Questa analisi trasversale di profilo latente condotta su 1.420 studenti universitari cinesi ha identificato quattro profili di sonno distinti utilizzando il PSQI. Profili di sonno più sani sono risultati significativamente associati a livelli più elevati di attività fisica moderata-intensa, suggerendo target specifici per il profilo del sonno da includere nelle iniziative di promozione della salute nei campus universitari.
Articolo di ricerca
Analisi dei profili latenti dei pattern del sonno e della loro associazione con i livelli di attività fisica tra gli studenti universitari cinesi
* These authors contributed equally
In questo articolo
Sommario
Abstract
Questo studio trasversale mirava a identificare profili latenti di schemi di sonno tra studenti universitari ed esaminarne le associazioni con i livelli di attività fisica (PA), fornendo così evidenze empiriche per interventi sanitari mirati negli ambienti universitari. Un totale di 1.420 studenti universitari è stato reclutato mediante campionamento casuale stratificato a grappoli in tre università complete del sud della Cina. La qualità del sonno e l'attività fisica sono state valutate rispettivamente tramite l'Indice di Qualità del Sonno di Pittsburgh (PSQI) e il Questionario Internazionale sull'Attività Fisica - Versione Breve (IPAQ-SF). Sono state eseguite analisi di profilo latente (LPA), test del chi-quadrato e analisi di regressione logistica multinomiale utilizzando un software statistico appropriato. Quattro profili latenti del sonno sono stati identificati in base alle probabilità di classe stimate dal modello: sonno sano (44,7%), sonno insufficiente (24,8%), scarsa qualità del sonno (20,3%) e disturbo grave del sonno (10,2%); le proporzioni osservate corrispondenti, basate sull'assegnazione alla classe più probabile, erano rispettivamente del 45,0%, 25,0%, 20,0% e 10,0% (n = 639, 355, 284 e 142). Sesso e livello di attività fisica differivano significativamente tra i profili. Rispetto agli studenti del gruppo con grave disturbo del sonno, gli studenti del gruppo con sonno sano avevano maggiori probabilità di riportare un'attività fisica moderata (odds ratio (OR) = 4,69, intervallo di confidenza (CI) al 95%: 2,92–7,51) e un'alta attività fisica (OR = 7,55, 95% CI: 4,41–12,91). Gli studenti del gruppo con sonno insufficiente avevano anche maggiori probabilità di riportare un'attività fisica moderata (OR = 2,98, 95% CI: 1,83–4,86) e un'alta attività fisica (OR = 5,02, 95% CI: 2,84–8,87). Gli schemi di sonno degli studenti universitari mostravano una chiara eterogeneità. Schemi di sonno favorevoli erano associati a livelli più elevati di attività fisica. A causa del disegno trasversale dello studio, non è possibile inferire relazioni causali. Dovrebbero essere sviluppate strategie di intervento differenziate in base alle caratteristiche specifiche del sonno dei sottogruppi, e la promozione dell'attività fisica potrebbe essere considerata un possibile obiettivo comportamentale per gli studenti con sonno scadente.
Introduzione
Il sonno è essenziale non solo per mantenere le funzioni fisiologiche di base, ma anche per sostenere la salute fisica e mentale, lo sviluppo cognitivo e la regolazione emotiva1,2. Tuttavia, nelle odierne società caratterizzate da ritmi accelerati, i disturbi del sonno sono diventati un problema di salute pubblica a livello globale. I problemi legati al sonno sono particolarmente diffusi tra gli studenti universitari, i quali spesso sperimentano una ridotta supervisione da parte dei genitori dopo l'ingresso all'università e si trovano ad affrontare pressioni accademiche, difficoltà di adattamento interpersonale e un uso eccessivo di dispositivi elettronici3. Studi epidemiologici hanno mostrato che circa il 25%–60% degli studenti universitari in tutto il mondo riferisce gradi variabili di scarsa qualità del sonno o di privazione del sonno4,5. Problemi persistenti di sonno possono compromettere la funzione del sistema nervoso centrale, causando difficoltà di attenzione e declino della memoria; possono inoltre aumentare il rischio di sviluppare disturbi mentali internalizzanti, come depressione e ansia6,7, nonché il rischio futuro di malattie cardiovascolari e sindrome metabolica8.
