间歇性禁食应用的留存率、禁食模式和体重减轻:大规模、52周观察性研究

简介

背景

在世界范围内，13%的成年人患有肥胖症(BMI≥30 kg/m)²)， 39%超重(BMI≥25 kg/m)²) [1］．在美国，42.5%的成人肥胖率是美国的3倍[2]，到2030年，预计患病率将接近50% [3.］．包含间歇性禁食(IF)等做法的移动健康应用程序可能是一种降低体重增加的划算方法。

IF是一套通常用于减肥的饮食模式，它在不限制食物含量的情况下限制进食时间。研究表明，各种IF方法对超重人群的减肥都是有效的[4-9]，包括限时进食、隔日禁食和5:2饮食[10-14］．然而，这些研究是在小群体(<200名完成者)中进行的，持续时间短(几周到6个月)，并为参与者分配了狭窄定义的IF方案。在现实环境中，IF模式可能没有这么清晰地定义，特别是在可能探索多种禁食模式的较长时间内。

IF和体重跟踪的移动应用程序提供了一个机会，可以在不受控制的环境中检查IF，并调查其在体重管理方面的现实效果。它们也是解决一般人群肥胖问题的低成本干预措施，并可能鼓励养成健康习惯，包括锻炼和健康饮食[15，16］．尽管有潜在的好处，但由于留存率低，移动医疗应用的使用一直受到限制[17-19]，只有少数可用的健康应用程序经过了严格的研究，以确定它们的功效。

本研究

我们评估了两款免费IF追踪应用(统称为LIFE应用)的用户留存率、禁食模式和体重变化:LIFE斋戒追踪(LFT)专注于禁食，LIFE Extend (LX)支持跟踪身体活动、专注力、睡眠和健康植物摄入。从2018年到2020年，这两个应用程序总共获得了250万次下载。这两个应用程序的用户账户和后端数据存储是共享的，因此可以在一个应用程序中启动禁食，在另一个应用程序中停止，所有数据都是可互换的。LFT比LX早启动一年多，因此本研究中只有一小部分数据是通过LX生成的。

我们跟踪了近80万用户的留存率和现实世界的禁食行为。我们进一步分析了与应用程序使用和人口统计相关的体重变化模式，其中有超过16万名用户使用应用程序跟踪他们的体重。

我们的研究表明，对于最初被归类为超重和肥胖的人来说，使用专门的移动应用程序进行IF训练是一种有效和可持续的减肥方法。许多用户连续几个月每周都在使用这些应用程序记录禁食。随着时间的推移，肥胖者的体重大幅下降，而热衷于禁食的人减重更多。体重指数为肥胖或超重的用户体重下降的平均持续时间长达一年，几乎没有反弹。相反，体重指数健康或过轻的用户即使在52周内大量禁食，体重也几乎没有下降或没有下降。

方法

移动应用程序和用户

我们收集了在2018年5月LFT推出至2020年12月期间开始使用LIFE应用程序的所有禁食和体重数据。对禁食、留存率和体重的分析都与用户开始在应用程序中记录禁食的时间有关，从而最小化了季节性和其他日历的影响。其他自愿收集的数据包括性别、年龄、种族、身高、饮食、锻炼频率、压力水平、吸烟状况和基本健康问题。为了纳入我们的分析，用户必须提供性别和出生日期，并记录至少一次禁食，第一次禁食必须是在他们18岁生日或之后开始的。

对于体重变化分析，我们进一步要求用户提供第一次禁食后7天内记录的身高和初始体重。身高和体重必须分别在145-203厘米和25-249公斤的验证范围内。身高和体重可以用公制或英制单位输入，随后转换为公制单位以便存储和分析。我们确定了902名在第1到52周体重变化为>5 SD的用户。在不知道哪些值可能输入有误的情况下，我们简单地将这些用户完全排除在权重分析之外，这是因为该研究的样本量很大。重量受24小时限制老化周期，使用该时间内记录的最后一个权重作为基线值。这些用户可能根据自己的回忆在应用中输入了初始重量，并在秤上检查后输入了更新，或者在检查单位后更正了输入。

