Artykuł badawczy

Analiza latentnych profili wzorców snu i ich związku z poziomem aktywności fizycznej wśród chińskich studentów

14 wyświetleń

⸱

DOI:

10.3791/73033

⸱

15 września 2026

 ,  ,  ,  ,  ,  , 
1Department of Physical Education, Central South University, 2School of Sport Science, Jishou University

* These authors contributed equally

W tym artykule

Podsumowanie

Ta przekrojowa analiza ukrytych profili przeprowadzona wśród 1420 chińskich studentów pozwoliła na zidentyfikowanie czterech odrębnych profili snu z wykorzystaniem PSQI. Zdrowsze profile snu były istotnie powiązane z wyższym poziomem umiarkowanej i intensywnej aktywności fizycznej, co sugeruje potrzebę wyznaczenia celów specyficznych dla wzorców snu w ramach promocji zdrowia na kampusach.

Streszczenie

Celem niniejszego badania przekrojowego była identyfikacja ukrytych profili wzorców snu wśród studentów oraz zbadanie ich powiązań z poziomem aktywności fizycznej (PA), aby dostarczyć dowodów empirycznych dla ukierunkowanych interwencji zdrowotnych w środowisku akademickim. Łącznie zrekrutowano 1420 studentów z trzech uniwersytetów w południowych Chinach, stosując wielostopniowe warstwowe losowanie skupieniowe. Jakość snu oraz poziom PA oceniono odpowiednio za pomocą Pittsburgh Sleep Quality Index (PSQI) oraz International Physical Activity Questionnaire-Short Form (IPAQ-SF). Analizę profilu latentnego (LPA), testy chi-kwadrat oraz analizy regresji logistycznej wielomianowej przeprowadzono przy użyciu odpowiedniego oprogramowania statystycznego. Na podstawie oszacowanych przez model prawdopodobieństw przynależności do klas zidentyfikowano cztery ukryte profile snu: sen zdrowy (4,7%), sen niewystarczający (24,8%), słabą jakość snu (20,3%) oraz ciężkie zaburzenia snu (10,2%); odpowiadające im zaobserwowane proporcje na podstawie przypisania do najbardziej prawdopodobnej klasy wyniosły odpowiednio 45,0%, 25,0%, 20,0% i 10,0% (n = 639, 35, 284 i 142). Płeć oraz poziom PA różniły się istotnie pomiędzy profilami. W porównaniu ze studentami z grupy ciężkich zaburzeń snu, studenci z grupy snu zdrowego częściej deklarowali umiarkowaną PA (iloraz szans (OR) = 4,69, 95% przedział ufności (CI): 2,92–7,51) oraz wysoką PA (OR = 7,5, 95% CI: 4,41–12,91). Studenci z grupy snu niewystarczającego również częściej deklarowali umiarkowaną PA (OR = 2,98, 95% CI: 1,83–4,86) oraz wysoką PA (OR = 5,02, 95% CI: 2,84–8,87). Wzorce snu studentów wykazały wyraźną heterogeniczność. Korzystne wzorce snu wiązały się z wyższym poziomem PA. Ze względu na przekrojowy charakter badania nie można wyciągać wniosków o związkach przyczynowo-skutkowych. Należy opracować zróżnicowane strategie interwencyjne w zależności od specyficznych dla danej podgrupy cech snu, a promowanie PA może być rozważone jako potencjalny cel behawioralny dla studentów z zaburzeniami snu.

Wprowadzenie

Sen jest niezbędny nie tylko do utrzymania podstawowych funkcji fizjologicznych, ale także do wspierania zdrowia fizycznego i psychicznego, rozwoju poznawczego oraz regulacji emocjonalnej1,2. Jednak w dzisiejszych, dynamicznie rozwijających się społeczeństwach zaburzenia snu stały się globalnym problemem zdrowia publicznego. Problemy ze snem są szczególnie widoczne wśród studentów, którzy po rozpoczęciu nauki na uniwersytecie często doświadczają mniejszej opieki rodzicielskiej i zmagają się z presją akademicką, adaptacją interpersonalną oraz nadmiernym korzystaniem z urządzeń elektronicznych3. Badania epidemiologiczne wykazały, że około 25%–60% studentów na całym świecie zgłasza różny stopień niskiej jakości snu lub deprywacji snu4,5. Utrzymujące się problemy ze snem mogą upośledzać funkcje ośrodkowego układu nerwowego, prowadząc do braku koncentracji i pogorszenia pamięci; mogą one również zwiększać ryzyko wystąpienia internalizujących problemów ze zdrowiem psychicznym, takich jak depresja i lęk6,7, a także zwiększać przyszłe ryzyko chorób układu sercowo-naczyniowego i zespołu metabolicznego8.

