Este análisis transversal de perfiles latentes en 1.420 estudiantes universitarios chinos identificó cuatro perfiles de sueño distintos mediante el PSQI. Los perfiles de sueño más saludables se asociaron significativamente con niveles más altos de actividad física moderada a vigorosa, lo que sugiere objetivos específicos según el patrón de sueño para la promoción de la salud en el campus.
Artículo de investigación
Análisis de perfil latente de los patrones de sueño y su asociación con los niveles de actividad física entre estudiantes universitarios chinos
* These authors contributed equally
En este artículo
Resumen
Resumen
Este estudio transversal tuvo como objetivo identificar perfiles latentes de patrones de sueño entre estudiantes universitarios y examinar sus asociaciones con los niveles de actividad física (AF), proporcionando así evidencia empírica para intervenciones sanitarias dirigidas en entornos universitarios. Se reclutó a un total de 1.420 estudiantes universitarios mediante muestreo aleatorio estratificado por conglomerados en varias etapas de tres universidades integrales del sur de China. La calidad del sueño y la AF se evaluaron utilizando el Índice de Calidad del Sueño de Pittsburgh (PSQI) y el Cuestionario Internacional de Actividad Física en su versión corta (IPAQ-SF), respectivamente. Se realizaron análisis de perfil latente (LPA), pruebas de chi-cuadrado y análisis de regresión logística multinomial utilizando el software estadístico adecuado. Se identificaron cuatro perfiles latentes de sueño basados en las probabilidades de clase estimadas por el modelo: sueño saludable (44,7%), sueño insuficiente (24,8%), mala calidad del sueño (20,3%) y trastorno grave del sueño (10,2%); las proporciones observadas correspondientes basadas en la asignación a la clase más probable fueron del 45,0%, 25,0%, 20,0% y 10,0% (n = 639, 355, 284 y 142, respectivamente). El género y el nivel de AF difirieron significativamente entre los perfiles. En comparación con los estudiantes del grupo con trastorno grave del sueño, los estudiantes del grupo con sueño saludable tuvieron más probabilidades de reportar AF moderada (razón de momios (OR) = 4,69, intervalo de confianza (IC) del 95 %: 2,92–7,51) y AF alta (OR = 7,55, IC 95 %: 4,41–12,91). Los estudiantes del grupo con sueño insuficiente también tuvieron más probabilidades de reportar AF moderada (OR = 2,98, IC 95 %: 1,83–4,86) y AF alta (OR = 5,02, IC 95 %: 2,84–8,87). Los patrones de sueño de los estudiantes universitarios mostraron una clara heterogeneidad. Los patrones de sueño favorables se asociaron con niveles más altos de AF. Debido al diseño transversal, no se pueden inferir relaciones causales. Se deberían desarrollar estrategias de intervención diferenciadas según las características específicas del sueño de cada subgrupo, y la promoción de la AF podría considerarse un objetivo conductual potencial para los estudiantes con sueño deficiente.
Introducción
El sueño es esencial no solo para mantener funciones fisiológicas básicas, sino también para apoyar la salud física y mental, el desarrollo cognitivo y la regulación emocional1,2. Sin embargo, en las sociedades contemporáneas aceleradas, los trastornos del sueño se han convertido en un problema de salud pública a nivel mundial. Los problemas de sueño son particularmente notorios entre los estudiantes universitarios, quienes a menudo experimentan una reducción en la supervisión parental tras ingresar a la universidad y enfrentan presión académica, ajuste interpersonal y uso excesivo de dispositivos electrónicos3. Estudios epidemiológicos han mostrado que aproximadamente entre el 25% y el 60% de los estudiantes universitarios en todo el mundo reportan diversos grados de mala calidad del sueño o privación del sueño4,5. Los problemas persistentes de sueño pueden alterar la función del sistema nervioso central, provocando falta de atención y deterioro de la memoria; también pueden aumentar el riesgo de problemas de salud mental internalizantes, como la depresión y la ansiedad6,7, así como el riesgo futuro de enfermedades cardiovasculares y síndrome metabólico8.
Los estudios previos sobre el sueño han adoptado principalmente una perspectiva analítica centrada en variables, evaluando el estado del sueño a nivel grupal mediante puntuaciones totales de escalas estandarizadas como el Índice de Calidad del Sueño de Pittsburgh (PSQI) o las puntuaciones medias de dimensiones específicas9. Aunque este enfoque proporciona una estimación intuitiva de la gravedad general del sueño, asume implícitamente que la población estudiada es homogénea. En realidad, el sueño es un proceso fisiológico multidimensional que incluye la duración del sueño, la latencia del sueño, la eficiencia del sueño, los despertares nocturnos y la disfunción diurna10. Individuos con la misma puntuación total en el PSQI pueden presentar combinaciones de síntomas considerablemente diferentes; por ejemplo, un estudiante puede tener principalmente dificultad para iniciar el sueño, mientras que otro puede experimentar despertares tempranos y somnolencia diurna. En los últimos años, los enfoques centrados en la persona han recibido una atención creciente. El análisis de perfiles latentes (LPA) puede identificar subgrupos heterogéneos no observados en los datos maximizando las diferencias entre perfiles y minimizando las diferencias dentro de cada perfil11,12. Mediante el uso del LPA, los investigadores pueden caracterizar con mayor precisión perfiles específicos de sueño entre estudiantes universitarios13, proporcionando así objetivos más exactos para las intervenciones.