禁食

我们收集了近80万用户的所有禁食记录。尽管应用程序允许跟踪更短或更长时间的禁食，但我们取消了8小时以下的禁食，并将禁食时间缩短至240小时。为了减少被遗忘的禁食带来的影响，在恢复进食很久之后，禁食结束并保存在应用程序中，我们排除了任何长达120小时或更长时间、但用户指定的禁食目标低于24小时的禁食。这为我们的分析提供了25,983,817个fast。

我们收集了每个用户第1至104周的禁食数据，但主要调查第1至52周。第53至104周的资料被用来确定留存率。每一周，我们将开始禁食的次数、平均禁食时长、禁食前12小时以外的时间总和(我们称之为延长禁食时间(EFH))和每天的禁食时间总和(即，每天的禁食时间=一周内开始禁食的所有禁食时间之和/7)。禁食的12小时时间点是身体消耗掉最近摄入的食物中的能量，可能会开始从脂肪分解中获取能量的新陈代谢转变。20.］．这种转变也被称为进入酮症，被认为有助于减肥和其他健康益处[20.］．每日EFH也为酮症患者禁食总时间和频率不同但禁食时间相近的人群禁食效果提供了统一的分析方法。例如，每天禁食16小时的用户与每周禁食两次26小时的用户每天有相同的4个EFH，尽管他们记录的总禁食时间非常不同(每周112小时vs 52小时)。

我们还计算了这些指标在所有周的累计平均值，直到并包括给定的周。

保留

我们只是根据完成的禁食记录来评估用户留存，而不是其他用户行为，如登录或使用其他应用功能。从每个用户第一次禁食的日期开始，我们评估他们每周的禁食活动。用户留存率的最严格定义是，只要用户连续一周禁食，就可以被视为用户留存率。我们将此定义为带有0周宽限期的用户留存。相比之下，留存率最宽松的定义是，用户在第一次和最后一次快速记录之间的整个时间内都被留存了下来，而不管他们在这段时间内进行了多少活动。我们称之为保留无限宽限期。这个定义有时也被称为滚动留存[21］．

我们通过改变宽限期的周数来探索用户留存。我们研究了0、2、4、8、13、26和无限周宽限期。在考虑了用户留存率指标之后，我们决定将4周宽限期定义应用于所有后续分析中。例如，如果用户在第10到13周没有禁食，但在第14周开始禁食，那么该用户在第10到14周仍然被认为是保留的，但如果他们在第15周或更晚的时间恢复禁食，那么他们的保留将在第9周结束。需要注意的是，我们对留存率的单变量估计是保守的，因为许多用户是在我们的数据收集期接近尾声时才开始使用，因此他们没有机会在完整的52周(加上宽限期)内被算作应用的活跃用户。在多变量分析中，我们使用了权利审查来解释这个问题。

体重变化与BMI

在满足4周宽限期定义并记录体重的所有周内，用户都被纳入体重变化分析。为了考虑起始重量的广泛范围，重量变化以用户起始重量变化的百分比进行分析。肥胖的影响也被考虑在一些分层开始BMI分析。我们根据美国疾病控制与预防中心的定义对BMI进行了分类[22]，并将健康的身体质量指数进一步划分为健康的低和健康的高，分别定义为18.5至22和23至24。在我们的基线用户数据中，健康水平低和健康水平高的类别所占比例大致相同。

