在弗雷明汉心脏研究的电子队列中，智能手表测量的BMI轨迹与习惯性体力活动之间的关系:队列研究

介绍

肥胖症的全球患病率正在上升。1]，预计到2030年将有5.73亿成年人肥胖[2]。肥胖是一个重大的公共卫生问题，增加了患心血管疾病(CVD)、2型糖尿病、癌症和死亡率的风险[1，3.]。因为年轻时的肥胖与持续到成年的负面健康结果有关[4，5]，早期干预可能有助于抑制与肥胖相关的不良后果。生活方式干预，如饮食调整和增加身体活动(PA)水平被用于肥胖的管理[6]。先前大多数研究都是在一个时间点测量BMI和PA之间的关系[7-11]，忽略了BMI的时变特性。最近，轨迹的使用使研究人员能够跟踪变量在一段时间内的趋势[12，13]。一些研究报道BMI轨迹与心血管疾病的风险相关[14，15];然而，BMI轨迹和PA之间的关系研究较少。

BMI和PA之间的关系是复杂的。虽然一些研究表明BMI和PA呈负相关[7，8，10，16]，一些基于计步器的研究产生了不一致的结果[7，17，18]。例如，在Tudor-Locke等人的研究中[8]来确定运动活动和身体组成之间的关系，高BMI与低每日步数相关。然而，Walker等人的另一项研究[17]没有发现BMI和PA之间有任何显著的关联。此外，其他评估这种关系的研究都是干预性的[16，17，19-21]，因此，研究结果可能不能代表习惯性的日常行走。同样，由于以往大多数研究招募的参与者较少，随访时间较短[7，10]，这些研究的结果可能不能推广到更大的人群和更长的随访期。此外，一些以步数为基础的研究建议每天走10,000步作为促进pa的措施，并将每天走5000步或更少的步数称为“久坐生活方式指数”[22]。在社区环境中，长期BMI和习惯性步数PA之间的关系尚不清楚。

因此，研究BMI轨迹与习惯性步数为基础的PA水平之间的关系是很重要的。随着科技的进步，人们可以使用体积更小、重量更轻、相对容易使用的加速计，并可以在大型流行病学研究中使用加速计[23，24]。因此，这项研究的目的是双重的。首先，我们试图确定弗雷明汉心脏研究(eFHS)电子队列中14岁以上中年参与者的BMI轨迹模式。其次，我们的目标是确定BMI轨迹与从智能手表获取的每日步数之间的关系。

方法

研究样本

弗雷明汉心脏研究(FHS)及eFHS的详情已在上文[25，26]。简而言之，FHS招募了第三代队列(Gen 3;n=4095)，多民族Omni组2队列(n=410)和新后代配偶队列(n=103)。这些参与者每6-8年在研究中心参加一次考试。在2016年6月开始的研究考试3时，参与者被邀请参加eFHS，如果他们符合以下资格标准:会说英语，有智能手机，居住在美国，并且愿意允许通知并与FHS研究中心共享信息。

同意eFHS研究的参与者于2016年11月开始获得研究智能手表(Apple Watch Series 0)。在参加检查3的3521名参与者中，我们排除了1370名未提供eFHS知情同意书的参与者，包括那些拥有不兼容手机的人，以及那些随访时间少于12个月的人(n=203)。在剩下的1948名eFHS参与者中，1185人选择使用苹果手表，并在2016年11月至2019年1月期间返回了步数数据。我们排除了213名参与者，他们要么在任何一天佩戴智能手表少于5小时，要么在研究期间返回智能手表数据少于30天，因为这些参与者不符合之前发表的习惯性PA的定义[27]。我们还排除了135名没有参加建立BMI轨迹所需的3项检查的参与者，BMI值<18.5或bb0 60 kg/m的参与者²在3项研究检查中的任何一项，以及接受过胃旁路手术的参与者。资格和排除标准见多媒体附录1．