Se recomienda ampliamente la actividad física (AF) como pilar fundamental de la promoción de la salud a lo largo de la vida, según la Organización Mundial de la Salud y otras directrices de salud pública14,15. Estudios empíricos y metaanálisis han demostrado que la práctica regular de actividad física de intensidad moderada a vigorosa puede mejorar la aptitud cardiorrespiratoria y reducir la mortalidad16,17, además de ayudar a aliviar el estrés psicológico y mejorar la función cognitiva18,19. Asimismo, la actividad física se considera una intervención no farmacológica eficaz para los trastornos del sueño20,21. Se han descrito asociaciones positivas entre la actividad física y la calidad del sueño en estudios de cohorte que utilizan dispositivos objetivos como acelerómetros22,23,24 y en estudios transversales basados en cuestionarios autorreportados25,26. Además, el ejercicio y el sueño parecen tener una relación bidireccional: un sueño adecuado puede aumentar la motivación y la resistencia para realizar actividad física, mientras que el gasto energético diurno puede favorecer el sueño de ondas lentas durante la noche27,28.
Aunque existe un amplio consenso sobre los beneficios de la actividad física para la calidad general del sueño, la literatura existente presenta varias limitaciones. La mayoría de los estudios han tratado la actividad física como una variable independiente que predice una única puntuación de sueño, pasando por alto la posibilidad de que diferentes patrones de sueño puedan corresponderse con distintas combinaciones de características del estilo de vida29,30. Aún no se comprende suficientemente si los niveles de actividad física difieren entre perfiles latentes de sueño en estudiantes universitarios.
En este contexto, el presente estudio tuvo como objetivos: (1) identificar perfiles latentes basados en indicadores multidimensionales de la calidad del sueño en estudiantes universitarios chinos mediante el análisis de perfiles latentes (LPA); y (2) examinar las asociaciones entre los perfiles de sueño y los niveles de actividad física (bajo, moderado y alto) tras controlar las variables demográficas. Se planteó la hipótesis de que existirían múltiples perfiles de sueño heterogéneos entre los estudiantes universitarios y de que los estudiantes con un patrón de sueño saludable tendrían mayor probabilidad de alcanzar niveles de actividad física moderada a vigorosa en comparación con aquellos que presentan alteraciones graves del sueño.
Protocolo
Este estudio fue aprobado por el Comité de Ética Biomédica de la Universidad Jishou (Número de aprobación: JSDX-2023-0034). Todos los participantes fueron estudiantes universitarios de tiempo completo, con edades comprendidas entre 18 y 25 años, y proporcionaron su consentimiento informado por escrito antes de participar. Se obtuvo permiso de las universidades participantes. Los datos del estudio se utilizaron únicamente para investigación académica y se analizaron de forma anónima. El estudio se llevó a cabo cumpliendo con la Declaración de Helsinki y los requisitos institucionales locales.
Reclutamiento de participantes y diseño del muestreo
Se realizó una encuesta transversal entre estudiantes de pregrado de tres universidades integrales del sur de China entre septiembre y diciembre de 2025, utilizando un diseño de muestreo aleatorio estratificado por conglomerados en varias etapas. En la primera etapa, se seleccionaron tres universidades integrales de una lista de universidades públicas integrales del sur de China mediante muestreo aleatorio estratificado, con estratos definidos por región administrativa provincial para garantizar la representación geográfica. En la segunda etapa, dentro de cada universidad seleccionada, se eligieron aleatoriamente de dos a tres clases completas de cada nivel académico (desde primer hasta último año) como unidades de muestreo por conglomerados, utilizando números aleatorios generados por computadora, obteniéndose un total de 28 clases entre las tres universidades. Se invitó a participar a todos los estudiantes de las clases seleccionadas, como se muestra en Figura 1. Los criterios de inclusión fueron los siguientes: (1) estar inscrito como estudiante de pregrado a tiempo completo; (2) tener entre 18 y 25 años de edad; y (3) participar voluntariamente con consentimiento informado por escrito. Los criterios de exclusión fueron: (1) enfermedad física grave reciente o contraindicaciones para el ejercicio, como fractura o enfermedad cardíaca grave; (2) uso actual de medicación psiquiátrica, como tratamiento para depresión severa o esquizofrenia; y (3) tiempo de completitud del cuestionario inferior a 180 s o inconsistencias lógicas evidentes, como seleccionar la misma opción en todos los ítems. Se distribuyeron un total de 1.500 cuestionarios. De los 80 cuestionarios inválidos excluidos durante la limpieza de datos, 24 se descartaron por un tiempo de completitud inferior a 180 s, 20 por inconsistencias lógicas (por ejemplo, respuestas idénticas en todos los ítems o respuestas contradictorias), 18 por edad fuera del rango de 18 a 25 años, 11 por datos faltantes excesivos (más del 20 % de los ítems) y 7 por enfermedad física grave autoinformada o uso actual de medicación psiquiátrica. Quedaron 1.420 cuestionarios válidos para el análisis, con una tasa de respuesta efectiva del 94,67 %.
Figura 1: Diseño del estudio y flujo analítico. Descripción esquemática del reclutamiento y cribado de participantes (se distribuyeron 1.500 cuestionarios; 80 excluidos; N = 1.420 incluidos), evaluación mediante el PSQI y el IPAQ-SF, análisis de perfiles latentes (se compararon modelos de uno a cinco perfiles utilizando AIC, BIC, aBIC, entropía, LMRT y BLRT), asignación a cuatro perfiles de sueño, pruebas chi-cuadrado bivariadas, regresión logística multinomial con el género como covariable y análisis de sensibilidad (ajuste completo de covariables y errores estándar robustos por conglomerados). Haga clic aquí para ver una versión más grande de esta figura.