Gli studi precedenti sul sonno hanno adottato principalmente una prospettiva analitica centrata sulle variabili, valutando lo stato del sonno a livello di gruppo attraverso punteggi totali ottenuti da scale standardizzate come l'Indice di Qualità del Sonno di Pittsburgh (PSQI) o i punteggi medi di dimensioni specifiche9. Sebbene questo approccio fornisca una stima intuitiva della gravità complessiva del sonno, esso assume implicitamente che la popolazione in studio sia omogenea. In realtà, il sonno è un processo fisiologico multidimensionale che comprende durata del sonno, latenza del sonno, efficienza del sonno, risvegli notturni e disfunzioni diurne10. Individui con lo stesso punteggio totale al PSQI possono presentare combinazioni di sintomi sostanzialmente diverse; ad esempio, uno studente potrebbe avere principalmente difficoltà ad addormentarsi, mentre un altro potrebbe sperimentare risveglio precoce e sonnolenza diurna. Negli ultimi anni, gli approcci centrati sulla persona hanno ricevuto un'attenzione crescente. L'analisi latente dei profili (LPA) permette di identificare sottogruppi eterogenei non osservati nei dati, massimizzando le differenze tra i profili e minimizzando quelle all'interno di ciascun profilo11,12. Attraverso la LPA, i ricercatori possono caratterizzare in modo più accurato specifici profili di sonno tra gli studenti universitari13, fornendo così obiettivi più precisi per interventi mirati.
L'attività fisica (PA) è ampiamente raccomandata dall'Organizzazione Mondiale della Sanità e da altre linee guida di sanità pubblica come caposaldo della promozione della salute lungo l'intero arco della vita14,15. Studi empirici e meta-analisi hanno dimostrato che un'attività fisica regolare di intensità moderata a vigorosa può migliorare la capacità cardiorespiratoria e ridurre la mortalità16,17, contribuendo inoltre ad alleviare lo stress psicologico e a migliorare le funzioni cognitive18,19. L'attività fisica è considerata anche un intervento non farmacologico efficace per i disturbi del sonno20,21. Associazioni positive tra attività fisica e qualità del sonno sono state riportate in studi di coorte che utilizzano dispositivi oggettivi come accelerometri22,23,24 e in studi trasversali basati su questionari auto-riferiti25,26. Inoltre, esercizio fisico e sonno sembrano avere una relazione bidirezionale: un sonno adeguato può aumentare la motivazione e la resistenza all'attività fisica, mentre il dispendio energetico diurno può favorire il sonno a onde lente durante la notte27,28.
Sebbene esista un ampio consenso riguardo ai benefici dell'attività fisica sulla qualità complessiva del sonno, la letteratura esistente presenta diverse limitazioni. La maggior parte degli studi ha considerato l'attività fisica come una variabile indipendente in grado di prevedere un singolo punteggio relativo al sonno, trascurando così la possibilità che diversi modelli di sonno possano corrispondere a specifiche combinazioni di caratteristiche dello stile di vita29,30. Resta insufficientemente chiaro se i livelli di attività fisica differiscano tra i diversi profili latenti del sonno negli studenti universitari.
Alla luce di questo contesto, lo scopo di questo studio era: (1) identificare profili latenti basati su indicatori multidimensionali della qualità del sonno tra studenti universitari cinesi mediante l'analisi dei profili latenti (LPA); e (2) esaminare le associazioni tra i profili del sonno e i livelli di attività fisica (bassi, moderati e alti) dopo aver controllato le variabili demografiche. Si ipotizzava che tra gli studenti universitari fossero presenti profili del sonno eterogenei e che gli studenti con un modello di sonno sano fossero più propensi a raggiungere livelli di attività fisica da moderata a vigorosa rispetto a coloro che presentavano gravi disturbi del sonno.
Protocollo
Lo studio è stato approvato dal Comitato Etico per la Biomedicina dell'Università di Jishou (Numero di approvazione: JSDX-2023-0034). Tutti i partecipanti erano studenti universitari a tempo pieno di età compresa tra 18 e 25 anni e hanno fornito un consenso informato scritto prima della partecipazione. È stata ottenuta l'autorizzazione dalle università partecipanti. I dati del sondaggio sono stati utilizzati esclusivamente per ricerca accademica e sono stati analizzati in forma anonima. Lo studio è stato condotto nel rispetto della Dichiarazione di Helsinki e dei requisiti istituzionali locali.
Reclutamento dei partecipanti e progettazione del campionamento
È stato condotto un sondaggio trasversale tra studenti universitari di tre università complete del sud della Cina tra settembre e dicembre 2025, utilizzando un disegno campionario casuale stratificato a grappoli multistadio. Nella prima fase, tre università complete sono state selezionate da un elenco di università pubbliche complete del sud della Cina mediante campionamento casuale stratificato, con strati definiti in base alla regione amministrativa provinciale per garantire una rappresentanza geografica. Nella seconda fase, all'interno di ciascuna università selezionata, sono state scelte casualmente due o tre classi intere per ogni livello accademico (dal primo all'ultimo anno) come unità di campionamento a grappolo, utilizzando numeri casuali generati al computer, ottenendo un totale di 28 classi distribuite tra le tre università. Tutti gli studenti delle classi selezionate sono stati invitati a partecipare, come mostrato in Figura 1. I criteri di inclusione erano i seguenti: (1) status di studente universitario a tempo pieno; (2) età compresa tra 18 e 25 anni; e (3) partecipazione volontaria con consenso informato scritto. I criteri di esclusione erano: (1) malattia fisica grave recente o controindicazioni all'esercizio fisico, come fratture o gravi malattie cardiache; (2) uso attuale di farmaci psichiatrici, come trattamenti per depressione grave o schizofrenia; e (3) tempo di compilazione del questionario inferiore a 180 secondi o evidenti incongruenze logiche, come la selezione della stessa opzione per tutti gli elementi. Sono stati distribuiti complessivamente 1.500 questionari. Dei 80 questionari non validi esclusi durante la pulizia dei dati, 24 sono stati esclusi per tempo di compilazione inferiore a 180 secondi, 20 per incongruenze logiche (ad esempio, risposte identiche in tutti gli elementi o risposte contraddittorie), 18 per età al di fuori dell'intervallo 18–25 anni, 11 per dati mancanti eccessivi (più del 20% degli elementi), e 7 per malattia fisica grave autosegnalata o uso attuale di farmaci psichiatrici. Sono rimasti 1.420 questionari validi per l'analisi, con un tasso di risposta efficace del 94,67%.