对于每周的体重总和，我们计算了每周的平均体重和记录的体重数。基线权重被排除在第1周的总和之外。

分析

我们在JupyterLab中使用Python 3.9库执行了所有数据分析[23]笔记本环境安装在LifeOmic的精准健康云中，LIFE应用程序的安全、健康保险便携和问责法案兼容的后端。使用安全审查流程以确保精确健康云不释放可识别数据。除了提供描述性汇总统计数据(包括平均值、SDs和百分比)之外，我们还使用了多元建模方法。留存率采用Cox比例风险回归模型，如在生命线包(0.27.1版本)中实现的那样[24］．权利审查适用于在研究后期加入且没有机会保留52周的用户。权重变化采用普通最小二乘回归建模，在Statsmodels(0.12.2版本)中实现[25］．在Seaborn(0.11.1版本)中生成图表[26]，除了在Plotly(5.0.0版本)中生成的风险比和回归图外，该软件也被用于生成显示的ci [27］．使用Pandas(1.3.1版本)管理数据处理[28］．

道德的考虑

根据印第安纳大学的研究指南，本研究豁免了机构审查委员会的批准[29］．该研究包括对鉴定数据的回顾性二次分析。LIFE应用程序的隐私政策涵盖了使用这些数据进行研究和汇总报告的情况[30.］．

结果

LIFE Apps用户

共有792,692名用户满足禁食和保留分析的纳入要求。这一人口的详细人口统计和生物特征数据载于多媒体附件1。平均年龄36.7岁(SD 10.9, 18-100岁)，81.3%为女性。用户分布在近200个不同的国家，其中大多数在美国。其中，161346名用户符合身高和体重测量要求，并记录了至少一次烧制后的体重。这个亚人群在人口统计学上与整个人群相似。

保留

图1显示了LIFE应用在52周内的用户留存模式，使用7个不同的禁食活动宽限期计算得出。有28.7%的用户(227,867/792,692)在第一周之后就没有禁食记录了。在无限宽限期下，最多允许禁食102周，41.9%，29.6%，21%和13.9%的用户分别保留在13周，26周，39周和52周。在另一个极端情况下，0周宽限期留存率(也称为完全留存率)的用户比例要小得多(分别为7.3%、2.7%、1.4%和0.8%)。

‎ 查看此图

中间宽限期自然与中间留存率相对应(图1)．对于本研究中剩下的所有分析，我们选择使用4周宽限期定义，因为这允许我们研究明显的使用变异性，同时排除高度长时间的不活动。这些用户几乎每个月至少记录一次禁食。在13周、26周、39周和52周时，这种定义下的留存率分别为16.7%、6.9%、3.6%和2.1%。虽然用户可能会慢慢增加他们的禁食频率，休息一下，或在最后逐渐减少，但探索这种行为动力学超出了本研究的范围。

人口统计资料

使用4周宽限期的用户留存率因不同的人口统计标准(多媒体附件1)．在前52周建立的Cox比例风险回归模型证实，即使在控制了其他因素(多媒体附件1；图2)．虽然发现许多人口统计和行为因素与留存率相关，但在Cox模型中有4个趋势尤其显著。年龄较大的用户留存率更高——年龄≥60岁的用户的风险比为0.617 (95% CI 0.596-0.639)，这意味着他们每周的留存率比小于30岁的用户低38%。同样，锻炼水平的提高(根据基线报告)反映了更强的记忆力，每天锻炼的人下降的频率比久坐的人低28%。相反，压力和吸烟带来的留存率较低——与没有压力和从不吸烟的用户相比，有极大压力或每日吸烟习惯的用户的留存率分别高出10%和25%。虽然减肥是最常见的基本健康问题，但这些用户的留存率远远低于主要关注健康老龄化和预防慢性疾病的用户。性别和体重指数对记忆力的影响似乎很小。

‎ 查看此图

禁食习惯和模式

每周禁食频率

即使被保留，用户的禁食行为也可能随着时间的推移而改变。我们主要基于用户的前26周禁食模式进行了研究。26周的时间足够观察禁食应用的长期使用情况，同时提供了更大的样本量，而不是只观察那些在52周内保留下来的用户。它还避免了在最初几周使用的时候，我们有最大的样本，但用户仍在建立他们的禁食习惯。