Evaluación demográfica y del estilo de vida
Se utilizó un cuestionario autoelaborado para obtener las características demográficas y sociológicas, incluyendo género (masculino/femenino), edad (en años), curso (primero/segundo/tercero/cuarto), lugar de origen (urbano/rural), índice de masa corporal (IMC), antecedentes de tabaquismo, antecedentes de consumo de alcohol y tiempo medio diario frente a pantallas. El IMC se calculó como el peso corporal en kilogramos dividido por el cuadrado de la estatura en metros (IMC = peso [kg] / estatura [m]²)2). La altura y el peso autoinformados se examinaron para detectar valores inverosímiles antes del análisis; los casos con altura <140 cm o >200 cm, peso <30 kg o >150 kg, o IMC <12 kg/m2 o >40 kg/m2 fueron marcados y verificados respecto a los registros originales, excluyéndose los valores atípicos confirmados. El estado de tabaquismo se clasificó como nunca, ocasional (fumar algunos días pero no diariamente) o regular (fumar diariamente), según el comportamiento autoreferido durante el mes anterior. El consumo de alcohol se clasificó como nunca, ocasional (consumo menos de una vez por semana) o regular (consumo al menos una vez por semana), durante el mes anterior. El tiempo medio diario frente a pantallas se evaluó solicitando a los participantes que informaran del número total de horas por día dedicadas a smartphones, computadoras, tabletas y televisión durante el mes anterior, registrándose como una variable continua. El cuestionario se probó previamente en 30 estudiantes universitarios antes de la recogida formal de datos para evaluar la claridad de los ítems y el tiempo de cumplimentación; se realizaron pequeños ajustes en el redacción basados en los comentarios del ensayo piloto. Estudios previos han sugerido que estas variables podrían confundir la asociación entre sueño y actividad física30,31. Todos los instrumentos, software y materiales utilizados en este estudio se enumeran en el Tabla de materiales.
Evaluación de la calidad del sueño
El PSQI, desarrollado por Buysse et al.9, se utilizó para evaluar la calidad del sueño de los participantes durante el mes anterior. La escala incluye 19 ítems autoevaluados que conforman siete componentes: calidad subjetiva del sueño, latencia para el inicio del sueño, duración del sueño, eficiencia habitual del sueño, alteraciones del sueño, uso de medicación hipnótica y disfunción diurna. Cada componente se puntúa de 0 (ninguna dificultad) a 3 (dificultad severa). Las puntuaciones de estos siete componentes continuos se utilizaron como indicadores observados para el APL. El PSQI ha demostrado una buena fiabilidad y validez entre poblaciones de estudiantes universitarios en China y a nivel internacional.30En el presente estudio, el alfa de Cronbach para la escala fue de 0,83.
Evaluación de la actividad física
El IPAQ-SF, desarrollado por Craig et al.32, se utilizó para evaluar la actividad física de los participantes durante los siete días previos. El cuestionario registra la frecuencia (días/semana) y la duración (minutos/día) de la actividad física vigorosa, la actividad física de intensidad moderada y la caminata. Los valores de equivalente metabólico de la tarea (MET) se calcularon según el protocolo de puntuación del IPAQ: MET-min/semana para caminar = 3,3 × duración × frecuencia; MET-min/semana para intensidad moderada = 4,0 × duración × frecuencia; y MET-min/semana para intensidad vigorosa = 8,0 × duración × frecuencia. Se sumaron los valores de MET para los tres tipos de actividad para obtener la actividad física total. Los participantes se clasificaron en actividad física alta, moderada o baja según los criterios de puntuación del IPAQ-SF validados en estudiantes universitarios33. La actividad física alta se definió como actividad vigorosa en al menos tres días con un nivel total de actividad física de al menos 1.500 MET-min/semana, o cualquier combinación de caminata, actividad de intensidad moderada o intensidad vigorosa en siete días o más con un nivel total de actividad física de al menos 3.000 MET-min/semana. La actividad física moderada se definió como actividad vigorosa en al menos tres días durante al menos 20 minutos por día, o actividad de intensidad moderada y/o caminata en al menos cinco días durante al menos 30 minutos por día, o cualquier combinación de actividades que alcance al menos 600 MET-min/semana. La actividad física baja se definió como no cumplir con los criterios para actividad física moderada o alta. La limpieza de datos siguió el protocolo oficial de puntuación del IPAQ: se excluyeron los participantes que reportaron más de 16 h de actividad total por día; las duraciones diarias por categoría se truncaron en 180 min antes del cálculo de MET-minutos; y los casos con respuestas lógicamente inconsistentes se eliminaron durante la limpieza de datos.