Figura 1: Progettazione dello studio e flusso analitico. Schema riassuntivo del reclutamento e della selezione dei partecipanti (1.500 questionari distribuiti; 80 esclusi; N = 1.420 inclusi), valutazione mediante PSQI e IPAQ-SF, analisi del profilo latente (modelli da uno a cinque profili confrontati utilizzando AIC, BIC, aBIC, entropia, LMRT e BLRT), assegnazione a quattro profili del sonno, test chi-quadrato bivariati, regressione logistica multinomiale con il genere come covariata e analisi di sensibilità (aggiustamento completo delle covariate ed errori standard robusti per cluster). Cliccare qui per visualizzare una versione ingrandita di questa figura.
Valutazione demografica e dello stile di vita
È stato utilizzato un questionario auto-progettato per raccogliere informazioni sulle caratteristiche demografiche e sociologiche, inclusi genere (maschio/femmina), età (in anni), anno di corso (primo, secondo, terzo, quarto anno), luogo di provenienza (urbano/rurale), indice di massa corporea (BMI), storia del fumo, storia dell'assunzione di alcol e tempo medio giornaliero trascorso davanti a schermi. Il BMI è stato calcolato come il peso corporeo in chilogrammi diviso per il quadrato dell'altezza in metri (BMI = peso [kg] / altezza [m]²)2). L'altezza e il peso auto-dichiarati sono stati verificati per valori implausibili prima dell'analisi; i casi con altezza <140 cm oppure >200 cm, peso <30 kg o >150 kg, o BMI <12 kg/m2 o >40 kg/m2 sono stati segnalati e verificati rispetto ai dati originali, con esclusione degli outlier confermati. Lo stato di fumatore è stato classificato come mai fumatore, occasionale (fumo alcuni giorni ma non quotidianamente) o regolare (fumo quotidiano), in base al comportamento autodichiarato nell'ultimo mese. Il consumo di alcol è stato classificato come mai, occasionale (consumo meno di una volta alla settimana) o regolare (consumo almeno una volta alla settimana), riferito all'ultimo mese. Il tempo medio giornaliero trascorso davanti a schermi è stato valutato chiedendo ai partecipanti di indicare il numero totale di ore al giorno dedicate a smartphone, computer, tablet e televisione nell'ultimo mese, registrato come variabile continua. Il questionario è stato sottoposto a un test pilota su 30 studenti universitari prima della raccolta formale dei dati, al fine di valutare la chiarezza degli item e il tempo di compilazione; sono state apportate lievi modifiche al testo in base ai feedback ottenuti nel test pilota. Studi precedenti hanno suggerito che queste variabili potrebbero confondere l'associazione tra sonno e attività fisica30,31. Tutti gli strumenti, software e materiali utilizzati in questo studio sono elencati nel Tabella dei materiali.
Valutazione della qualità del sonno
Il PSQI, sviluppato da Buysse et al.9, è stato utilizzato per valutare la qualità del sonno dei partecipanti nell'ultimo mese. La scala comprende 19 voci autovalutate che costituiscono sette componenti: qualità soggettiva del sonno, latenza dell'addormentamento, durata del sonno, efficienza abituale del sonno, disturbi del sonno, uso di farmaci ipnotici e disfunzione diurna. Ogni componente viene punteggiato da 0 (nessuna difficoltà) a 3 (difficoltà grave). I punteggi di questi sette componenti continui sono stati utilizzati come indicatori osservati per l'LPA. Il PSQI ha dimostrato buona affidabilità e validità in popolazioni di studenti universitari in Cina e a livello internazionale30Nello studio attuale, l'alfa di Cronbach per la scala è stato 0,83.