开始斋戒最常见的日子是周日、周一和周二，而周五和周六最不受欢迎。我们还研究了在前26周内每个用户每周的禁食分配情况，其中54,811名用户在26周内使用了4周的宽限期。平均禁食频率为每周4.25次(SD 1.91)。禁食频率大致为双峰，以每周禁食3次为中心的宽峰和每周禁食7次为尖峰。略多于四分之一(13,981/54,881,25.5%)的用户每周禁食6至7次。在图3，每周禁食频率分别显示为3个最常见的自我报告的种族值。这些差异表明，文化对禁食习惯的选择有很大影响。年龄大于50岁的用户比年龄小于30岁的用户更可能每周禁食6到7次(4033/ 11768,34.3%，vs 1521/9572, 15.9%)。

‎ 查看此图

禁食的长度

在整个研究过程中所分析的2600万次禁食中，最常见的禁食时长为16小时。平均长度和中位数分别为21.0和18.0小时，而较低和较高的四分位数分别为16.1和20.9小时。图4显示了禁食长度的完整分布。模式的开始及结束时间分别为晚上七时及中午十二时(图5)．总共93.5%(24,289,517/25,983,817)的斋戒时间≤32小时，通常跨越一个晚上。当以对数刻度绘制时，多日禁食的模式是明显的图4(图中所示)，每增加一天，峰值就会变小，而清晰的峰值则是24小时的精确倍数。

‎ 查看此图

‎ 查看此图

我们还调查了54,881名用户的平均快速时长，这些用户在4周宽限期定义下保持了26周。图6显示了26周内用户禁食频率的平均值。总体而言，8.2%(4506/54,881)的用户的平均禁食时长为>32小时，表明了多日禁食的模式。正如预期的那样，在每周禁食少于3次的用户中，更大的比例(4055/ 17057,23.7%)处于>的32小时平均禁食多日区域，尽管模式平均禁食为18小时。每周禁食6 - 7次的用户的平均禁食时长变化也很大，最高为19小时。

‎ 查看此图

结合禁食时间和频率，26周时每天的累计平均EFH为5.0，相当于每天禁食17小时。

体重变化

人口统计资料

我们分析了满足4周宽限期保留标准的161346名用户的体重变化，他们在禁食应用中记录了多个体重。从单变量的角度来看，体重变化作为结果受几个因素的影响，包括年龄、初级健康问题、起始BMI和每天的EFH (多媒体附件2)．

为了解决变量之间的相关性和混杂性，我们对26周时间点的权重变化进行了普通最小二乘回归分析。在26周时，有1252名用户记录了所有输入变量的体重和值。结果是唯一的因素与P<。开始BMI，每天EFH，黑人或非裔美国人(多媒体附件2；图7）;R²= 0.334。在第13周、第39周和第52周建立的模型的结果相似(数据未显示)。

‎ 查看此图

我们进一步以图表的形式探索了体重变化的52周模式，相对于每天的EFH和开始的BMI，这是解释体重变化的主要变量。图8描述了没有根据每天的累积平均EFH被分类为体重过轻的用户的体重变化。26周后，每天禁食少于2个EFH的用户只减掉2%的起始体重，而每天每增加1小时EFH的用户减掉的体重超过1%。在每天的每一个EFH仓中，体重变化似乎最终趋于稳定，在较高的禁食水平下，体重下降持续的时间更长。每天EFH≥8的用户体重下降持续了39周，然后达到平台期。按起始BMI分层的体重变化图表见图9。

‎ 查看此图

‎ 查看此图

我们通过分别绘制每一起始BMI类别的每日EFH层来检验起始BMI和禁食量的联合效应(图10)．在每一类中，每天增加EFH的影响似乎近似线性，如前面所见图8但随着BMI指数的升高，延长禁食对减肥的影响程度也会增加。同样，很明显，即使考虑到禁食的数量，初始BMI仍然可以预测体重减轻。这两个因素之间明显的相互作用通过重建26周回归模型，并为每天的起始BMI和EFH的连续测量增加一个相互作用项来证实。在这个分析中P交互项的值为<。001，而P每天垃圾桶的EFH值增加到>.05。R²略有增加到0.356。

