谁会称体重，他们能从中得到什么?英国智能体重秤用户与普通人群的回顾性比较

简介

自我监控体重的历史由来已久，其根源在于消费者对控制体重的需求，近几十年来，公众对不断上升的肥胖水平的担忧进一步加强了这种需求。1，2］．经常称体重与体重减轻有关。3.，4]而且有证据表明，称量频率越高，减肥效果越好，二者之间存在剂量-反应关系[5-7］．能够以数字方式捕捉体重并自动输入消费者健康记录的技术可以提高自我称重的利用率和效果[8，9］．这是一个例子互联医疗技术:应用科技协助个人及其医疗服务提供者监察及维持健康[10］．

来自互联卫生技术的数据有潜力应用于临床实践和研究;然而，使用它们至少有两个问题。第一个关切是，就个人而言，数据的准确性可能被认为不如保健专业人员记录的数据。一般来说，自测身高被高估，体重被低估[11-13];然而，这种程度是轻微的，使用自我报告身高和体重被认为是有效的[14-16］．回忆偏差也可能适用于历史权重测量。连接健康方法可以克服这一担忧，因为从称重设备到消费者健康记录的数据自动传输绕过了报告和召回偏差。第二个担忧适用于流行病学层面:在选择自我监测的个体中存在固有的选择偏差，因此很难得出全人群的结论。现有的文献关注的是那些自愿自测体重的参与者;因此，自重的有机摄取仍然相对未被探索。

本研究的目的是探讨利用当代自称重智能秤收集的数据进行流行病学研究的可能性。我们的第一个目标是将英国使用智能天平的人口与更广泛的人口进行比较，以了解选择偏差。我们的第二个目标是了解不同参与者对智能体重秤的使用情况如何变化，以及这种使用情况如何影响(或受)体重变化。

方法

数据

本研究使用了两个数据来源。第一个数据集是2011年英国健康调查(HSE)的数据，用于获得英格兰身高、体重和身体质量指数(BMI)分布的表示。HSE是在英国进行的一系列年度横断面调查。它于1991年首次试点，自1992年起全面运行。在脱下鞋子或笨重的衣服后，由护士用电子秤测量体重至最接近100克(如果参与者怀孕、脚不稳或被绑在椅子上，则不称重)。身高由护士用便携式身高测量仪测量，精确到毫米。先前的调查显示，平均70%的家庭同意接受采访，约90%的受访者可获得BMI(不同年份和地区略有差异)[17］．

第二个数据来源是英国Withings智能体重秤用户的随机样本，代表使用自称重的人群。一个用户被定义为获得Withings智能体重秤并创建了一个账户，将他们的测量数据存储在其中的人。磅秤由潜在用户从零售店或Withings网站自行购买。中描述了自称重和数据被存储的过程图1．从所有至少有一个自称重的用户中随机抽取样本;由于商业敏感性，无法使用English Withings Smart Scale用户的完整数据集;然而，随机样本足够大，可以在人口统计学特征和BMI方面提供合理的对比。Withings Smart Scale用户的随访时间定义为第一次和最后一次可用测量之间的时间间隔。

匿名的HSE可公开用于研究目的。Withings智能秤用户同意在设立用户帐户时，将其数据作为条款和条件的一部分用于研究目的(见[18])。

我们将先验分析限制在16岁或以上的人。BMI低于15和高于70被认为是错误的，并被删除。BMI被用作连续变量和使用世界卫生组织截点的分类变量[19］．

‎ 查看此图

统计方法

描述性统计采用标准方法。我们在2个数据集(HSE和Withings Smart Scale)之间进行了比较，并按性别对比较进行了分层。使用均值和标准差对先验预期不具有显著偏倚的连续变量(年龄、身高、体重和BMI)进行汇总，并使用t测试。使用中位数和四分位极差来总结预期偏斜的连续变量(人均测量值、随访天数和人均每月测量值)。分类变量由每组参与者的数量和比例进行总结，并使用Fisher精确检验进行比较。