Valutazione dell'attività fisica
L'IPAQ-SF, sviluppato da Craig et al.32, è stato utilizzato per valutare l'attività fisica dei partecipanti durante i sette giorni precedenti. Il questionario registra la frequenza (giorni/settimana) e la durata (minuti/giorno) dell'attività fisica intensa, dell'attività fisica di intensità moderata e della camminata. I valori dell'equivalente metabolico del compito (MET) sono stati calcolati secondo il protocollo di punteggio IPAQ: MET-min/settimana per la camminata = 3,3 × durata × frequenza; MET-min/settimana per attività di intensità moderata = 4,0 × durata × frequenza; e MET-min/settimana per attività di intensità intensa = 8,0 × durata × frequenza. I valori MET per i tre tipi di attività sono stati sommati per ottenere il livello totale di attività fisica. I partecipanti sono stati classificati in alta PA, moderata PA e bassa PA in base ai criteri di punteggio IPAQ-SF validati in studenti universitari33. L'alta PA è definita come attività intensa per almeno tre giorni con un livello totale di attività fisica di almeno 1.500 MET-min/settimana, oppure qualsiasi combinazione di camminata, attività di intensità moderata o intensa per sette o più giorni con un livello totale di attività fisica di almeno 3.000 MET-min/settimana. La PA moderata è definita come attività intensa per almeno tre giorni per almeno 20 minuti al giorno, oppure attività di intensità moderata e/o camminata per almeno cinque giorni per almeno 30 minuti al giorno, oppure qualsiasi combinazione di attività che raggiunga almeno 600 MET-min/settimana. La bassa PA è definita come mancato soddisfacimento dei criteri per la PA moderata o alta. La pulizia dei dati ha seguito il protocollo ufficiale di punteggio IPAQ: sono stati esclusi i partecipanti che riportavano più di 16 h di attività totale al giorno; le durate giornaliere per categoria sono state troncate a 180 min prima del calcolo dei MET-minuti; e i casi con risposte logicamente incoerenti sono stati rimossi durante la pulizia dei dati.
Analisi statistica
Innanzitutto, eseguire l'analisi di profilo latente (LPA) utilizzando un software di modellazione dei profili latenti (vedere la Tabella dei materiali)34. Dei 1.420 partecipanti, 33 (2,3%) presentavano dati parzialmente mancanti nel PSQI, con 69 risposte mancanti su 9.940 risposte relative ai singoli componenti (0,69%; cioè 1.420 partecipanti × sette punteggi dei componenti del PSQI). Per gestire questi dati mancanti, si è utilizzato il metodo della massima verosimiglianza con informazione completa (FIML), assumendo che i dati mancanti fossero casuali. Sono stati stimati sequenzialmente modelli con da uno a cinque profili. L'adattamento del modello è stato valutato mediante il criterio di informazione di Akaike (AIC), il criterio di informazione bayesiano (BIC), il BIC corretto per la dimensione del campione (aBIC), l'entropia, il test del rapporto di verosimiglianza di Lo-Mendell-Rubin (LMRT) e il test del rapporto di verosimiglianza con bootstrap (BLRT). Valori più bassi di AIC, BIC e aBIC indicano un adattamento relativo migliore, mentre valori di entropia più vicini a 1 indicano una maggiore accuratezza nella classificazione. Il LMRT e il BLRT sono stati utilizzati per determinare se un modello con k profili si adattasse significativamente meglio di un modello con k−1 profili. La soluzione ottimale di profili è stata selezionata considerando congiuntamente gli indici statistici di adattamento, l'entropia, la dimensione delle classi (nessun profilo doveva contenere meno del 5% del campione) e l'interpretabilità sostanziale, seguendo le linee guida consolidate per l'analisi di profilo latente11,35. Dopo aver selezionato la soluzione ottimale di profili, l'appartenenza più probabile di ciascun individuo a una classe è stata esportata in un software statistico (vedere la Tabella dei materiali) per le analisi successive. Sono stati utilizzati test chi-quadrato di Pearson per esaminare le differenze nelle caratteristiche demografiche e nei livelli di attività fisica tra i diversi profili di sonno. I test chi-quadrato bivariati hanno mostrato che solo il genere e il livello di attività fisica differivano in modo significativo tra i quattro profili di sonno (entrambi p < 0,001), mentre età, classe scolastica, BMI, fumo, consumo di alcol e tempo trascorso davanti agli schermi non differivano (tutti p > 0,05; vedere la Tabella supplementare 1). Pertanto, solo il genere è stato incluso come covariata nel modello di regressione logistica multinomiale, in linea con il principio di parsimonia. Un'analisi di sensibilità che includeva tutte le covariate raccolte ha prodotto lo stesso andamento e significatività dei risultati (Tabella supplementare 2). È stata eseguita una regressione logistica multinomiale con il livello di attività fisica come variabile dipendente (PA bassa = 0, PA moderata = 1, PA elevata = 2) e il profilo di sonno come variabile indipendente principale. Sono stati calcolati gli odds ratio (OR) e gli intervalli di confidenza al 95% (IC). Tutti i test erano a due code e la significatività statistica è stata fissata a p < 0,05. Poiché i partecipanti sono stati reclutati attraverso classi intere annidate all'interno di università, è stata condotta un'analisi di sensibilità utilizzando il modulo per campioni complessi del software statistico (vedere la Tabella dei materiali), specificando università e classe come variabili di raggruppamento, al fine di ottenere errori standard aggiustati per il disegno sperimentale. I risultati erano coerenti con quelli ottenuti dalla regressione logistica multinomiale standard (Tabella supplementare 3). Il set di dati grezzo anonimizzato, con etichette delle variabili in inglese e un codebook, è fornito come File supplementare 1.