Análisis estadístico
Primero, realice el APL utilizando software de modelado de perfiles latentes (consulte la Tabla de materiales)34. De los 1.420 participantes, 33 (2,3 %) presentaron datos parcialmente faltantes en el PSQI, con 69 de 9.940 respuestas a nivel de componentes faltantes (0,69 %; es decir, 1.420 participantes × siete puntuaciones de componentes del PSQI). Se utilizó el método de máxima verosimilitud con información completa (FIML) para manejar estos valores faltantes bajo el supuesto de que faltan al azar. Se estimaron secuencialmente modelos con uno a cinco perfiles. La bondad de ajuste del modelo se evaluó mediante el criterio de información de Akaike (AIC), el criterio de información bayesiano (BIC), el BIC ajustado por tamaño muestral (aBIC), la entropía, la prueba de razón de verosimilitud de Lo-Mendell-Rubin (LMRT) y la prueba de razón de verosimilitud con bootstrap (BLRT). Valores más bajos de AIC, BIC y aBIC indican un ajuste relativo mejor, mientras que valores de entropía más cercanos a 1 indican una mayor precisión en la clasificación. Se utilizaron las pruebas LMRT y BLRT para determinar si un modelo con k perfiles se ajustaba significativamente mejor que un modelo con k − 1 perfiles. La solución óptima de perfiles se seleccionó considerando conjuntamente los índices estadísticos de ajuste, la entropía, el tamaño de las clases (ningún perfil con menos del 5 % de la muestra) y la interpretabilidad sustantiva, siguiendo las directrices establecidas para el análisis de perfiles latentes11,35. Una vez seleccionada la solución de perfiles óptima, la pertenencia más probable de los individuos a cada clase se exportó a un software de análisis estadístico (consulte la Tabla de materiales) para los análisis posteriores. Se utilizaron pruebas chi-cuadrado de Pearson para examinar las diferencias en las características demográficas y los niveles de actividad física entre los perfiles de sueño. Las pruebas chi-cuadrado bivariadas mostraron que solo el género y el nivel de actividad física diferían significativamente entre los cuatro perfiles de sueño (ambos p < 0,001), mientras que la edad, el curso escolar, el IMC, el tabaquismo, el consumo de alcohol y el tiempo frente a pantallas no mostraron diferencias (todos p > 0,05; consulte la Tabla suplementaria 1). Por lo tanto, solo se incluyó el género como covariable en el modelo de regresión logística multinomial, en concordancia con el principio de parsimonia. Un análisis de sensibilidad que ajustó por todas las covariables recopiladas arrojó el mismo patrón y significación de los resultados (Tabla suplementaria 2). Se realizó una regresión logística multinomial con el nivel de actividad física como variable dependiente (PA baja = 0, PA moderada = 1, PA alta = 2) y el perfil de sueño como variable independiente principal. Se calcularon las razones de momios (OR) y los intervalos de confianza del 95 % (IC). Todas las pruebas fueron bilaterales, y la significación estadística se estableció en p < 0,05. Dado que los participantes fueron reclutados mediante clases completas anidadas dentro de universidades, se realizó un análisis de sensibilidad utilizando el módulo de muestras complejas del software estadístico (consulte la Tabla de materiales), especificando universidad y clase como variables de agrupamiento, para obtener errores estándar ajustados por diseño. Los resultados fueron consistentes con los obtenidos mediante la regresión logística multinomial estándar (Tabla suplementaria 3). El conjunto de datos bruto con identificación eliminada, con etiquetas de variables en inglés y un libro de códigos, se proporciona como Archivo suplementario 1.
Resultados
Se extrajeron modelos con uno a cinco perfiles latentes. Como se muestra en Tabla 1, el AIC, BIC y aBIC disminuyeron conforme aumentó el número de perfiles. El modelo de cuatro perfiles presentó el valor de entropía más alto (0,915), y tanto el LMRT como el BLRT fueron significativos (p < 0,001). En contraste, el LMRT para el modelo de cinco perfiles no fue significativo (p = 0,085) y la entropía disminuyó a 0,880. Por lo tanto, aunque el modelo de cinco perfiles mostró criterios de información más bajos, se seleccionó el modelo de cuatro perfiles porque ofrecía un mejor equilibrio entre la precisión de clasificación, la parsimonia del modelo, el tamaño de las clases y la interpretabilidad sustantiva. Las etiquetas de los perfiles se asignaron en función de las medias condicionales de las siete puntuaciones de componentes del PSQI entre las clases (Figura 2), de acuerdo con las prácticas recomendadas para informar el APL11.
Tabla 1: Índices de ajuste del modelo para el análisis de perfiles latentes de los patrones de sueño en estudiantes universitarios. AIC, criterio de información de Akaike; BIC, criterio de información bayesiano; aBIC, BIC ajustado por tamaño muestral; LMRT, prueba de razón de verosimilitud de Lo-Mendell-Rubin; BLRT, prueba de razón de verosimilitud con arranque. Haga clic aquí para descargar esta tabla.
Figura 2: PLA de los patrones de sueño: solución de cuatro perfiles. El gráfico de líneas muestra las puntuaciones de los componentes del PSQI a través de los cuatro perfiles latentes de sueño: sueño saludable, sueño insuficiente, mala calidad del sueño y trastorno grave del sueño. Haga clic aquí para ver una versión más grande de esta figura.
Con base en las características de las puntuaciones de los componentes del PSQI, los cuatro perfiles se denominaron grupo de sueño saludable (C1), grupo de sueño insuficiente (C2), grupo de baja calidad del sueño (C3) y grupo de trastorno grave del sueño (C4). Las probabilidades estimadas por el modelo para cada clase fueron 0,447, 0,248, 0,203 y 0,102, respectivamente. Según la asignación a la clase más probable, las frecuencias observadas fueron 639 (45,0 %), 355 (25,0 %), 284 (20,0 %) y 142 (10,0 %) para C1–C4, respectivamente. Las pruebas de chi-cuadrado indicaron diferencias significativas en cuanto a género y niveles de actividad física entre los perfiles (p < 0,001; Tabla 2). La solución de cuatro perfiles ofreció el mejor equilibrio entre bondad de ajuste del modelo e interpretabilidad teórica, con una alta precisión de clasificación (entropía = 0,915).
