《npj Digital Medicine》：An interactive tool to personalise 24-hour activity, sitting and sleep prescription for optimal health outcomes
编辑推荐：
为解决“一刀切”式健康干预效果有限的问题，研究人员开发了一款名为“理想的一天”（‘ideal day’）的交互式应用。该研究基于UK Biobank中53,057名参与者的数据，利用经等距对数比（isometric log-ratio）转换的24小时时间使用构成数据，通过正则化线性回归模型探索了时间使用构成、社会人口/健康特征与认知功能（cognitive composites）的关系。研究实现了根据个人特征实时生成最优化的24小时时间分配（time-use）建议，为精准健康干预提供了可操作的工具。
在追求健康的道路上，我们每天的时间就像一块固定的蛋糕，需要在身体活动、静坐和睡眠之间进行分配。传统的公共卫生建议往往给出“一刀切”的方案，例如“每天运动30分钟”，但每个人的年龄、健康状况、生活方式千差万别，一个固定的配方显然无法满足所有人的需求。如何为个体量身定制24小时的“理想配方”，以实现诸如提升脑力（认知功能）等特定健康目标，成为精准健康领域一个亟待解决的问题。近期，一项发表在《npj Digital Medicine》上的研究带来了突破。研究人员开发了一款创新的交互式应用程序，能够根据每个人的独特情况，实时生成个性化的24小时活动、静坐和睡眠建议，将健康管理推向了高度个性化的新阶段。
为了构建这个智能推荐系统，研究团队主要依托了几个关键技术方法。首先，他们利用了英国生物样本库（UK Biobank）这一大型前瞻性队列研究资源，纳入了53,057名参与者的横断面数据。核心数据来源于参与者连续7天佩戴的腕戴式加速计，用以客观测量平均每日的身体活动、久坐行为和睡眠时间。研究人员采用了一种称为“等距对数比转换”的统计学方法，将一天24小时中不同行为的时间（构成一个整体）转化为可进行标准统计分析的数据。在结局指标方面，研究通过一系列基于网络的测试，衍生出了五个综合性的认知功能指标。最后，研究运用正则化线性回归模型，系统分析了24小时时间使用构成与社会人口学、健康特征之间的交互作用对认知功能的影响，并将模型估计值作为个性化推荐的计算核心。
研究结果
1. 模型构建与个性化预测
研究人员建立了正则化线性回归模型，该模型同时纳入了24小时时间使用构成（经等距对数比转换）以及个体的社会人口学与健康特征作为预测变量。模型分析表明，时间使用对认知功能的影响并非独立存在，而是与个人特征（如年龄、健康状况等）存在显著的交互作用。这意味着，同样的时间分配方案，对不同特征的人群可能产生截然不同的认知效果。这从统计上证实了“一刀切”方法的局限性，并凸显了个性化处方（prescription）的必要性。
2. “理想的一天”交互式应用
基于上述模型，研究团队开发并发布了一款名为“‘理想的一天’”的开源交互式应用。这款工具的核心功能在于实时个性化。用户只需输入自身的基本特征（如年龄、性别、健康状况等）以及当前典型的一天中用于中度至剧烈强度身体活动、轻度身体活动、静坐和睡眠的时间，应用程序便会利用内置的统计模型进行计算，立即反馈一套能够最大化其预测认知功能分数的、优化后的24小时时间分配建议。这相当于为每位用户提供了一个基于证据的、动态的个人健康时间管理顾问。
3. 方法学的可行性与意义
研究成功演示了利用开源软件和现有大型队列数据，实时实现行为干预个性化的完整技术路径。从数据处理（加速计数据分析、等距对数比转换）、模型建立（正则化回归以处理多重共线性并识别关键预测因子）到应用部署（交互式网络应用），整个流程展示了将复杂的流行病学统计模型转化为用户友好型工具的可行性。这为将学术研究成果快速转化为可供公众或临床使用的实践工具提供了范例。
研究结论与讨论
本研究的核心结论是，通过整合客观的行为监测数据、多维度的个人特征以及先进的统计建模方法，为个体生成个性化的24小时活动、静坐与睡眠处方是可行且必要的。与通用的健康建议相比，这种考虑了个人背景与行为之间复杂交互作用的个性化方案，理论上能够更精准、更有效地优化目标健康结局（如认知功能）。
这项研究的重要意义体现在多个层面。在科学层面，它超越了将身体活动、久坐和睡眠作为独立因素进行研究的传统范式，采用了基于“时间使用构成”的整体视角，并量化了个人特征在这一关系中的调节作用，深化了对健康行为与结局之间复杂机制的理解。在方法学层面，研究提供了一个从大数据分析到实时个性化应用开发的完整框架，为行为医学和数字健康领域的相关研究树立了可复制的技术标准。在实际应用层面，所开发的“‘理想的一天’”应用作为一种概念验证，展示了数字工具在推动精准公共卫生和个性化健康管理方面的巨大潜力。它能够帮助个人做出更明智的时间分配决策，也为临床医生、健康教练等专业人员提供了基于证据的决策支持工具，从而有望提高行为干预的依从性和最终效果。
尽管该研究基于横断面数据，其推荐的因果关系推断仍需前瞻性研究进一步验证，且模型主要针对认知功能这一单一结局，但这项工作无疑为健康行为的个性化干预开辟了新的道路。它标志着健康指导正从静态的通用指南，迈向动态的、数据驱动的、以个人为中心的新时代。未来，随着模型纳入更多健康结局（如心血管代谢指标、心理健康等）和更丰富的个人数据，这种个性化处方将变得更加全面和强大，为实现精准预防医学的愿景贡献关键力量。