Risultati
Sono stati estratti modelli con uno a cinque profili latenti. Come mostrato nella Tabella 1, AIC, BIC e aBIC sono diminuiti all'aumentare del numero di profili. Il modello a quattro profili presentava il valore di entropia più alto (0,915) e sia il LMRT che il BLRT erano significativi (p < 0,001). Al contrario, il LMRT per il modello a cinque profili non era significativo (p = 0,085) e l'entropia è diminuita a 0,880. Pertanto, sebbene il modello a cinque profili mostrasse criteri informativi più bassi, è stato selezionato il modello a quattro profili poiché offriva un migliore equilibrio tra accuratezza della classificazione, parsimonia del modello, dimensione delle classi e interpretabilità sostanziale. Le etichette dei profili sono state assegnate in base alle medie condizionate dei sette punteggi dei componenti del PSQI tra le classi (Figura 2), in linea con le pratiche raccomandate per la presentazione dell'analisi dei profili latenti11.
Tabella 1: Indici di adattamento del modello per l'analisi del profilo latente dei modelli di sonno negli studenti universitari. AIC, criterio informativo di Akaike; BIC, criterio informativo bayesiano; aBIC, BIC aggiustato per la dimensione del campione; LMRT, test del rapporto di verosimiglianza Lo-Mendell-Rubin; BLRT, test del rapporto di verosimiglianza con bootstrap. Cliccare qui per scaricare questa tabella.
Figura 2: Analisi delle traiettorie latenti dei modelli di sonno: soluzione a quattro profili. Il grafico a linee mostra i punteggi dei componenti del PSQI nei quattro profili latenti di sonno: sonno sano, sonno insufficiente, scarsa qualità del sonno e grave disturbo del sonno. Cliccare qui per visualizzare una versione ingrandita di questa figura.
Sulla base delle caratteristiche dei punteggi dei componenti del PSQI, i quattro profili sono stati denominati gruppo con sonno sano (C1), gruppo con sonno insufficiente (C2), gruppo con scarsa qualità del sonno (C3) e gruppo con grave disturbo del sonno (C4). Le probabilità stimate dal modello per ciascuna classe erano rispettivamente 0,447, 0,248, 0,203 e 0,102. Sulla base dell'assegnazione alla classe più probabile, le frequenze osservate erano 639 (45,0%), 355 (25,0%), 284 (20,0%) e 142 (10,0%) per C1–C4, rispettivamente. I test del chi-quadrato hanno indicato differenze significative tra i profili per quanto riguarda il genere e i livelli di attività fisica (p < 0,001; Tabella 2). La soluzione a quattro profili ha fornito il miglior equilibrio tra adattamento del modello e interpretabilità teorica, con un'elevata accuratezza di classificazione (entropia = 0,915).
Gruppo con sonno sano (C1, 45,0%): gli studenti di questo gruppo hanno ottenuto punteggi bassi in tutti e sette i componenti del PSQI, indicando un sonno relativamente regolare e una migliore qualità del sonno. Gruppo con sonno insufficiente (C2, 25,0%): questo gruppo si è caratterizzato per punteggi relativamente elevati relativi alla durata del sonno e alla latenza del sonno, mentre la disfunzione diurna non è risultata particolarmente evidente. Gruppo con scarsa qualità del sonno (C3, 20,0%): gli studenti di questo gruppo hanno ottenuto punteggi relativamente elevati per quanto riguarda la qualità soggettiva del sonno, le interruzioni del sonno e la disfunzione diurna, insieme a un'efficienza del sonno relativamente bassa. Gruppo con disturbo del sonno grave (C4, 10,0%): questo sottogruppo ha mostrato punteggi elevati nella maggior parte dei componenti del PSQI e ha riportato punteggi più alti per l'uso di farmaci ipnotici rispetto agli altri profili, suggerendo un rischio aumentato di problemi del sonno clinicamente rilevanti, piuttosto che una diagnosi clinica confermata.
Le medie condizionali esatte e le deviazioni standard dei sette punteggi dei componenti del PSQI per ciascun profilo sono riportate nella Tabella Supplementare 4.
Tabella 2: Distribuzione delle caratteristiche demografiche e dei livelli di attività fisica tra i diversi profili di sonno. C1, gruppo con sonno sano; C2, gruppo con sonno insufficiente; C3, gruppo con scarsa qualità del sonno; C4, gruppo con grave disturbo del sonno. Cliccare qui per scaricare questa tabella.
