Predicting poor physical fitness among university students using five-year repeated campus surveillance data: development and temporal validation of a risk model

健身预报：为什么身体的“金发姑娘区”至关重要

想象一下你正在尝试预测天气。你不会只看一个小时的天空；你会检查温度、湿度、风速，以及这些因素在几天或几周内的变化。在健康科学领域，研究人员在研究“身体素质”时也会进行类似的操作。这不仅仅关乎你跑一英里有多快；它是你未来健康的强大“水晶球”，暗示着从心脏强度到情绪，甚至是你学业或工作表现的方方面面。

长期以来，科学家们一直痴迷于一个特定的数字：身体质量指数（BMI）。可以将 BMI 想象成一把简单的尺子，用来衡量你是体重过轻、正常、超重还是肥胖。旧有的观念非常直接：“体重过重对你的体能是不利的。”但生活很少是一条直线。有时，体重过轻也同样棘手。本文深入探讨了一份来自大学生的、长达五年的海量数据宝库，旨在观察我们是否可以建立一个更好的“天气预报”。研究人员并没有仅仅拍摄一张静态快照，而是通过观察同一群学生随时间的变化，将他们的记录视为一部连续的电影，而非一堆互不相关的照片。他们想知道：我们能否在测试发生之前，就预测出谁可能会在体能方面遇到困难？以及“理想”的体重究竟是一个狭窄的甜点区，还是危险正潜伏在天平的两端？

五年健身电影

这项研究就像是一个穿越时空的侦探故事，只不过侦探们不是在破获罪案，而是在解开学生体能的谜团。研究人员收集了来自中国一所大学的庞大数据集，涵盖了从 2020 年到 2024 年连续的五年时间。他们拥有超过 45,000 名独立学生的记录，总计超过 107,000 条测试结果。由于拥有匿名 ID，他们可以追踪同一名学生逐年变化的情况，观察随着年龄增长和身体变化，其体能是如何演变的。

目标是构建一个“风险模型”——一种数字化的水晶球。他们希望创造一个工具，能够在学生参加体能测试之前，通过查看其基本信息（如性别、年龄、年级和 BMI）来预测其是否会不及格。这里的“体能差”有着严格的定义：在国家学生体质健康标准中得分低于 6 0 分。

“金发姑娘”式的发现

当研究人员开始处理数据时，他们发现了一些引人入胜的现象，这挑战了传统的“只需减肥”的叙事。他们发现，BMI 与体能之间的关系并不是一条直线，而是呈“J”形曲线。

想象一个跷跷板，中间是最安全的位置。研究发现，BMI 在“正常”范围内（18.5 至 23.9 之间）的学生，体能不及格的风险最低。但转折在于：风险并不仅仅在沉重的一端上升。在过轻的一端，风险同样在上升。

• 体重过轻的学生面临的体能不佳风险是正常体重学生的 1.54 倍。
• 超重学生面临问题的风险是 2.68 倍。
• 肥胖学生面临巨大的风险，其体能不佳的可能性是正常水平的 7.58 倍。

研究人员使用了一种称为“限制性立方样条函数”的特殊数学工具来绘制这一曲线。结果显示，这组学生绝对最低风险出现在 BMI 约为 20 kg/m² 时，其“安全区”大约在 19 到 21 kg/m² 之间。需要注意的是，作者在这里非常谨慎：这是一个人群层面的参考，就像展示平均地形的地图。它不是针对任何单个学生的个人指令，要求其目标必须精准为 20 kg/m²。它仅仅表明，平均而言，这组学生的体能“金发姑娘区”就在这个中间范围内，而麻烦则等待在过轻和过重的两个极端。

水晶球：预测效果如何？

团队构建了两个不同的模型来预测谁会不及格。

模型 A：赛前扫描仪
该模型仅使用学生踏上跑道之前可获得的信息：性别、年龄、就读年级、测试年份以及 BMI。

• 结果： 在用于构建模型的年份（2020–2023 年），它的表现尚可，能以约 75.5% 的准确率（AUC 为 0.755）区分出体能达标与不达标的学生。
• 现实检验： 当他们将该模型应用于 2024 年的数据（一个它未曾见过的未来年份）时，其准确率下降到了 67.5%。原因何在？因为“天气”变了。在 2024 年，实际不及格的学生较少（仅占 5.1%，而往年的比例较高）。由于该模型是在不及格率较高的年份训练的，它开始“虚报警报”，预测不及格的人数多于实际情况。作者称之为“过度预测”。这提醒我们，即使是优秀的模型，在世界发生变化时也需要重新校准。然而，该模型在识别谁不会不及格方面表现依然出色（具有很高的“阴性预测值”），这对于筛选学生非常有用。

模型 B：作弊的水晶球
研究人员还尝试了第二个模型，该模型将体能测试的实际结果（如跑步速度或跳远距离）作为预测因子。

• 结果： 这个模型的准确率几乎达到了完美，为 94.5%。
• 陷阱： 作者明确警告说这是“循环论证”。这就像是在比赛开始前，通过查看终点线成绩来预测比赛的赢家。由于这些体能组成部分本身就是最终得分的一部分，该模型只是在重复它本应寻找的答案。他们报告此数据仅作为“上限参考”，用以展示理论上的可能性，而非作为现实世界的工具。

这对现实世界意味着什么

研究结论指出，虽然我们可以构建一个识别风险学生的工具，但它并非万能灵药。最诚实的启示是：体重过轻和肥胖都与较差的身体素质相关，且风险曲线呈 J 形。

作者建议，大学不应仅仅关注肥胖问题。他们也需要关注体重过轻的学生，因为这类学生面临着双重风险。“赛前模型”（模型 A）可以作为一个有用的工具，帮助学校在学生踏上赛场之前，识别出那些可能需要额外支持或评估的学生。然而，该模型并不完美；它需要每年进行微调（重新校准），以匹配当前学生群体的体能水平。

简而言之，这篇论文利用五年的数据表明，体能是一个复杂的故事，天平的两端都需要关注。它证明了通过观察学生随时间的变化可以获得更清晰的图景，但也警告我们，预测的准确性取决于构建它们的数据，并且需要不断更新才能保持精准。