先看重点
在英国生物银行中,基线无心血管疾病的90237名成年人随访至2022年12月,共发生1298例卒中和2031例心肌梗死;中高强度身体活动(MVPA)与这两种结局的关联曲线形状,取决于加速度计数据的处理方法。就卒中而言,只有机器学习法得到直线下降的风险;就心肌梗死而言,机器学习法和LFENMO法呈曲线下降,活动计数法呈直线下降。摘要没有给出风险比,只能说明不同方法的结论不一致,不能说明哪种方法更正确,而且这些只是观察性关联。
证据类型
队列研究
解读依据
公开摘要
阅读重点
关联与混杂
研究在问什么
可穿戴加速度计让研究者能把客观测得的身体活动与疾病联系起来,但不同的处理方法会把同一份记录变成不同的中高强度活动量。作者指出,处理方法的选择可能影响可穿戴设备测得的身体活动与健康结局之间剂量反应关联的形状。他们要比较的是,三种由加速度计得出的MVPA指标,与新发卒中和新发心肌梗死的关联是否一致。
研究了谁,如何研究
这是一项基于英国生物银行加速度计子队列的队列研究,参与者于2013年至2015年在英国招募。作者用三种方法计算每位参与者的MVPA时长:低通滤波欧几里得范数减一(LFENMO)、机器学习法和活动计数法。分析纳入了基线无心血管疾病的90237名参与者。
结局是新发卒中和新发心肌梗死,随访至2022年12月,共观察到1298例新发卒中和2031例心肌梗死。针对三种MVPA指标,作者分别用Cox回归结合限制性立方样条,估计其与各结局的剂量反应关联。摘要中没有完整细节:没有报告加速度计型号或佩戴时长、参与者的年龄和性别、校正了哪些因素、如何确认结局事件,也没有给出任何风险比。
主要发现
- 1三种指标对卒中给出了不同的形状。用机器学习法时,风险比随MVPA增加呈直线下降,而LFENMO法和活动计数法则不是,摘要也没有说明这两种方法呈现的是什么形状。
- 2心肌梗死的结果同样有差异。机器学习法和LFENMO法的风险比呈曲线下降,也就是下降幅度在MVPA不同区间并不一致;活动计数法则呈直线下降。
- 3整个分析随访了基线无心血管疾病的90237人,共记录1298例新发卒中和2031例心肌梗死,所以三项比较建立在同一批人和同一批事件之上。
- 4作者的结论是:MVPA与心血管疾病的剂量反应关联在三种加速度计指标之间差异显著,只用单一加速度计指标的研究,在解读这种关联时应当谨慎。
局限与不确定性
- 1我们的观察:摘要没有给出风险比、置信区间或P值,所以各指标之间差异有多大、是否超出偶然,都无从判断。曲线被称作直线还是曲线,取决于样条设置和事件数,而卒中与心肌梗死的事件数并不相同。
- 2我们的观察:分析表明这些指标彼此不一致,但并没有参照标准,因此说不清哪个指标最接近真实活动量,也说不清哪条曲线才是正确的。
- 3我们的观察:这是一项观察性队列,参与者是自愿加入加速度计子队列的人,关联未必适用于更广泛的人群,也不能说明增加MVPA分钟数就能降低卒中或心肌梗死的风险。摘要没有提到混杂因素,也没有说明随访的具体长度,只写了随访到2022年12月。
- 4我们的观察:本解读只依据摘要,校正因素、事件定义和佩戴时间规则都没有涵盖。
对日常健康的启示
这项发现主要是给研究者的提醒,也是给想在不同应用和设备之间比较活动分钟数的人的提醒:不同算法得出的中高强度活动分钟数不能互换,活动与卒中、心肌梗死关联的外观形状会随算法而变。对心肌梗死,三种指标都显示风险比随MVPA增加而下降;对卒中,只有机器学习法呈清晰的直线下降。
不要由此认为哪一种指标才是对的,也不要认为某个分钟数是界限,或者认为你手表上的分钟数就等于本研究中的分钟数。这是观察性队列中的关联,不是增加活动就能改变你自己风险的证据;关于心脏或卒中风险的决定,应当交给你的临床医生。
如何联系自己的数据
设备或应用报告的活动分钟数来自厂商自己的算法,可能基于活动计数,也可能基于模型,因此不能直接与其他品牌或研究数字比较。固定使用同一台设备和同一个应用,只看自己在数周内的趋势。如果更换了设备、应用或数据来源,请标注日期,因为活动分钟数的突然升高或降低,可能来自方法而不是你自己。
如何理解这类证据
暴露先于随访结局,仍可能存在混杂和反向因果。危险比不是个人绝对风险,也不等于已证明的干预效果。
来源与署名
Investigating the comparability of wearable accelerometer methods in the association between physical activity and cardiovascular disease: a cohort study using UK Biobank
Preventive Medicine · 2026-08
DOI: 10.1016/j.ypmed.2026.108603 ↗PubMed · 42142761 ↗MoveVitals 编辑解读 · 健康教育内容 · 未记录个人临床审阅
来源核验日期 2026-11-01
实用健康指南
放在一起读
智能手表数据能当“证人”吗:心率验证得最充分,其余证据参差
一项围绕数字取证展开的系统评价和荟萃分析,梳理了四大主流品牌智能手表的验证研究,发现心率是研究最多、也最准确的指标。步数、距离、能量消耗、活动分类和睡眠的验证不够一致,结果因品牌、方案和报告方式而异。摘要没有给出汇总数据,且多数研究是在健康人群中、于实验室内完成的,所以无法说明某一块手表对某个人在日常生活中的表现。
Forensic Science International
活动追踪器:每天多走约1800步,对其他健康指标影响较小
这项伞形综述汇总了39篇系统评价和荟萃分析,涉及163992名参与者;结果显示使用活动追踪器与身体活动增加相关(标准化均数差SMD为0.3–0.6),相当于每天多走约1800步、多步行40分钟,体重减轻约1公斤。对血压、胆固醇、糖化血红蛋白、生活质量和疼痛的影响通常很小,且多数不显著。摘要没有说明这些项目里追踪器还搭配了什么,也没有说明各评价之间重叠多少,因此不能把效果完全归功于设备本身。
The Lancet Digital Health
七款睡眠追踪设备:识别睡着很准,识别醒着和睡眠分期较差
在睡眠实验室里,34名健康的年轻成年人连续三晚佩戴七款消费级睡眠追踪设备中的若干款。与多导睡眠监测相比,所有设备识别睡眠都很准(灵敏度均不低于0.93),但识别清醒较差(特异度0.18–0.54),七款中有五款与研究用活动记录仪(特异度0.39)持平或更好;睡眠分期的估计结果不稳定。受试者是18至35岁的健康成年人,卧床时间固定为8小时,每款设备只在其中11至20人身上测试,因此对有睡眠问题的人几乎没有参考价值。
Sleep
七款腕戴设备:心率误差多在5%以内,热量估算偏差很大
60名成年人在实验室里佩戴7款腕戴设备,依次完成静坐、步行、跑步和骑车。与心电图相比,心率的中位数误差骑车时为1.8%,步行时为5.5%;但没有任何一款设备的能量消耗(热量)误差低于20%,各设备的中位数误差为27.4%至92.6%。测试的是当时在售的消费级型号,且只在实验室内进行,不能据此给今天的手表排名,也不能说明日常使用中的表现。
Journal of Personalized Medicine