‎ 查看此图

减重阈值

我们还调查了达到一定减重阈值的用户数量。图11显示起始BMI≥25 kg/m的用户比例²(即超重或肥胖)，随着时间的推移，体重下降了5%、10%、15%和20%。成功达到5%的减重阈值大多在前13周达到，并在26周达到稳定或峰值。到26周时，67.2%(1475/2194)的体重至少减轻了5%，38.9%(854/2194)的体重至少减轻了10%。达到更高的减肥阈值通常需要更长的时间，越来越多的用户在52周内就达到了这一目标。

‎ 查看此图

讨论

上下文

这项研究是迄今为止对IF进行的最大规模的检查，比以往的任何研究都要大好几个数量级[5，7，12，31-33］．由于使用移动应用程序来记录禁食事件和体重，我们能够记录现实世界的行为和结果，包括留存率和体重变化。与之前的大多数研究不同，我们的研究对象包括体重健康或过轻的人，而不仅仅是超重或肥胖的人，我们的人群涵盖了广泛的人口统计学变化，包括18岁至100岁的人群。

保留

留存率指标的范围(图1的数据显示，有很多用户连续几个月(0周宽限期)每周都在使用这些应用程序记录禁食。还有一些用户持续了几周或几个月的休息时间，但之后又回到了应用中——13.9%的用户在第52到104周记录了一次禁食(也就是说，第52周的用户留存率是无限宽限期)，这一数据被低估了，因为大多数用户在研究结束前不到2年就下载了应用。用户在报告间隔期间是否参与了IF尚不清楚，但这些不同的使用模式很可能是移动健康应用的典型，以及一般的健康行为[34，35］．

手机应用的留存率统计数据并不适用于专有应用。AppsFlyer的一项分析发现，2020年美国健康和健身应用的第30天留存率(最初用户在第30天活跃的比例)平均低于6% [36］．2020年所有应用的第12周留存数据(游戏邦注:即第12周活跃的原始用户比例)为3.6%，iOS为5.1%。12周的留存率定义比0周的宽限期定义更为宽松，但我们在这个时间点观察到的留存率(图1)的影响更大，这可能是因为禁食app的核心功能很简单，可以追踪禁食的时间。

在我们的研究中，年龄是保留率的最佳预测因素，这与其他对生活方式干预的保留率预测因素的分析一致[37］．年龄较大的用户可能会更习惯于新习惯，喜欢经常使用应用程序的一致性，不太可能尝试多个相互竞争的应用程序。他们也更有可能有严重的健康问题，如健康老龄化，这可能会增加他们坚持新的干预措施的动机。声称主要健康问题是减肥的用户更年轻，留存率最低。

在单变量和多变量分析中，其他几个变量与留存率的关系也很显著(多媒体附件1)．与以前的报告一致[37，38， 26周的留存率是每天运动的人的两倍多。这也与之前的研究结果相一致，经常锻炼的人饮食依从性更高[39］．压力已被证明预示着对减肥计划的不坚持[37， LIFE应用程序报告极端压力的用户留存率最低。与不吸烟的人相比，吸烟的人记忆留存率较低，这也与以前的报告一致[40，41］．有趣的是，不同性别、饮食和体重指数的记忆力差异是最小的。

禁食模式和体重变化

在我们的研究中记录的现实世界的禁食行为谱显示了对IF方案的可变和灵活的坚持，使得具体的理想的禁食方案难以在数据中识别。我们清楚地看到，25.5%的用户在前26周平均每天或几乎每天禁食(每周≥6天)，而其余的用户每周不禁食好几天。在那些平均每周禁食少于3次的用户中，大多数人的禁食时间在24小时以内，这表明他们在禁食时更零星，或者在应用程序中跟踪时更不积极。共有7.5%的用户平均禁食超过32小时，可能对应于IF的扩展范式，如5:2和隔日禁食。