我们使用线性回归比较了智能秤用户和HSE参与者的BMI, BMI作为响应，智能秤用户的指标作为主要兴趣的预测因子。

研究人员对Withings智能体重秤的数据进行了更详细的调查，以探索自我称重与BMI之间的关系。首先，使用线性回归研究随访期间BMI变化的决定因素。BMI变化(响应)计算为每个人的单一测量值，即第一次和最后一次BMI测量值之间的差值除以它们之间的时间(以月为单位)，负变化表示整体BMI下降。每个人至少需要2个测量值才能包含在这个模型中。感兴趣的主要预测因素是每月测量次数、总随访时间和初始体重。其次，使用多级Cox比例风险模型来评估称重事件发生的决定因素。这被视为一个反复发作的事件，脆弱的术语用来解释人与人之间的相关性。该模型感兴趣的主要协变量是先前读数的BMI和BMI最近变化的度量。在两项独立的分析中，以两种方式考虑最近BMI的变化。“当前”增量变化定义为以前称重与当前称重之间的BMI差值。 This may represent an individual’s perception of recent weight change when making the current weighing. The “previous” incremental change was defined as the difference in BMI between the 2 previous weighings. Therefore, this represents a BMI change that has already been observed before the current weighing. For both measures of change, we recorded whether this was a gain or loss and this was represented in 2 separate variables. For example, if BMI at weighingt减去BMIt - 1等于-0.3，这被记录为BMI损失0.3 (BMI增加的变量被设置为零)。我们还纳入了BMI是否增加或减少的指标变量。这为BMI变化建模提供了一定的灵活性:BMI变化为零时的不连续由指标变量表示，不同的斜率取决于BMI的增加或减少。对于这些模型，前两次BMI测量之间的时间间隔被排除，因为之前的变化变量不可用;所有其他时间间隔都包括在内。因此，每个人至少需要3个测量来构建这个模型。

对于前面所有的模型，身高，年龄和年龄的平方(年龄²)被列为混杂因素，因为已知它们都与BMI有关[1，20.］．为男性和女性分别拟合了不同的模型，因为先验地知道，不同性别的BMI应该有不同的解释[20.］．所有分析均使用Stata version 13软件进行。

结果

对于Withings Smart Scale数据，样本中有975个用户;HSE数据为7035人。中给出了数据排除流程图图2．

两个种群的基线特征在表1；这项研究使用了Withings智能体重秤数据中首次记录的每个人的身高和体重。Withings Smart Scale的数据包含了比HSE更多的男性和年轻人。对于Withings Smart Scale数据，男性中位数随访为377 (IQR 187-700)天，女性为351 (IQR 143-655)天，在整个随访期间，每位男性中位数体重为87 (IQR 30-188)次(中位数7.6,IQR 3.7-16.1 /月)，女性中位数体重为50 (IQR 15-123)次(中位数5.5,IQR 2.2-14.1 /月)。来自Withings Smart Scale数据的示例轨迹也在图3．

‎ 查看此图

给出了Withings智能体重秤用户状态对BMI的回归模型表2．在女性中，对潜在混杂因素进行校正后，Withings Smart Scale使用者的平均BMI为1.62 (95% CI 1.03-2.22)，低于一般人群(相同年龄和身高)(P<措施)。在使用Withings Smart Scale的男性中，情况则相反，他们的平均BMI为1.26 (95% CI 0.84-1.69)，高于一般人群(相同年龄和身高)(P<措施)。来自两个样本的结果也证实了矮个子男性和女性往往有较高的BMI(反映在身高的负系数中)表2)．BMI与年龄之间呈二次曲线关系，通常到60岁时BMI会上升，然后下降图4)．