伦理批准

研究方案由波士顿大学医学中心机构审查委员会(H-36586和H-32132)批准。所有参与者均提供知情同意。

身体质量指数轨迹

在FHS研究中心的每次检查访问中，训练有素的人员使用统一的测量设备常规测量参与者的体重到最近的磅和身高到最近的四分之一英寸。BMI的计算方法是将参与者的体重(公斤)除以身高(米)的平方(kg/m)²）.正常体重定义为BMI在18.5-24.9 kg/m之间²体重指数在25 - 29.9 kg/m之间²BMI≥30 kg/m为肥胖²．为了建立BMI轨迹，我们纳入了具有Apple Watch数据的eFHS参与者，他们参加了检查1(2002-2005)、检查2(2008-2011)和检查3 (2016-2019)[25，26]。检查1、2、3时的中位年龄分别为39岁(IQR 33-45岁)、45岁(IQR 40-51岁)和53岁(IQR 47-59岁)。用于BMI轨迹的参与者中位随访时间为14年(IQR 13-14)。我们采用了一种半参数的、基于群体的建模策略来确定eFHS参与者在成年中期BMI轨迹的潜在同质性。该模型假设研究队列由基于BMI值的同质发展过程的混合组组成[28]。每个参与者的BMI值以他/她的基线测量值为中心，以评估从检查1到3的BMI变化。以中心为中心的纵向BMI值被建模为删减正态模型中几个潜在轨迹的混合物(允许较低[19]和较高[19])。20.BMI在定心后的极限)与年龄的二次函数。轨迹模型根据年龄、性别和吸烟状况进行了调整。我们使用SAS“proc traj”程序来开发BMI轨迹。根据贝叶斯信息准则(BIC)和对数贝叶斯因子(log Bayes factor)确定每条轨迹的多项式的优先顺序(即线性或二次)和轨迹组的数量[28-30.]。为了确定轨迹组的最优数量，我们从一个组开始，然后每次增加一个组。加入分组时，采用BIC统计量评价模型拟合。

智能手表步骤数据

同意使用iPhone进行eFHS研究的参与者将从2016年11月开始获得Apple watch Series 0，直到注册结束。在研究中心期间，研究技术人员协助参与者将Apple Watch与她/他的iPhone配对，或者为选择远程设置Apple Watch的参与者提供书面说明。在2019年11月之前参加研究中心的参与者被联系，并提供了返回研究中心进行智能手表设置或提供远程设置材料的选择。此外，拥有苹果手表的参与者被允许使用自己的手表参与。苹果手表有一个内置的加速度计，可以测量每天的步数。所有参与者都被要求每天佩戴手表。我们使用从Apple Watch获取的每日步数来评估PA。

检验所得协变量

年龄、性别和种族/民族在检查1时确定。受教育程度和婚姻状况通过自述获得。在考试前一年报告吸烟的参加者被界定为现时吸烟[31]。流行的冠心病、心肌梗死、心绞痛、中风、间歇性跛行和心力衰竭被归类为心血管疾病，经过高级调查员小组使用标准标准和包括医院记录在内的所有可用信息的裁决。我们将高血压定义为2次静息血压平均值≥140/90 mmHg或有抗高血压药物使用报告[32]。2型糖尿病定义为空腹血糖≥126 mg/dL或有降糖药使用报告[33]。睡眠呼吸暂停是根据医疗保健专业人员从技术人员管理的呼吸问卷中诊断的睡眠呼吸暂停的自我报告或由执业护士进行的标准病史访谈中对睡眠呼吸暂停存在的临床诊断印象来确定的。

统计分析

参与者的基线特征报告为连续变量的平均值和SDs，以及按BMI轨迹组分层的分类变量的频率(百分比)。我们用方差分析比较连续变量的均值，用卡方/Fisher精确检验检验BMI轨迹组间比例的差异。BMI轨迹是在步骤评估之前创建的。主要结果是从智能手表中检索到的平均每日步数，BMI轨迹是主要感兴趣的暴露。我们评估了BMI轨迹组与重复测量每日步数之间的关系，BMI轨迹组1作为参照组。采用广义线性模型进行统计分析，该模型考虑了纵向日步数之间的相关性(SAS中的PROC GENMOD)。我们还调整了潜在的混杂因素。在模型1中，协变量包括年龄、性别、队列和穿着时间。在模型2中，除了模型1中的协变量外，我们还调整了高血压状态、糖尿病状态、吸烟状态和流行的心血管疾病。在模型3中，我们对模型2加上睡眠呼吸暂停、教育和婚姻状况进行了调整。 In sensitivity analyses to determine the effect of follow-up duration on daily step count, all models were additionally adjusted for follow-up duration. We used generalized estimating equations to investigate the association between BMI at examination 3 and daily mean steps, adjusting for the same covariates in models 1, 2, and 3.

为了研究3个轨迹组随访天数的不均匀是否会导致关联分析的偏倚，我们通过调查3个BMI轨迹组参与者在限制为90天随访期时未调整的每日步数的平均值进行了敏感性分析。我们使用模型2进行了90天内BMI轨迹和平均每日步数之间的关联分析。所有统计分析均使用SAS version 9.4 (SAS Institute)进行。我们定义了双尾P<．0.05为统计学显著。

结果

分析包括837名参与者(平均年龄53岁;57.8%[484/837]女性)，研究检查3(即基线)后eFHS中位随访516天，最长随访1166天。根据半参数群体模型的BIC值和对数贝叶斯因子与研究检验1至3的BMI值的比较，将837名参与者分为3个轨迹组:1组292名参与者，BMI保持不变(斜率[每年BMI变化]0.005;标准误差[SE] 0.017;P=.75);第2组有最多的参与者(n=468)，他们的BMI略有增加(斜率为0.123;SE 0.014;P<措施);第3组是最小的一组，只有77名参与者表现出最大的BMI变化(斜率0.318;SE 0.029;P<.001) (表1和图1）.