Grupo de sueño saludable (C1, 45,0 %): los estudiantes de este grupo obtuvieron puntuaciones bajas en los siete componentes del PSQI, lo que indica un sueño relativamente regular y una mejor calidad del sueño. Grupo de sueño insuficiente (C2, 25,0 %): este grupo se caracterizó por puntuaciones relativamente altas en duración del sueño y latencia del sueño, mientras que la disfunción diurna no fue destacada. Grupo de mala calidad del sueño (C3, 20,0 %): los estudiantes de este grupo presentaron puntuaciones relativamente altas en calidad subjetiva del sueño, alteraciones del sueño y disfunción diurna, junto con una eficiencia del sueño relativamente baja. Grupo con alteración grave del sueño (C4, 10,0 %): este subgrupo mostró puntuaciones altas en la mayoría de los componentes del PSQI y reportó puntuaciones más altas en medicación hipnótica que los otros perfiles, lo que sugiere un mayor riesgo de problemas de sueño clínicamente relevantes, aunque sin un diagnóstico clínico confirmado.
Se informan las medias condicionales exactas y las desviaciones estándar de las siete puntuaciones de los componentes del PSQI para cada perfil en la Tabla Suplementaria 4.
Tabla 2: Distribución de las características demográficas y niveles de actividad física según los perfiles de sueño. C1, grupo de sueño saludable; C2, grupo de sueño insuficiente; C3, grupo de baja calidad del sueño; C4, grupo con trastorno grave del sueño. Haga clic aquí para descargar esta tabla.
El nivel de actividad física se introdujo como la variable dependiente, con baja AF como categoría de referencia. El perfil de sueño se introdujo como la variable independiente, con el grupo de trastorno grave del sueño como categoría de referencia, y se controló por género. Como se muestra en Tabla 3, los estudiantes en los grupos de sueño saludable y sueño insuficiente tenían una probabilidad significativamente mayor de reportar niveles moderados y altos de AF en comparación con aquellos en el grupo de trastorno grave del sueño. Estos hallazgos respaldan una asociación entre perfiles de sueño favorables y niveles más altos de AF, pero el diseño transversal no permite inferir causalidad.
Tabla 3: Regresión logística multinomial de los perfiles de sueño y niveles de actividad física entre estudiantes universitarios. La categoría de actividad física baja fue la categoría de referencia para el resultado, y el grupo con trastorno severo del sueño fue la categoría de referencia para el perfil de sueño. Haga clic aquí para descargar esta tabla.
DISPONIBILIDAD DE LOS DATOS:
Los datos brutos desidentificados y el código de análisis que respaldan los hallazgos de este estudio están disponibles públicamente en Figshare en https://doi.org/10.6084/m9.figshare.33340908.
Archivo complementario 1: Conjunto de datos en bruto con identificación eliminada (Sleep_LPA_Raw_Data_N1420.xlsx) con etiquetas de variables en inglés y libro de códigos.Haga clic aquí para descargar este archivo.
Tabla suplementaria 1: Pruebas bivariadas de diferencias de covariables entre los perfiles de sueño.
Nota: Las variables categóricas se analizaron mediante pruebas chi-cuadrado de Pearson; las variables continuas, mediante ANOVA de un factor. Solo el género presentó diferencias significativas entre los perfiles (p < 0,001). Las distribuciones detalladas por categorías para grado, procedencia, tabaquismo, consumo de alcohol y especialidad se omiten por brevedad, pero están disponibles en los datos brutos.Haga clic aquí para descargar este archivo.
Tabla suplementaria 2: Regresión logística multinomial ajustada por todas las covariables (análisis de sensibilidad).
Nota: Categoría de referencia para la actividad física (PA): Baja PA; categoría de referencia para el perfil de sueño: C4 (Deterioro grave). El modelo se ajustó por sexo, edad, IMC, tiempo frente a pantallas, curso, lugar de origen, tabaquismo, consumo de alcohol y carrera. La dirección y significancia de todas las asociaciones son consistentes con el análisis principal (Tabla 3), que solo se ajustó por sexo.Haga clic aquí para descargar este archivo.
Tabla suplementaria 3: Regresión logística multinomial con errores estándar robustos por conglomerados (SPSS Muestras Complejas).
Nota: Los errores estándar se ajustaron por agrupación según universidad y clase (equivalente a SPSS Muestras Complejas; N = 1.420, conglomerados = 3 universidades × clases completas). Los coeficientes B son idénticos al análisis principal (Tabla 3); solo difieren los errores estándar y los valores p. C1 y C2 siguen asociados significativamente tanto con la actividad física moderada como alta; C3 sigue siendo no significativa.Haga clic aquí para descargar este archivo.
Tabla suplementaria 4: Medias y desviaciones estándar de las puntuaciones de los componentes del PSQI según el perfil de sueño.
Nota: Los valores son medias condicionales (desviaciones estándar) basadas en la asignación a la clase más probable. Los siete componentes del PSQI y la puntuación total difirieron significativamente entre los perfiles (ANOVA unidireccional, todos los valores de p < 0,001). C1 = sueño saludable; C2 = sueño insuficiente; C3 = mala calidad del sueño; C4 = trastorno grave del sueño.Haga clic aquí para descargar este archivo.
