个性化运动推荐改善中轴型脊柱关节炎患者睡眠：基于可穿戴设备的探索性研究

为探究轴性脊柱关节炎（axSpA）患者体育活动（PA）与睡眠关系，研究发现个体层面二者有关联，为治疗提供方向。

　　# 个性化运动推荐改善中轴型脊柱关节炎患者睡眠：基于可穿戴设备的探索性研究
在日常生活中，睡眠对人们的健康至关重要，而对于患有轴性脊柱关节炎（Axial SpondyloArthritis，axSpA）的患者来说，睡眠问题却成了他们生活中的一大困扰。axSpA 是一种慢性风湿性疾病，会导致脊柱和骶髂关节发炎，患者常被关节疼痛、僵硬和疲劳所折磨。更糟糕的是，许多患者反映，除了这些症状，睡眠不足和睡眠质量差严重影响了他们的生活质量。然而，一直以来，体育活动（Physical Activity，PA）对 axSpA 患者睡眠的影响并不明确，此前的研究大多使用自我报告的方式来测量 PA 和睡眠，存在一定的局限性。为了填补这一知识空白，来自荷兰莱顿大学医学中心等机构的研究人员开展了一项极具意义的探索性研究，相关成果发表在《Rheumatology International》杂志上。

这项研究旨在利用可穿戴活动追踪器（Wearable Activity Trackers，WATs）和机器学习技术，从群体和个体层面探索 axSpA 患者 PA 与睡眠之间的关系。研究人员从一项全国性随机临床试验（RCT）——L - EXSPA 研究（Longterm EXercise therapy in axial SPondyloArthritis）中获取数据进行二次分析。该研究的参与者为 18 岁及以上、经风湿病学家确诊为 axSpA（包括放射学和非放射学）的成年人，且他们在基本日常活动中存在与 axSpA 相关的严重功能限制。

在研究过程中，研究人员为符合条件的参与者提供了 Withings PULSE HR? 手表，用于记录他们的日常 PA、睡眠情况，并辅助指导他们增加 PA 水平。研究采用了多种统计分析方法，包括 Spearman 相关性分析和机器学习技术中的子组发现（Subgroup Discovery）分析，分别在群体和个体层面探究 PA 与睡眠的关系。

研究结果显示，在群体层面，综合 18 名参与者的数据进行分析后发现，PA 相关的自变量（如步数、低中高强度活动时长）与浅睡和深睡时长之间的 Spearman 相关性都很小，且无统计学意义。例如，前一天轻度活动时长与浅睡时长的相关性系数仅为∣r∣=0.07 。子组发现分析中，虽然发现前两天 PA 受限与不同的浅睡时长相关，但 P 值为 0.13，结果并不显著。

然而，在个体层面却有了重要发现。在 18 名参与者中，有 8 名参与者的前三天 PA 与每日睡眠时长之间存在显著关系。具体来看，在 Spearman 相关性分析中，5 名（28%）参与者的 PA 与睡眠时长存在显著关联。其中 4 名参与者前几天的 PA 与每日浅睡时长呈负相关，意味着更多的 PA 与更短的浅睡时长有关，如前两天轻度活动的最短时长、前一天轻度活动时长、前三天剧烈活动的最长时长或前三天最少步数等变量与浅睡时长都存在显著负相关。对于深睡时长，两名参与者的结果则有所不同，一名参与者前一天中等强度活动时长与深睡时长呈正相关（r=0.41 ），另一名参与者前三天最少步数与深睡时长呈负相关（r=?0.62 ）。在子组发现分析中，10 名（56%）参与者未检测到浅睡和深睡时长的显著子组，但分别有 5 名和 4 名参与者有浅睡和深睡时长的显著子组，且一名参与者同时有浅睡和深睡时长的显著子组。不同参与者的子组特征差异较大，如对于某些参与者，前几天 PA 上限较低时浅睡时长较长；对于深睡时长，有的参与者前几天 PA 下限较低时深睡较长，而有的则是 PA 上限较低时深睡较长。

这项研究意义重大。它首次利用 WATs 收集的数据来分析 axSpA 患者 PA 与睡眠的关系，发现了在个体层面二者存在显著关系，而这些关系在群体层面分析时可能被忽略。这为未来的研究指明了方向，有助于医疗保健专业人员为患者提供更具个性化的建议，改善患者的 PA 和睡眠状况。不过，该研究也存在一些局限性，如研究结果仅适用于有严重功能限制的 axSpA 患者，样本量较小，WATs 数据的质量和佩戴时间的差异也可能影响结果。但总体而言，这项探索性研究为 axSpA 患者的治疗和管理提供了新的思路和方向，期待未来有更多更深入的研究来进一步明确 PA 与睡眠之间的关系，为患者带来更多的帮助。

关键技术方法

研究主要采用了以下关键技术方法：一是利用可穿戴设备 Withings PULSE HR? 手表收集 64 名 axSpA 患者的 PA 和睡眠数据，这些患者来自 L - EXSPA 研究。二是运用 Spearman 相关性分析，从群体和个体层面探究 PA 相关变量（步数、不同强度活动时长等）与睡眠时长的相关性，并通过 Holm - Bonferroni 方法评估结果的显著性。三是使用机器学习技术子组发现分析，在群体和个体层面寻找数据中的特定子组，通过比较子组与整体数据集中因变量（浅睡或深睡时长）的分布差异，确定显著子组，以挖掘 PA 与睡眠之间更细致的关系。