Il livello di attività fisica è stato inserito come variabile dipendente, con bassa AF come categoria di riferimento. Il profilo del sonno è stato inserito come variabile indipendente, con il gruppo con disturbo del sonno grave come categoria di riferimento, e il genere è stato controllato. Come mostrato nella Tabella 3, gli studenti nei gruppi con sonno sano e sonno insufficiente avevano una probabilità significativamente maggiore di riportare un'attività fisica moderata e alta rispetto a quelli nel gruppo con disturbo del sonno grave. Questi risultati supportano un'associazione tra profili di sonno favorevoli e livelli più elevati di attività fisica, ma il disegno trasversale non consente di trarre inferenze causali.
Tabella 3: Regressione logistica multinomiale dei profili di sonno e dei livelli di attività fisica tra studenti universitari. L'attività fisica bassa è stata la categoria di riferimento per l'esito, e il gruppo con disturbo del sonno grave è stata la categoria di riferimento per il profilo del sonno. Cliccare qui per scaricare questa tabella.
DISPONIBILITÀ DEI DATI:
I dati grezzi anonimizzati e il codice di analisi che supportano i risultati di questo studio sono disponibili liberamente su Figshare all'indirizzo https://doi.org/10.6084/m9.figshare.33340908.
File supplementare 1: Dataset grezzo con identificativi rimossi (Sleep_LPA_Raw_Data_N1420.xlsx) con etichette delle variabili in inglese e codebook.Cliccare qui per scaricare il file.
Tabella supplementare 1: Test bivariati delle differenze dei covarianti tra i profili del sonno.
Nota: le variabili categoriche sono state analizzate con test chi-quadrato di Pearson; le variabili continue con ANOVA ad un fattore. Solo il genere presentava differenze significative tra i profili (p < 0,001). Le distribuzioni dettagliate per categoria relative a livello scolastico, provenienza, fumo, consumo di alcol e indirizzo di studi sono omesse per brevità, ma sono disponibili dai dati grezzi.Cliccare qui per scaricare il file.
Tabella supplementare 2: Regressione logistica multinomiale aggiustata per tutti i covarianti (analisi di sensibilità).
Nota: Categoria di riferimento per PA: PA bassa; categoria di riferimento per il profilo del sonno: C4 (Disturbo grave). Il modello è stato aggiustato per sesso, età, BMI, tempo trascorso davanti agli schermi, livello scolastico, luogo di provenienza, fumo, consumo di alcol e materia principale. La direzione e la significatività di tutte le associazioni sono coerenti con l'analisi primaria (Tabella 3), che era stata aggiustata solo per il sesso.Cliccare qui per scaricare il file.
Tabella supplementare 3: Regressione logistica multinomiale con errori standard robusti per cluster (SPSS Complex Samples).
Nota: Errori standard aggiustati per cluster in base all'università e alla classe (equivalente SPSS Complex Samples; N = 1.420, cluster = 3 università × classi integre). I coefficienti B sono identici all'analisi principale (Tabella 3); soltanto gli errori standard e i valori p differiscono. C1 e C2 rimangono significativamente associati sia all'attività fisica moderata sia a quella elevata; C3 rimane non significativo.Cliccare qui per scaricare il file.
Tabella supplementare 4: Medie e deviazioni standard dei punteggi dei componenti del PSQI per profilo del sonno.
Nota: I valori sono medie condizionali (deviazioni standard) basate sull'assegnazione alla classe più probabile. Tutti e sette i componenti del PSQI e il punteggio totale differivano in modo significativo tra i profili (ANOVA univariata, tutti p < 0,001). C1 = sonno sano; C2 = sonno insufficiente; C3 = scarsa qualità del sonno; C4 = disturbo del sonno grave.Cliccare qui per scaricare il file.
Discussione
Utilizzando un campione trasversale relativamente ampio, questo studio ha applicato un approccio LPA centrato sulla persona per identificare quattro profili eterogenei del sonno tra studenti universitari cinesi ed ha ulteriormente esaminato le associazioni tra questi profili e diversi livelli di attività fisica. I risultati forniscono una prospettiva utile per comprendere il raggruppamento dei comportamenti legati alla salute riguardanti il sonno e l'esercizio fisico tra gli studenti universitari e offrono obiettivi più precisi per interventi di salute pubblica negli ambienti universitari.