由于禁食模式的多维层次，我们提出了每天EFH的概念，作为量化所有用户的禁食的指标。每天的EFH将禁食频率和禁食时间合并为一个单一的测量方法，用于统一不同的禁食方案进行分析。每天的EFH对体重减轻的预测几乎呈线性(多媒体附件2；图8而且10)，支持它作为量化禁食的相关框架。我们还表明，禁食效果的大小因BMI的起始值而不同，在进行相同水平的IF训练时，肥胖程度较高的个体体重减轻得更大。我们的发现对那些希望通过IF减肥的人有明确的启示。对于那些希望减掉百分之几的体重的人来说，通常提倡的每天16:8 IF是最低标准。

为了解释这些结果，我们假设每天的EFH与体重减轻之间的相关性以及与起始BMI之间的相互作用可以主要归因于热量限制的差异。在之前的研究中，那些隔日禁食、5:2饮食或限时饮食的人每天摄入的卡路里减少了10%到30% [42］．随着进食时间的缩短，BMI指数较低的用户可能能够摄入足够的卡路里来维持体重，而BMI指数较高的用户则不能，从而导致不成比例的体重减轻。各种IF方案已被证明在减肥方面与有意的热量限制一样有效[6，8，43，44]，尽管从长远来看，IF可能更容易采用和遵循[13，45］．

此外，长时间禁食的减肥效果可能是由代谢转换驱动的，从葡萄糖到从脂肪组织和游离脂肪酸中提取的酮[46］．这种转变以前与减肥有关[20.]并发生在禁食后12小时至24小时之间，取决于之前的碳水化合物摄入量和能量消耗[46，47］．从使用葡萄糖转向使用游离脂肪酸和酮的一个主要好处是在保持肌肉质量的同时调动身体储存的脂肪，从而改善身体组成。每次禁食结束后，当系统恢复到葡萄糖代谢时，胰岛素敏感性、内脏脂肪量和全身炎症的相关改善可能会持续，部分原因是保留了肌肉量[19］．这些影响在较长时间的禁食中被放大，因为胰岛素敏感性在54小时时达到最低点。

对减重阈值成就的分析有助于IF与其他干预措施的比较。到26周时，67.2%(1475/2194)的超重和肥胖用户的体重至少下降了5%。这与通过Noom平台的糖尿病预防计划的用户所取得的结果相当，其中64%的用户在24周内减轻了超过5%的体重[48］．在我们的研究中，38.9%(854/2194)的用户BMI≥25 kg/m²在26周内减掉了至少10%的体重，而只有23%的Noom用户在同样的时间内达到了这一阈值[49］．在另一项比较中，只有25%的参加利文戈糖尿病预防项目的参与者在54周内体重减轻了10%以上，大多数用户实现了5%的体重减轻[50］．

虽然减肥后体重反弹是很常见的现象[51]，超重用户在52周内维持了大部分的体重减轻，肥胖II类和III类用户(BMI≥35 kg/m)²)在52周时，体重下降的幅度更大。相比之下，那些一开始BMI就被归类为体重过轻的用户，在13周时体重平均没有变化，如果他们继续使用应用程序到52周，体重就会增加。这是一个重要的发现，因为经常有人担心IF可能会促进饮食失调[52］．我们的研究结果表明，IF通常是一种安全的做法，即使是对体重指数较低的用户，因为即使是那些广泛禁食的用户，体重也很少减轻(图10)．

年龄与更大的体重减轻呈正相关，这与之前的研究结果一致[53］．根据我们的多元模型，我们观察到的影响是由老年用户更多的禁食来解释的，而不是代谢或饮食差异的结果。这与2013年的一项研究一致，该研究表明，与年轻参与者相比，在饮食和运动干预后，老年人的体重明显减轻了更多，即使在基于互联网的维持协议3年后，他们也更成功地保持了体重减轻。54］．女性和男性之间缺乏减肥的差异也与之前的研究结果一致[55］．