‎ 查看此图

‎ 查看此图

然后，我们更详细地研究了Withings智能体重秤的数据，以了解与BMI相关的智能体重秤技术的使用情况如何随时间变化。首先，在BMI变化与测量强度的回归中，我们发现在整个期间测量频率越高，两名女性每月的体重减轻量越大(回归系数0.03,95% CI 0.02-0.05 kg/m)²每月测量一次，P(回归系数0.03,95% CI 0.01 ~ 0.05 kg/m)²每月测量一次，P<措施)。在此背景下，一名男性的中位随访时间为377天(12.4个月，从2000年到2000年)表1)将减少0.37公斤/米²在随访期间比每月少测量一次的男性更多;对于平均身高(175厘米)的男性来说，这相当于1.13公斤。同样，一名中位随访355天(11.7个月)的女性表1)将减少0.35公斤/米²比每月测量次数少一次的女性更多;对于平均身高(162厘米)的女性来说，这相当于0.92公斤。较高的初始体重指数导致每月体重下降幅度更大。看到表3完整的回归结果。

然后，我们考虑了基于最近权重变化的后续权重的纵向模式。这些分析的结果总结在表4．因为这些模型至少需要3次测量，所以9名男性和13名女性分别只进行了1次或2次测量。对于当前体重变化的测量(见方法)，我们发现近期体重减轻鼓励后续测量，男性每单位BMI的风险比(HR)为7.38 (95% CI 7.03-7.75)(即BMI下降1 kg/m的男性体重倾向高7.38倍)²与保持相同体重的男性相比)，女性每单位BMI的HR为5.86 (95% CI为5.50-6.25)。对于之前的体重变化测量(见方法)，体重减轻鼓励后续测量，但程度较小，男性HR为2.88 (95% CI 2.74-3.02)，女性HR为2.44 (95% CI 2.28-2.60)。另一方面，最近体重的增加阻碍了男性和女性随后的测量。在目前的体重增加测量中，男性的HR为0.09 (95% CI为0.09-0.10)，女性的HR为0.10 (95% CI为0.09-0.10)。在最近的体重增加测量中，观察到的影响较小，但方向相同，男性的HR为0.41 (95% CI 0.40-0.43)，女性的HR为0.40 (95% CI 0.38-0.42)。事实上，在所有情况下，当前增量变化的影响更为明显，这表明，作为进一步称重的预测因素，感知到的近期体重变化比测量到的历史体重变化更重要。

讨论

总结

这项研究将使用与消费者健康记录相连接的Withings智能体重秤的英国用户与英国普通人群进行了比较。我们发现，在英国，Withings智能体重秤的用户比一般人群更年轻，而且更可能是男性。在女性中，我们发现使用Withings Smart体重秤的女性，在校正混杂因素后，BMI为1.62 kg/m²低于一般人口;对于平均身高(162厘米)的女性来说，这是4.25公斤的体重差。在男性中，我们发现使用Withings智能体重秤的人在校正后的BMI为1.26 kg/m²高于一般人群;对于平均身高(175厘米)的男性来说，这是3.86公斤的体重差。通过对Withings智能体重秤用户的详细研究，我们发现测量频率越高，减肥效果越好;再次考虑平均身高，在整个随访期间，每个月每增加体重，体重就会进一步下降，男性为1.13公斤，女性为0.92公斤。发现了一个正反馈循环，在这个循环中，最近观察到的体重下降会鼓励进一步称重。

优势与局限

这项研究的一个优点是，我们使用的数据来自大量可靠的来源，包括普通人群和随机选择的使用流行品牌的智能体重秤来监测体重的人群。我们采用先进的建模技术，包括多级考克斯回归，以利用数据的纵向丰富性。

BMI比较的一个局限性是基于HSE的标准化测量，而Withings Smart Scale数据中的读数并没有标准化到诸如穿衣服的数量等方面。然而，即使自我报告的身高和体重没有从一种仪器自动获取数据，也被普遍认为是足够准确的，可以进行这种比较[14］．然而，身高数据是非标准化的自我报告，记录在消费者的在线健康记录中。