Questo studio ha classificato i modelli di sonno degli studenti universitari in quattro profili: sonno sano, sonno insufficiente, scarsa qualità del sonno e disturbo del sonno grave. Sebbene il gruppo con sonno sano rappresentasse la proporzione maggiore (45,0%), oltre la metà degli studenti (55,0%) è stata classificata in profili caratterizzati da un sonno scadente. Questo risultato è coerente con le evidenze internazionali che indicano un'elevata prevalenza di problemi del sonno tra gli adolescenti e i giovani adulti3,4. In particolare, la proporzione di studentesse nel gruppo con disturbo del sonno grave era notevolmente più alta rispetto a quella degli studenti maschi (68,3% contro 31,7%), risultato in linea con precedenti osservazioni sulle differenze di sesso nei modelli di sonno. Le fluttuazioni dei livelli ormonali femminili durante il ciclo mestruale, compresi i cambiamenti ciclici di estrogeni e progesterone, potrebbero aumentare la vulnerabilità ai disturbi del sonno10. Da un punto di vista psicologico, le studentesse potrebbero inoltre essere più sensibili allo stress accademico e interpersonale e più inclini a interiorizzare emozioni negative. Tale rimuginio mentale potrebbe prolungare la latenza del sonno e ridurne la profondità7. Inoltre, il 25,0% degli studenti apparteneva al gruppo con sonno insufficiente. Sulla base della letteratura esistente, questo profilo potrebbe essere in parte attribuibile al prolungato utilizzo di schermi prima di andare a dormire e all'esposizione alla luce blu proveniente dai dispositivi mobili, nonché a competenze relativamente scarse nella gestione del tempo30; tuttavia, questi fattori non sono stati valutati direttamente nel presente studio e dovrebbero essere oggetto di ricerche future.
Questo studio ha riscontrato differenze graduali significative nei livelli di attività fisica in base ai profili di sonno. La regressione logistica multinomiale ha mostrato che, rispetto agli studenti appartenenti al gruppo con disturbi del sonno gravi, quelli del gruppo con sonno sano avevano probabilità notevolmente maggiori di raggiungere un elevato livello di attività fisica (OR = 7,55). Questi risultati sono in linea con il concetto di aggregazione dei comportamenti sanitari nella medicina dello stile di vita, suggerendo che modelli di sonno favorevoli e un'attività fisica regolare possano verificarsi contemporaneamente negli stessi individui.
L'associazione osservata tra profili del sonno e attività fisica (PA) potrebbe essere spiegata da diversi possibili meccanismi fisiologici e psicologici, sebbene tali meccanismi non siano stati direttamente testati nel presente studio trasversale. In primo luogo, è possibile che l'attività fisica regolare favorisca il sonno. L'attività fisica di intensità da moderata a vigorosa può indurre un aumento acuto della temperatura corporea, seguito da un declino compensatorio post-esercizio che potrebbe facilitare l'addormentamento e aumentare la proporzione di sonno a onde lente17. L'attività fisica regolare potrebbe inoltre regolare il sistema nervoso autonomo migliorando il tono vagale e riducendo l'iperattivazione simpatica. Inoltre, le endorfine legate all'esercizio e il fattore neurotrofico derivato dal cervello potrebbero contribuire ad alleviare depressione e ansia, riducendo così i fattori psicologici legati all'insonnia36,37. L'attività all'aperto durante il giorno potrebbe ulteriormente aumentare l'esposizione alla luce retinica, contribuendo a regolare i ritmi circadiani e a stabilizzare la secrezione di melatonina38. In secondo luogo, è anche plausibile che un sonno scadente limiti l'attività fisica diurna. Gli studenti appartenenti al gruppo con disturbi del sonno severi potrebbero provare affaticamento e sonnolenza diurna a causa di un'insufficiente ricupero notturno, come indicato dai punteggi elevati relativi alla disfunzione diurna nel PSQI. Questo esaurimento di energia potrebbe ridurre l'autoefficacia e la motivazione all'esercizio fisico20,28. Evidenze sperimentali e di revisione suggeriscono che sonno ed esercizio potrebbero influenzarsi reciprocamente attraverso vie legate al ricupero, all'affaticamento, agli stati d'animo e ai ritmi circadiani28,39. Pertanto, gli studenti con problemi gravi di sonno potrebbero essere più inclini ad adottare stili di vita sedentari. Queste ipotizzate vie bidirezionali rimangono speculative e dovrebbero essere confermate attraverso studi longitudinali di coorte e studi randomizzati controllati.
Questo studio presenta i punti di forza di un campione relativamente ampio e di un approccio analitico centrato sulla persona; tuttavia, è necessario riconoscere diverse limitazioni. In primo luogo, poiché lo studio ha utilizzato un disegno trasversale, non è possibile dedurre relazioni causali tra i modelli di sonno e l'attività fisica. Sono necessari futuri studi longitudinali o prove controllate randomizzate per verificare gli effetti di interventi di esercizio su specifici profili di sonno39. In secondo luogo, sia il sonno che l'attività fisica sono stati valutati mediante scale auto-riferite, che potrebbero essere influenzate da bias di memoria e da bias legati alla desiderabilità sociale. Le future ricerche dovrebbero integrare la polisonnografia, accelerometri o dispositivi indossabili per ottenere dati fisiologici e comportamentali più oggettivi22,24. In terzo luogo, il campione era limitato a studenti universitari di atenei del sud della Cina; pertanto, il contesto culturale e le condizioni climatiche potrebbero limitare la generalizzabilità dei risultati. Studi futuri dovrebbero includere partecipanti provenienti da aree geografiche più ampie e da diversi gruppi professionali. In quarto luogo, sebbene l'analisi di sensibilità per campioni complessi, aggiustata per il raggruppamento per università e classe, abbia prodotto risultati coerenti, i test del chi-quadro non hanno esplicitamente tenuto conto della correlazione intra-classe introdotta dal campionamento a grappoli. Studi futuri con un numero maggiore di grappoli dovrebbero prevedere analisi multilivello di profili latenti o regressioni multilivello fin dalla fase di progettazione. In quinto luogo, la regressione logistica multinomiale ha utilizzato l'appartenenza alla classe più probabile ricavata dal modello di profilo latente, il che non tiene pienamente conto dell'incertezza di classificazione. Sebbene l'elevata entropia (0,915) e le probabilità a posteriori medie superiori a 0,80 per tutte le classi suggeriscano un'elevata accuratezza della classificazione, studi futuri dovrebbero adottare approcci basati sui modelli, come la procedura a tre passi di Bolck-Croon-Hagenaars (BCH), per propagare in modo più appropriato l'incertezza di classificazione nelle analisi ausiliarie.
