检索历史 清除

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。