR青少年 PAEE的 GLM、LMM和 BP-ANNs预测模型。最终,所构建的 GLM 为:PAEE=0.001×VM3 (counts/min) +0.037×BW(kg)-3.011;LMM 为:PAEE=2.247-0.035×BW(kg)+(1.456E-5)×VM3 (counts/min)× BW(kg);而 BP-ANNs 模型共经过 9043 次迭代建模,完成建模。BP-ANNs 的Bias、RMSE、MAPE、ICC 分别为 0、0.60、13.35%、0.97,均优于 GLM 与LMM。筛选出年龄、身高、HC、BF、BW、VM3完成肥胖 NIR 青少年 PAEE的 GLM、LMM 和 BP-ANNs 模型构建。最终,所构建的 GLM 为:PAEE=(1.028E-3)×VM3 (counts/min)+0.0305 × BW(kg)+0.0358×身高(cm)-8.113;LMM 为:PAEE=-3.2245+(1.078E-3) × VM3(counts/min)+(2.39E-4)×身高(cm)× BW (kg);而 BP-ANNs模型共经过 5251次迭代建模,完成建模。BP-ANNs的Bias、RMSE、MAPE、ICC分别为 0.02、0.94、9.41%、0.97,均优于 GLM 与LMM。<br> (4)通过单因素与多因素 Logistic 回归分析,筛选出 IR 关键预警因子分别为身体质量指数(BMI)、WC、体脂百分比(BFP)、总胆固醇(TC)、甘油三酯(TG)、低密度脂蛋白胆固醇(LDL-c),并联合构建肥胖青少年IR风险预测模型。风险预测模型的区分度为 0.828 ( 95%CI:0.784-0.872 , P<0.001);内部验证结果显示模型一致性统计量(C-Index)为 0.810、绝对误差为 0.021、Brier 为 0.146;临床决策曲线分析结果表明,当阈值概率大于 0.1时,预测模型具有临床净收益。<br> (5)以 10min 的中等强度身体活动(MPA)替换静坐行为(SB)(β = -0.035, P=0.032)或低强度身体活动(LPA)(β = -0.039, P = 0.025);10min大强度身体活动(VPA)替换SB(β=-0.036, P=0.025)或LPA(β=-0.040, P=0.033)后均能有效降低肥胖NIR青少年IR-risk。<br> (6)以10min的MPA替换SB(β=-0.456, P=0.012)或LPA(β=-0.444, P = 0.018);10min VPA分别替换 SB(β = -0.560, P = 0.005)或 LPA(β = -0.548, P=0.005)后均能有效改善肥胖IR青少年HOMA-IR。<br> (7)降低肥胖NIR青少年IR-risk的最佳MVPA为53.0min/天,当MVPA≤ 53.0min/天时,每增加1min MVPA/天,IR-risk改善效果提高0.012(95%CI:0.004, 0.020);最佳身体活动量为16.6MET-h/天,当身体活动量 ≤16.6MET-h/天时,每增加 1MET-h/天,IR-risk 改善效果提高 0.023(95%CI:0.007, 0.040);最佳 PAEE 为 1643.9kcal/天,当 PAEE ≤ 1643.9kcal/天时,每多消耗 100kcal/天,IR-risk改善效果提高0.020(95%CI:0.008, 0.040)。<br> (8)改善肥胖 IR 青少年 HOMA-IR 的最佳 MVPA 为 48.9min/天,当MVPA≤48.90min/天时,每增加1min MVPA/天,HOMA-IR改善效果提高0.044 (95%CI:0.004, 0.085);最佳身体活动量为 14.5MET-h/天,当身体活动量 ≤14.5 MET-h/天时,每增加 1MET-h/天, HOMA-IR 改善效果提高 0.220 (95%CI:0.081, 0.360)。<br> 研究结论:<br> (1)肥胖 IR与 NIR青少年的身体活动能耗具有显著性差异,并且在中低强度下的肥胖 IR 青少年身体活动能耗显著性高于肥胖 NIR 青少年,脂肪供能比例显著性更低;<br> (2)基于 BP-ANNs构建的肥胖 IR与 NIR青少年身体活动评估模型能有效提高身体活动评估模型预测精度,降低LMM与GLM预测误差;<br> (3) MPA和VPA是能有效降低肥胖青少年 IR发生风险及改善 IR的身体活动强度;<br> (4)身体活动量与肥胖 NIR青少年 IR发生风险改善之间存在剂量效应与阈值效应关系。降低肥胖NIR青少年IR-risk的最佳MVPA为53 min/天或最佳身体活动量为17 MET-h/天或最佳PAEE为1644 kcal/天。<br> (5)身体活动量与肥胖IR青少年IR改善之间存在剂量效应与阈值效应关系。改善肥胖 IR 青少年 IR 的最佳 MVPA 为 49 min/天或最佳身体活动量为15MET-h/天或最佳PAEE为1297 kcal/天。
更多相关知识
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文