Discusión
Mediante una muestra transversal relativamente amplia, este estudio aplicó un enfoque centrado en la persona basado en el análisis de perfiles latentes (LPA) para identificar cuatro perfiles heterogéneos de sueño entre estudiantes universitarios chinos y examinó además las asociaciones entre estos perfiles y diferentes niveles de actividad física. Los hallazgos ofrecen una perspectiva útil para comprender la agrupación de comportamientos relacionados con la salud en cuanto al sueño y al ejercicio entre estudiantes universitarios, y proporcionan objetivos más precisos para intervenciones de salud pública en entornos universitarios.
Este estudio clasificó los patrones de sueño de estudiantes universitarios en cuatro perfiles: sueño saludable, sueño insuficiente, mala calidad del sueño y trastorno grave del sueño. Aunque el grupo con sueño saludable representó la proporción más alta (45,0 %), más de la mitad de los estudiantes (55,0 %) fueron clasificados en perfiles caracterizados por un sueño deficiente. Este hallazgo es consistente con evidencia internacional que indica una alta prevalencia de problemas de sueño entre adolescentes y adultos jóvenes3,4. En particular, la proporción de estudiantes mujeres en el grupo con trastorno grave del sueño fue considerablemente mayor que la de estudiantes hombres (68,3 % frente a 31,7 %), lo cual concuerda con hallazgos previos sobre diferencias sexuales en el sueño. Las fluctuaciones en los niveles hormonales femeninos durante el ciclo menstrual, incluidos los cambios cíclicos en estrógeno y progesterona, podrían aumentar la vulnerabilidad a trastornos del sueño10. Desde una perspectiva psicológica, las estudiantes podrían ser también más sensibles al estrés académico y social, y más propensas a internalizar emociones negativas. Esta rumiación podría prolongar la latencia del sueño y reducir la profundidad del sueño7. Además, el 25,0 % de los estudiantes pertenecía al grupo con sueño insuficiente. Según estudios previos, este perfil podría atribuirse en parte al tiempo prolongado frente a pantallas antes de acostarse y a la exposición a la luz azul de dispositivos móviles, así como a habilidades relativamente débiles de gestión del tiempo30; sin embargo, estos factores no se evaluaron directamente en el presente estudio y deberían analizarse en investigaciones futuras.
Este estudio encontró diferencias graduadas significativas en los niveles de actividad física según los perfiles de sueño. La regresión logística multinomial mostró que, en comparación con los estudiantes del grupo con trastorno severo del sueño, aquellos del grupo con sueño saludable tenían probabilidades considerablemente mayores de alcanzar una actividad física alta (OR = 7,55). Estos hallazgos son coherentes con el concepto de agrupamiento de comportamientos saludables en medicina de estilo de vida, lo que sugiere que patrones favorables de sueño y actividad física regular pueden coexistir en los mismos individuos.
La asociación observada entre los perfiles de sueño y la actividad física (PA) puede explicarse mediante varias vías fisiológicas y psicológicas posibles, aunque estos mecanismos no se probaron directamente en el presente estudio transversal. En primer lugar, es posible que la actividad física regular facilite el sueño. La actividad física de intensidad moderada a vigorosa puede inducir un aumento agudo de la temperatura corporal, seguido de una disminución compensatoria tras el ejercicio que podría facilitar la iniciación del sueño y aumentar la proporción de sueño de ondas lentas17. Asimismo, la actividad física regular podría regular el sistema nervioso autónomo al mejorar el tono vagal y reducir la hiperactivación simpática. Además, las endorfinas relacionadas con el ejercicio y el factor neurotrófico derivado del cerebro podrían ayudar a aliviar la depresión y la ansiedad, reduciendo así los factores psicológicos que contribuyen al insomnio36,37. La actividad al aire libre durante el día podría aumentar aún más la exposición retiniana a la luz, ayudando a calibrar los ritmos circadianos y estabilizar la secreción de melatonina38. En segundo lugar, también es plausible que el mal sueño limite la actividad física diurna. Los estudiantes del grupo con trastorno severo del sueño podrían experimentar fatiga y somnolencia diurna debido a una recuperación nocturna insuficiente, como se refleja en las altas puntuaciones de disfunción diurna en el PSQI. Esta disminución de energía podría reducir la autoeficacia y la motivación para realizar esfuerzos físicos20,28. Evidencia experimental y revisada sugiere que el sueño y el ejercicio podrían influirse mutuamente a través de vías relacionadas con la recuperación, la fatiga, los estados anímicos y los ritmos circadianos28,39. Por lo tanto, es más probable que los estudiantes con problemas graves de sueño adopten estilos de vida sedentarios. Estas vías bidireccionales propuestas siguen siendo especulativas y deberían verificarse mediante estudios longitudinales de cohorte y ensayos controlados aleatorizados.