Poprzednie badania nad snem opierały się głównie na analizie zorientowanej na zmienne, oceniając stan snu na poziomie grupy przy użyciu wyników całkowitych ze zstandaryzowanych skal, takich jak Pittsburgh Sleep Quality Index (PSQI), lub średnich wyników dla konkretnych wymiarów9. Chociaż podejście to zapewnia intuicyjną ocenę ogólnego stopnia zaburzeń snu, w sposób dorozumiany zakłada ono jednorodność badanej populacji. W rzeczywistości sen jest wielowymiarowym procesem fizjologicznym obejmującym czas trwania snu, latencję snu, efektywność snu, nocne wybudzenia oraz dysfunkcje w ciągu dnia10. Osoby z tym samym całkowitym wynikiem w skali PSQI mogą wykazywać znacznie odmienne kombinacje objawów; na przykład jeden student może mieć przede wszystkim trudności z zasypianiem, podczas gdy inny może doświadczać wczesnego wybudzania się i senności w ciągu dnia. W ostatnich latach coraz większą uwagę poświęca się podejściom zorientowanym na osobę. Analiza profilu utajonego (Latent profile analysis, LPA) pozwala zidentyfikować nieobserwowalne, heterogeniczne podgrupy w danych poprzez maksymalizację różnic między profilami i minimalizację różnic wewnątrz profilu1,12. Dzięki zastosowaniu LPA badacze mogą dokładniej scharakteryzować specyficzne profile snu wśród studentów13, co pozwala na precyzyjniejsze określenie celów interwencji.

Aktywność fizyczna (AF) jest szeroko zalecana przez Światową Organizację Zdrowia oraz inne wytyczne dotyczące zdrowia publicznego jako fundament promocji zdrowia na każdym etapie życia14,15. Badania empiryczne i metaanalizy wykazały, że regularna aktywność fizyczna o umiarkowanej i wysokiej intensywności może poprawić wydolność krążeniowo-oddechową i zmniejszyć śmiertelność16,17, pomagając jednocześnie w łagodzeniu stresu psychologicznego i poprawie funkcji poznawczych18,19. Aktywność fizyczna jest również uważana za skuteczną niefarmakologiczną interwencję w przypadku problemów ze snem20,21. Pozytywne korelacje między aktywnością fizyczną a jakością snu odnotowano w badaniach kohortowych z wykorzystaniem obiektywnych urządzeń, takich jak akcelerometry2,23,24, a także w badaniach przekrojowych opartych na kwestionariuszach samoopisowych25,26. Co więcej, ćwiczenia fizyczne i sen zdają się pozostawać w dwukierunkowej zależności: odpowiednia ilość snu może zwiększać motywację i wytrzymałość podczas aktywności fizycznej, natomiast dzienny wydatek energetyczny może sprzyjać występowaniu snu wolnofalowego w nocy27,28.

Mimo powszechnej zgody co do korzyści wynikających z aktywności fizycznej dla ogólnej jakości snu, istniejąca literatura posiada kilka ograniczeń. Większość badań traktowała aktywność fizyczną jako zmienną niezależną przewidującą pojedynczy wynik jakości snu, pomijając tym samym możliwość, że różne wzorce snu mogą odpowiadać odrębnym kombinacjom cech stylu życia29,30. Stopień, w jakim poziomy aktywności fizycznej różnią się w zależności od latentnych profili snu wśród studentów, pozostaje niewystarczająco poznany.

W tym kontekście celem niniejszego badania było: (1) zidentyfikowanie ukrytych profili na podstawie wielowymiarowych wskaźników jakości snu wśród chińskich studentów przy użyciu LPA; oraz (2) zbadanie powiązań między profilami snu a poziomami aktywności fizycznej (niskim, umiarkowanym i wysokim) po uwzględnieniu zmiennych demograficznych. Postawiliśmy hipotezę, że wśród studentów wystąpi wiele heterogenicznych profili snu oraz że studenci o zdrowym wzorcu snu będą bardziej skłonni do osiągania umiarkowanego i intensywnego poziomu aktywności fizycznej niż osoby z ciężkimi zaburzeniami snu.

Protokół

Badanie to zostało zatwierdzone przez Komisję Etyki Biomedycznej Uniwersytetu Jishou (numer zatwierdzenia JSDX-2023-034). Wszyscy uczestnicy byli studentami studiów licencjackich w trybie stacjonarnym w wieku 18–25 lat i przed przystąpieniem do badania wyrazili pisemną świadomą zgodę. Uzyskano zgodę od uczestniczących uniwersytetów. Dane z ankiet zostały wykorzystane wyłącznie do celów badań naukowych i były analizowane anonimowo. Badanie zostało przeprowadzone zgodnie z Deklaracją Helsińską oraz lokalnymi wymogami instytucjonalnymi.