HSE是横断面研究，Withings Smart Scale数据是纵向研究。因此，尽管在Withings Smart Scale数据时间范围内，使用2011年HSE波动将时间范围最小化，但仍存在时间范围上的差异。尽管在Withings Smart Scale数据时间范围内(2010-2013年)，英国人群BMI的变化可能很小[1]，随着时间的推移，Withings智能秤数据的变化可能会更大，特别是因为智能秤的使用在这段时间内变得更加广泛。未来的研究将考虑智能量表随着时间的推移使用的出现，并测试智能量表用户群体随着时间的推移向一般人群收敛的假设。

进一步的限制是，这是一项观察性研究，因此倾向于使用自称重技术是容易混淆的。我们通过修正年龄、性别和身高的比较模型来缓解这种情况。然而，我们不能考虑未测量的潜在混杂因素。一个重要的未测量混杂因素是与体重或BMI的基线参与;对BMI监测更感兴趣的人可能更有可能购买自重技术，这将放大智能秤使用与BMI控制的关联。因此，我们的研究结果不应该被因果解释，需要进一步的研究来分离自我称重的因果效应。

与已有文献比较

我们的研究结果证实了其他人的发现，即更多地参与自重与更大程度的减肥或更少的增重有关。3.-7，21-23］．然而，据我们所知，所有现有的研究都涉及体重控制项目的参与者。因此，我们的研究增加了文献的内容，因为它在智能体重秤用户群体中证明了这种效果，这些用户可能参与也可能没有参与体重控制计划。此外，我们还发现了一个正反馈循环，在这个循环中，显示体重减少的称重会鼓励在不久的将来进一步称重。

与其他研究不同的是，我们的观察表明，使用自重技术的女性往往比平均水平更轻，而男性往往更重。这一发现的一个可能的假设是，参与运动的男性可能拥有高肌肉质量。

对研究/实践的影响

Withings智能秤设备的用户不能代表一般人群。任何关于一般人群的推论都应该通过回归分析或重新加权来校正至少年龄和性别。此外，即使在校正了年龄和性别后，智能体重秤与普通人群之间的BMI测量值也有所不同。因为这种差异对男性和女性来说是相反的方向，所以在性别之间使用智能秤可能有互补的原因。对这些驱动因素的进一步定性研究可能会允许跨性别转移，并提高此类设备的使用。

与不经常与卫生专业人员接触的技术相比，结合自我称重的互联医疗技术可以提供更丰富的数据。特别是，可以为个人和人群捕捉到更高的BMI纵向分辨率。但这些数据比较复杂:自重频率与底层水平之间的关系以及权重本身的变化需要仔细考虑。有用的是，自我称重与更好的体重控制有关;然而，需要更多的研究来检查这种关系的潜在介质和混杂因素。

随着个人健康记录开始从更广泛的频繁测量生态系统中收集数据，健康观察和行为之间的联系将变得更加紧密耦合。例如，智能手表的身体活动监测与智能体重秤的体重测量相关联，将体重控制干预措施和结果的信息汇集在一起，可能具有说服力。不应低估利用相关观察、干预和结果过程的统计挑战。

互联健康生态系统正受到消费者健康/保健市场的推动，但它们也有可能支持临床干预和研究[24，25］．目前，这样的技术并不普遍;因此，必须考虑由于选择购买和使用它们的人的特点而产生的选择偏差。

互联卫生技术的使用是临床研究和实践以及消费者健康市场的一个有前途的领域。它们的真正潜力可以通过彼此之间的联系以及与电子健康记录等更传统的来源的联系来实现。

结论

在本文中，我们已经证明了当前与智能规模技术的接触涉及选定的人群。因此，需要使用相关的数据来纠正这种选择。我们还证明了男性和女性之间的相反选择效应，男性用户比平均体重重，女性用户更轻，以及一个积极的反馈循环，更频繁的称重后，更大的体重减轻。这些发现背后的驱动因素需要更详细地探索，以了解智能规模技术的参与是如何推动健康行为的。