Este estudio tiene las fortalezas de una muestra relativamente grande y un enfoque analítico centrado en la persona; sin embargo, deben reconocerse varias limitaciones. Primero, dado que el estudio utilizó un diseño transversal, no pueden inferirse relaciones causales entre los patrones de sueño y la actividad física. Se necesitan estudios longitudinales futuros o ensayos controlados aleatorizados para evaluar los efectos de las intervenciones de ejercicio sobre perfiles específicos de sueño39. Segundo, tanto el sueño como la actividad física se evaluaron mediante escalas de autorreporte, que podrían verse afectadas por sesgos de recuerdo y de deseo social. Las investigaciones futuras deberían incorporar polisomnografía, acelerómetros o dispositivos portátiles para obtener datos fisiológicos y conductuales más objetivos22,24. Tercero, la muestra se limitó a estudiantes universitarios de instituciones del sur de China; por lo tanto, el contexto cultural y las condiciones climáticas podrían limitar la generalización de los hallazgos. Los estudios futuros deberían incluir participantes de regiones geográficas más amplias y de diversos grupos ocupacionales. Cuarto, aunque el análisis de sensibilidad para muestras complejas, ajustado por conglomerados según universidad y clase, produjo resultados consistentes, las pruebas de chi-cuadrado no consideraron explícitamente la correlación intraclase introducida por el muestreo por conglomerados. Los estudios futuros con un número mayor de conglomerados deberían considerar un análisis multivariado de perfiles latentes o regresión multinivel desde la etapa de diseño. Quinto, la regresión logística multinomial utilizó la pertenencia a clase más probable exportada desde el modelo de perfil latente, lo cual no considera completamente la incertidumbre en la clasificación. Aunque la alta entropía (0.915) y las probabilidades posteriores promedio superiores a 0.80 para todas las clases sugieren que la precisión de la clasificación fue alta, los estudios futuros deberían emplear enfoques basados en modelos, como el procedimiento de tres pasos de Bolck-Croon-Hagenaars (BCH), para propagar de manera más adecuada la incertidumbre de clasificación en los análisis auxiliares.
Los patrones de sueño de los estudiantes universitarios no son homogéneos, sino que muestran una clara heterogeneidad grupal. En este estudio, se clasificaron en cuatro perfiles latentes: sueño saludable, sueño insuficiente, mala calidad del sueño y trastorno grave del sueño. Los patrones de sueño favorables se asociaron positivamente con niveles moderados y altos de actividad física. Estos hallazgos sugieren que los educadores universitarios y los responsables de políticas de salud pública deberían evitar enfoques únicos al promover la salud mental y la aptitud física de los estudiantes. Para los estudiantes del grupo de sueño insuficiente, las intervenciones podrían centrarse en la gestión del tiempo y en los comportamientos previos a la hora de dormir. Para los estudiantes del grupo con trastorno grave del sueño, podría considerarse apoyo psicológico profesional, incluyendo la terapia cognitivo-conductual para el insomnio (CBT-I), cuando esté clínicamente indicado40. El nivel de actividad física podría servir como un marcador conductual útil para identificar a los estudiantes en riesgo de mal sueño, pero se necesitan estudios longitudinales e intervenciones para determinar si aumentar la actividad física puede mejorar perfiles específicos de sueño.
Divulgaciones
Los autores declaran que este trabajo se realizó en ausencia de cualquier relación comercial o financiera que pudiera interpretarse como un posible conflicto de intereses.
Agradecimientos
Agradecemos a las universidades participantes y a todos los estudiantes que completaron la encuesta. Este trabajo fue financiado por el Proyecto de Investigación en Humanidades y Ciencias Sociales para Jóvenes Investigadores del Ministerio de Educación (Número de subvención: 23YJC890059); y por el Proyecto de Investigación sobre Reforma Educativa de la Provincia de Hunan (Número de subvención: 202502000069).
Materiales
| Nombre | Empresa | Número de catálogo | Comentarios |
|---|---|---|---|
| Cuestionario demográfico y de estilo de vida | Diseñado por el equipo del estudio | N/A | Utilizado para recopilar datos sobre sexo, edad, grado académico, lugar de origen, índice de masa corporal, antecedentes de tabaquismo, antecedentes de consumo de alcohol y tiempo medio diario frente a pantallas. |
| Índice de Calidad del Sueño de Pittsburgh (PSQI) | Buysse et al., 1989 | DOI: 10.1016/0165-1781(89)90047-4 | Utilizado para evaluar la calidad del sueño durante el mes anterior. Se utilizaron siete puntuaciones componentes como indicadores observados para el análisis de perfiles latentes. |
| Cuestionario Internacional de Actividad Física - Versión Corta (IPAQ-SF) | Craig et al., 2003 | DOI: 10.1249/01.MSS.0000078924.61453 .FB | Utilizado para evaluar la marcha, la actividad física de intensidad moderada y la actividad física vigorosa durante los últimos siete días. |
| Formulario de consentimiento informado por escrito | Equipo del estudio y universidades participantes | Aprobación ética n.º JSDX-2023-0034 | Utilizado para documentar la participación voluntaria de estudiantes universitarios de entre 18 y 25 años de edad. |
| Procedimiento de recolección de datos mediante cuestionario | Universidades participantes del sur de China | N/A | Utilizado para el muestreo aleatorio estratificado por conglomerados en múltiples etapas y la administración de cuestionarios entre septiembre y diciembre de 2025. |
| Mplus | Muthen & Muthen | Versión 8.3 | Utilizado para realizar el análisis de perfiles latentes basado en las siete puntuaciones componentes del PSQI. |
| IBM SPSS Statistics | IBM | Versión 26.0 | Utilizado para realizar pruebas de chi-cuadrado y análisis de regresión logística multinomial. |
| Microsoft Excel | Microsoft | N/A | Utilizado para preparar archivos de tablas de JoVE separados para su carga. |
Referencias
- Chaput JP, et al. Sleeping hours: What is the ideal number and how does age impact this? Nat Sci Sleep. 2018;10:421–430.
- Li J, et al. Sleep in normal aging. Sleep Med Clin. 2018;13(1):1–11.
- Becker SP, et al. Sleep in a large, multi-university sample of college students: Sleep problem prevalence, sex differences, and mental health correlates. Sleep Health. 2018;4(2):174–181.