‎ 查看此图

在3个BMI轨迹组中，3组参与者平均年龄最小(平均年龄50岁)，女性比例最大(54/ 77,70 %)。第3组约48%(37/77)的参与者在基线时患有高血压(检查3)。此外，第3组参与者更有可能患有睡眠呼吸暂停(表1）.BMI轨迹组1的中位随访时间为576天(IQR 322-843)，轨迹组2的中位随访时间为492天(IQR 275-790)，轨迹组3的中位随访时间为429天(IQR 213-717)。

共有13名参与者缺少自我报告睡眠呼吸暂停的协变量数据，3名缺少教育的协变量数据，6名缺少婚姻状况的协变量数据。

我们采用完整病例分析方法比较了经协变量调整的BMI轨迹组之间的平均每日步数(N=815;表2）.BMI轨迹组2的参与者比BMI轨迹组1的参与者每天少走422步(95% CI -823至-21;P=.04)，调整了年龄、性别、穿着时间和队列。BMI轨迹组3的参与者比BMI轨迹组1的参与者平均每天少走1437步(95% CI -2084 -790;P<措施)。在调整心血管危险因素和CVD后，效应值略有减弱，但仍然显著(模型2;P=。04和<。第2组和第3组分别为001)。在对睡眠呼吸暂停、教育和婚姻状况进行额外调整后，效应量进一步减弱(模型3):即，与参考文献相比，第2组和第3组行走了382 (95% CI -773至10;P=.06)和1120 (95% CI -1766至-475;P<.001)每天的步数分别减少(表2）.在进一步调整随访时间(多媒体附录2）.

我们评估了检查3时BMI与平均每日步数(多媒体附录3）.较高的BMI值与较低的平均每日步数相关。每千克/米²第3次检查时BMI增加，平均每日步数减少146步(95% CI -182至-111;P< 0.001)，在调整了年龄、性别、穿戴时间、队列、高血压、糖尿病、当前吸烟、心血管疾病、睡眠呼吸暂停、教育程度和婚姻状况后。

在敏感性分析中，在不调整协变量的情况下，我们调查了90天随访期间BMI轨迹组1、组2和组3参与者的每日中位步数(图2）.BMI轨迹组1在90天内显示出最高的中位步数(6898步;IQR 4242-10298)和BMI轨迹3组参与者的中位日步数最少(5707步;差3335 - 8668;图2）.在调整协变量后，在90天的随访期间，BMI轨迹组的PA差异与12个月的随访期间相似。在90天的间隔内，BMI轨迹组2的参与者平均每天步行的步数比BMI轨迹组1的参与者少659步(95% CI -1124至-194;P= 0.01)，调整了年龄、性别、穿着时间、队列和心血管危险因素。同样，BMI轨迹组3的参与者平均每天步行的步数比BMI轨迹组1的参与者少1006步(95% CI -1847至-286;P =. 01;多媒体附录4）.

‎ 查看此图

讨论

主要研究结果

在这个以社区为基础的中老年参与者电子队列中，我们检查了中年时构建的BMI轨迹与从佩戴超过1年的智能手表中捕获的日常步数之间的关系。我们确定了14年间BMI变化的三个不同轨迹组。34.9%(292/837)的参与者BMI变化轨迹保持相对稳定;大多数参与者(468/837,55.9%)的BMI有轻微的增加，而9.2%(77/837)的参与者BMI有高的增加。我们观察到，在调整后的分析中，与BMI保持稳定的参与者相比，BMI有轻微或较大增量的参与者每天走的步数更少。