结论

根据美国疾病控制与预防中心的数据，截至2016年，近50%的美国成年人在过去12个月内曾试图减肥[56］．此外，截至2018年，美国超过40%的成年人被认为肥胖[57］．在我们对现实环境中的移动应用程序用户的研究中，我们发现IF对许多人来说是一种有效的减肥策略。对肥胖人群的研究表明，减去10%的体重足以改善血压并使血液中胆固醇水平正常，而仅减去5%的体重就足以改善血糖控制，这对糖尿病的预防和管理至关重要[58］．在仅仅13周的时间里，在LIFE应用程序的初始分类为超重或肥胖的用户中，60%的人减掉了5%或更多的初始体重，21%的人减掉了≥10%的体重，反映出该应用程序可以实现的潜在临床价值。在我们的用户中，这种成功率高于那些付费应用(如Noom和Livongo)的用户。

在这种移动环境下的自我报告数据提供了许多有趣的保持力和减肥的关联。有意义的因素包括饮食、锻炼、压力和吸烟，所有这些都很适合移动追踪，包括综合可穿戴设备，以便进行可靠的测量和分析。

未来的工作

为了更好地理解app用户减肥的机制和残留变异性，我们想直接研究用户的热量输入和消耗。这可以通过要求用户记录他们每天的饮食摄入量和锻炼来实现。通过可穿戴技术，跟踪运动可以实现被动跟踪，许多LIFE应用程序(特别是LX)的用户已经通过最常见的健身追踪器建立了定期的数据摄入。这样一项额外的研究可能有助于解决一个有些令人惊讶的发现，即研究开始时自我报告的饮食和运动习惯与体重变化没有关联。

虽然体重管理是一个重要的临床目标，其他临床相关的结果可以测量和相关的禁食行为。这些评估包括精神和身体健康、发病率、胰岛素抵抗、医疗费用以及专业和教育缺勤情况的评估。IF的提倡者指出，动物模型和人类的研究表明，这些益处很多[11，14，59-61］．在移动和数字技术的推动下，我们或许能够评估现实世界中这些承诺的证据，并梳理出它们的病因。

最后，研究表明，社会支持能改善健康和幸福，拥有强大支持网络的人比没有支持网络的人更容易减肥。62，63］．LIFE应用程序有社交“圈子”功能，用户可以在应用程序内与其他用户交流。对圈子参与的分析是未来的研究课题，但初步结果表明，在应用程序中社交活跃的用户留存率更高。

限制

这项研究的主要局限性是，除了一些用智能秤输入的权重值外，大多数数据都是自我报告的。这项研究的大样本量弥补了这一局限性。

观察到的体重变化平均值可能会被那些因为缺乏进展而停止记录体重甚至停止使用应用程序的用户所混淆。相反，取得成功的用户可能没有动力继续记录速度和重量。同样，如果用户减肥了，他们可能更有可能称自己的体重，并在应用程序中记录自己的体重，这可能会夸大这项研究中的减重估计。这些影响可能很难理清，但确定的体重变化的趋势和相关因素应该是强有力的。

由于这项研究的观察性质有限，在我们不知情的情况下，禁食时间较长的用户可能比禁食时间较短的用户采取了更多与饮食相关的做法。同样，我们也没有用户以前使用IF的经验信息。考虑到最大的用户留存损失和最大的体重变化率发生在应用使用的最初几周，之前的禁食体验甚至最近的体重变化都可能影响报告的进展。在if幼稚的人群中，我们预计体重减轻的幅度相对较大。

该研究的另一个局限性是，由于是观察性的，它缺乏明确的控制。然而，这种限制被用户之间广泛的禁食行为所抵消。我们将这种自然的差异性作为一种自我指导的干预形式，这使我们能够在更广泛的范围内对比和量化不同水平的禁食的影响，这比随机对照试验可行得多。