- Lund HG, et al. Sleep patterns and predictors of disturbed sleep in a large population of college students. J Adolesc Health. 2010;46(2):124–132.
- Chen X, et al. Sleep characteristics and health-related quality of life among a national sample of American young adults. Sleep. 2014;37(4):793–799.
- Steptoe A, et al. Sleep duration and health in young adults. Arch Intern Med. 2006;166(16):1689–1692.
- Zhai L, et al. Sleep duration and depression among adults: A meta-analysis of prospective studies. Depress Anxiety. 2015;32(9):664–670.
- Grandner MA, et al. Sleep: Important considerations for the prevention of cardiovascular disease. Curr Opin Cardiol. 2016;31(5):551–565.
- Buysse DJ, et al. The Pittsburgh Sleep Quality Index: A new instrument for psychiatric practice and research. Psychiatry Res. 1989;28(2):193–213.
- Hirshkowitz M, et al. National Sleep Foundation’s sleep time duration recommendations: Methodology and results summary. Sleep Health. 2015;1(1):40–43.
- Nylund-Gibson K, et al. Ten frequently asked questions about latent class analysis. Transl Issues Psychol Sci. 2018;4(4):440–461.
- Nylund KL, et al. Deciding on the number of classes in latent class analysis and growth mixture modeling: A Monte Carlo simulation study. Struct Equ Modeling. 2007;14(4):535–569.
- Lanza ST, et al. Latent class analysis: An alternative perspective on subgroup analysis in prevention and treatment. Prev Sci. 2013;14(2):157–168.
- Bull FC, et al. World Health Organization 2020 guidelines on physical activity and sedentary behaviour. Br J Sports Med. 2020;54(24):1451–1462.
- U.S. Department of Health and Human Services. Physical Activity Guidelines for Americans. 2nd ed. U.S. Department of Health and Human Services; Washington, DC; 2018.
- Stamatakis E, et al. Sitting time, physical activity, and risk of mortality in adults. J Am Coll Cardiol. 2019;73(16):2062–2072.
- Nystoriak MA, et al. Cardiovascular effects and benefits of exercise. Front Cardiovasc Med. 2018;5:135.
- Biddle SJH, et al. A systematic review of physical activity and health in emerging adults. J Sci Med Sport. 2015;18(6):633–638.
- Lubans D, et al. Physical activity for cognitive and mental health in youth: A systematic review of mechanisms. Pediatrics. 2016;138(3):e20161642.
- Kredlow MA, et al. The effects of physical activity on sleep: A meta-analytic review. J Behav Med. 2015;38(3):427–449.
- Wang F, et al. The effect of physical activity on sleep quality: A systematic review. Eur J Physiother. 2021;23(1):11–18.
- Buman MP, et al. Objectively measured physical activity and sleep in older men. J Sleep Res. 2014;23(2):164–171.
- Loprinzi PD, et al. Association between objectively-measured physical activity and sleep, NHANES 2005–2006. Ment Health Phys Act. 2011;4(2):65–69.
- Vandelanotte C, et al. Associations between objective sleep characteristics and physical activity and sedentary behaviours. J Sci Med Sport. 2019;22(5):565–570.
- Pedisic Z, et al. State of health in Australian adults: Does physical activity mitigate the negative impact of poor sleep? J Sci Med Sport. 2014;17(1):60–65.
- Memon AR, et al. Sleep and physical activity in university students: A systematic review and meta-analysis. Sleep Med Rev. 2021;58:101482.
- Kline CE. The bidirectional relationship between exercise and sleep: Implications for exercise adherence and sleep improvement. Am J Lifestyle Med. 2014;8(6):375–379.
- Dolezal BA, et al. Interrelationship between sleep and exercise: A systematic review. Adv Prev Med. 2017;2017:1364387.
- Gerber M, et al. Fitness and exercise as correlates of sleep complaints: Is it all in our minds? Med Sci Sports Exerc. 2010;42(5):893–901.
- Wu X, et al. Low physical activity and high screen time can increase the risks of mental health problems and poor sleep quality among Chinese college students. PLoS One. 2015;10(3):e0119607.
- Carter B, et al. Association between portable screen-based media device access or use and sleep outcomes: A systematic review and meta-analysis. JAMA Pediatr. 2016;170(12):1202–1208.
- Craig CL, et al. International Physical Activity Questionnaire: 12-country reliability and validity. Med Sci Sports Exerc. 2003;35(8):1381–1395.
- Dinger MK, et al. Validity and reliability of the International Physical Activity Questionnaire in college students. Am J Health Educ. 2006;37(6):337–343.
- Muthén LK, Muthén BO. Mplus User’s Guide. 8th ed. Muthén & Muthén; Los Angeles, CA; 1998–2017.
- Spurk D, et al. Latent profile analysis: A review and “how to” guide of its application within vocational behavior research. J Vocat Behav. 2020;120:103445.
- Rebar AL, et al. A meta-meta-analysis of the effect of physical activity on depression and anxiety in non-clinical adult populations. Health Psychol Rev. 2015;9(3):366–378.
- Yang PY, et al. Exercise training improves sleep quality in middle-aged and older adults with sleep problems: A systematic review. J Physiother. 2012;58(3):157–163.
- Irish LA, et al. The role of sleep hygiene in promoting public health: A review of empirical evidence. Sleep Med Rev. 2015;22:23–36.
- Driver HS, et al. Exercise and sleep. Sleep Med Rev. 2000;4(4):387–402.
- Morin CM, et al. Chronic insomnia. Lancet. 2012;379(9821):1129–1141.