我们的发现与之前的研究一致，表明体重较高的人比体重较轻的人平均每天走的步数更少[7，18，34]。例如，在一项基于加速度计的对108名成年人的横断面研究中，肥胖参与者的步数明显少于体重正常的参与者[35]。虽然加速度计的使用克服了自我报告PA的主要限制，但BMI是从单一时间点测量的，随访时间相对较短。在另一项针对1006名青少年的研究中，Nesbit等[36研究表明，与BMI指数健康组的参与者相比，BMI指数较高组的参与者身体活动较少。同样，一项针对3070名加拿大中年人的研究表明，体育锻炼与成为超重和肥胖人群的风险较低有关[37]。在最近的一项研究中，Laranjo等[38表明体重过轻/正常体重的参与者在6个月的时间里每天走的步数明显增加，而超重/肥胖的参与者则没有任何明显的变化[38]。尽管这项研究同时考察了BMI和步数[38]，样本量可能太小，无法在超重/肥胖组中发现显著的变化。另一项研究发现每日步数与BMI呈负相关，该研究在相对较短的时间内测量每日步数，并且仅在一个时间点测量BMI [39]。虽然较高的基线BMI(在检查3时)与明显较少的平均每日步数相关，但BMI轨迹考虑了BMI的几个客观测量，而不是在其他已发表的报告中自我报告的身高和体重，或单一的BMI测量。此外，多次客观测量步数，随访1年或更长时间，有助于进一步了解BMI与步数PA之间的关系。在这项研究中，我们发现高水平的步数PA与长期保持稳定的BMI相关。

我们观察到，在此期间，最小比例的参与者(轨迹组3)的BMI增幅最大(最急剧)。这与以前的轨迹研究报告的趋势一致[34，37，40，41]。例如，在最近一项针对3271名中青年的研究中，1.9%的参与者处于BMI急剧上升的轨迹组，而约46%的参与者保持低至稳定的BMI [40]。

生活方式因素可以解释我们观察到的不同轨迹。例如，在一项对120,887名男性和女性进行的为期4年的生活方式研究中，Mozaffarian等[42发现饮食、PA、酒精和吸烟与长期体重增加有关。在我们的研究中，与其他BMI轨迹组相比，BMI轨迹组3的参与者中女性和年轻的比例更大，并且高血压患病率更高。此外，BMI轨迹组3中只有1名参与者体重正常，其余参与者要么超重，要么肥胖。这与之前的一些研究结果一致[34，40，41]。怀孕和做母亲等生活事件可能是年轻和中年妇女体重增加的原因[43]。同样，肥胖与高血压有关[44]，并可能解释BMI轨迹组3参与者中高血压的高患病率。因为成年早期的BMI轨迹增加了高血压发生的风险[40因此，早期识别具有较高BMI轨迹的高风险个体可能为减少肥胖和降低高血压风险提供机会。这些生活方式因素可能解释了我们在研究期间体重增加最多的参与者中观察到的趋势。因此，年轻人，尤其是女性，可以从早期生活方式干预中受益，以防止随着时间的推移体重过度增加。

本研究纳入了eFHS参与者，他们有机会提供至少一年的随访步骤数据;然而，由于eFHS的滚动入组设计，一些参与者有能力提供更长时间的数据，而其他参与者可能在随访期间退出。因此，BMI轨迹组的随访时间不同，BMI轨迹组1的参与者记录的随访时间最长(中位576天)，而轨迹组3的参与者记录的随访时间最短(中位429天)。虽然这一观察可能对记录的每日步数有影响，但在模型中对随访时间进行额外调整后，效应大小仅略有减弱，但仍然显着。

本研究的优势包括eFHS参与者的中等规模社区样本，用于建立中年BMI轨迹的标准化和客观的BMI评估，以及用智能手表收集的平均1年的步数数据，为分析提供了丰富的步数数据。协变量在FHS研究中心得到了很好的表征和直接测量。此外，由于我们排除了BMI值<18.5或bbb60 kg/m的参与者²以及那些做过胃旁路手术的患者，我们减少了分析中异常值的数量。

我们的研究有一些局限性需要考虑。首先，因为我们的分析包括了大多数欧洲血统的参与者，我们的发现可能无法推广到不同种族/民族的人。其次，由于eFHS参与者比整体FHS参与者更健康、受教育程度更高、社会经济地位更高，因此他们的PA水平可能与受教育程度和社会经济地位较低的人不同。此外，由于我们排除了返回数据<30天的参与者，我们的研究结果可能在该组中有所不同。虽然我们对已知的混杂因素进行了调整，但我们的研究可能会受到残留混杂因素的影响。由于轨迹是在与步数数据比较之前创建的，因此除了PA之外，其他因素(如饮食或疾病)也可能对我们观察到的轨迹有所贡献。由于该研究没有测量除步数之外的其他类型的PA，因此不同BMI轨迹组的参与者可能进行了其他可能影响体重变化的PA。最后，因为这项研究是观察性的，所以不能推断出因果关系。

结论

在这项以社区为基础的eFHS参与者研究中，与BMI轨迹稳定的参与者相比，在测量步数之前BMI轨迹显著增加的参与者每天的步数明显减少。我们的研究结果表明，在成年期，体重增加较多可能与较低水平的阶梯PA有关。未来的研究应调查其他生活方式因素(如饮食和吸烟)的长期趋势，并评估这些因素与习惯性PA之间的关系。