I modelli di sonno degli studenti universitari non sono omogenei, ma mostrano una chiara eterogeneità tra gruppi. In questo studio, sono stati classificati in quattro profili latenti: sonno sano, sonno insufficiente, scarsa qualità del sonno e disturbo grave del sonno. I modelli di sonno favorevoli erano positivamente associati a livelli moderati ed elevati di attività fisica. Questi risultati suggeriscono che gli educatori universitari e i responsabili delle politiche di sanità pubblica dovrebbero evitare approcci "una misura per tutti" nel promuovere la salute mentale e la forma fisica degli studenti. Per gli studenti appartenenti al gruppo del sonno insufficiente, gli interventi potrebbero concentrarsi sulla gestione del tempo e sui comportamenti pre-letto. Per gli studenti nel gruppo con disturbo grave del sonno, un supporto psicologico professionale, incluso il trattamento cognitivo-comportamentale dell'insonnia (CBT-I), potrebbe essere preso in considerazione quando clinicamente indicato40. Il livello di attività fisica può rappresentare un utile indicatore comportamentale per identificare gli studenti a rischio di sonno inadeguato, ma sono necessari studi longitudinali e interventi per determinare se l'aumento dell'attività fisica possa migliorare specifici profili di sonno.
Dichiarazioni
Gli autori dichiarano che questo lavoro è stato svolto in assenza di qualsiasi rapporto commerciale o finanziario che potrebbe essere considerato un potenziale conflitto di interessi.
Ringraziamenti
Siamo grati alle università partecipanti e a tutti gli studenti che hanno compilato il questionario. Questo lavoro è stato sostenuto dal Progetto di Ricerca in Scienze Umane e Sociali per Giovani Studiosi del Ministero dell'Istruzione (Grant No. 23YJC890059); dal Progetto di Ricerca sulla Riforma dell'Insegnamento e dell'Istruzione della Provincia di Hunan (Grant No. 202502000069).
Materiali
| Nome | Azienda | Numero di catalogo | Commenti |
|---|---|---|---|
| Questionario demografico e sullo stile di vita | Autoprogettato dal gruppo di studio | N/D | Utilizzato per raccogliere informazioni su genere, età, anno di corso, luogo di provenienza, indice di massa corporea, storia del fumo, storia dell'assunzione di alcol e tempo medio giornaliero trascorso davanti a schermi. |
| Indice di Qualità del Sonno di Pittsburgh (PSQI) | Buysse et al., 1989 | DOI: 10.1016/0165-1781(89)90047-4 | Utilizzato per valutare la qualità del sonno nell'ultimo mese. I sette punteggi componenti sono stati utilizzati come indicatori osservati per l'analisi profilo latente. |
| Questionario Internazionale sull'Attività Fisica - Versione Breve (IPAQ-SF) | Craig et al., 2003 | DOI: 10.1249/01.MSS.0000078924.61453 .FB | Utilizzato per valutare la camminata, l'attività fisica di intensità moderata e quella intensa nei sette giorni precedenti. |
| Modulo di consenso informato scritto | Gruppo di studio e università partecipanti | Numero di approvazione etica: JSDX-2023-0034 | Utilizzato per documentare la partecipazione volontaria di studenti universitari di età compresa tra 18 e 25 anni. |
| Procedura di raccolta dei dati tramite questionario | Università partecipanti del sud della Cina | N/D | Utilizzata per il campionamento casuale stratificato a grappoli in più fasi e per la somministrazione dei questionari tra settembre e dicembre 2025. |
| Mplus | Muthen & Muthen | Versione 8.3 | Utilizzato per eseguire l'analisi profilo latente basata sui sette punteggi componenti del PSQI. |
| IBM SPSS Statistics | IBM | Versione 26.0 | Utilizzato per condurre test del chi-quadrato e analisi di regressione logistica multinomiale. |
| Microsoft Excel | Microsoft | N/D | Utilizzato per preparare file di tabelle JoVE separati da caricare. |
Riferimenti
- 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.