Rekrutacja uczestników i projekt próbkowania

Między wrześniem a grudniem 2025 roku przeprowadzono przekrojową ankietę wśród studentów studiów licencjackich z trzech uniwersytetów kompleksowych w południowych Chinach, stosując wielostopniowy zrandomizowany schemat próbkowania skupieniowego stratyfikowanego. W pierwszym etapie, z listy publicznych uniwersytetów kompleksowych w południowych Chinach, wybrano trzy uczelnie za pomocą losowania stratyfikowanego, przy czym warstwy zdefiniowano według prowincjonalnych regionów administracyjnych, aby zapewnić reprezentację geograficzną. W drugim etapie, w obrębie każdej wybranej uczelni, za pomocą komputerowo generowanych liczb losowych wybrano od dwóch do trzech pełnych grup z każdego roku studiów (od pierwszego do czwartego roku) jako jednostki próbkowania skupieniowego, co dało łącznie 28 grup w trzech uniwersytetach. Zaproszono do udziału wszystkich studentów z wybranych grup, co przedstawiono na Rysunku 1. Kryteria włączenia były następujące: (1) status studenta studiów licencjackich w trybie stacjonarnym; (2) wiek od 18 do 25 lat; oraz (3) dobrowolny udział potwierdzony pisemną świadomą zgodą. Kryteria wykluczenia obejmowały: (1) niedawna ciężka choroba somatyczna lub przeciwwskazania do wysiłku fizycznego, takie jak złamania lub ciężka choroba serca; (2) aktualne stosowanie leków psychotropowych, np. leczenie ciężkiej depresji lub schizofrenii; oraz (3) czas wypełniania kwestionariusza krótszy niż 180 s lub oczywiste niespójności logiczne, np. zaznaczenie tej samej opcji we wszystkich pytaniach. Rozdzielono łącznie 1 50 kwestionariuszy. Z 80 nieważnych ankiet wykluczonych podczas oczyszczania danych, 24 odrzucono z powodu czasu wypełniania poniżej 180 s, 20 z powodu niespójności logicznych (np. identyczne odpowiedzi we wszystkich pytaniach lub odpowiedzi sprzeczne), 18 z powodu wieku spoza zakresu 18–25 lat, 1 z powodu nadmiernej liczby brakujących danych (ponad 20% pozycji) i 7 z powodu zgłoszonej przez uczestników ciężkiej choroby somatycznej lub aktualnego stosowania leków psychotropowych. W konsekwencji do analizy pozostało 1 420 ważnych kwestionariuszy, co stanowiło efektywny wskaźnik odpowiedzi na poziomie 94,67%.

figure-protocol-1
Rycina 1Projekt badania i schemat analityczny. Schematyczny przegląd rekrutacji i przesiewowej oceny uczestników (rozdzielono 150 kwestionariuszy; wykluczono 80 osób; N = 1420 włączono do badania), ocena za pomocą PSQI i IPAQ-SF, analiza profilu latentnego (porównano modele od jednego do pięciu profili przy użyciu AIC, BIC, aBIC, entropii, LMRT i BLRT), przypisanie do czterech profili snu, dwuzmienne testy chi-kwadrat, wielomianowa regresja logistyczna z płcią jako współzmienną oraz analizy wrażliwości (pełna korekta o współzmienne i błędy standardowe odporne na klastrowanie). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ilustracji.

Ocena demograficzna i stylu życia

Do zebrania charakterystyk demograficznych i socjologicznych wykorzystano autorski kwestionariusz, obejmujący płeć (mężczyzna/kobieta), wiek (w latach), rok studiów (pierwszy/drugi/trzeci/czwarty), miejsce pochodzenia (miejskie/wiejskie), wskaźnik masy ciała (BMI), historię palenia, historię spożywania alkoholu oraz średni dzienny czas spędzany przed ekranem. BMI obliczono jako masę ciała w kilogramach podzieloną przez kwadrat wzrostu w metrach (BMI = masa [kg] / wzrost [m]2). Przed analizą zweryfikowano zgłoszony przez uczestników wzrost i wagę pod kątem wartości niewiarygodnych; przypadki z wzrostem <140 cm lub >20 cm, wagą <30 kg lub >150 kg lub BMI <12 kg/m2 lub >40 kg/m2 zostały oznaczone i zweryfikowane z oryginalnymi rekordami, a potwierdzone wartości odstające wykluczono. Status palenia skategoryzowano jako nigdy niepalący, okazjonalnie palący (palenie w niektóre dni, ale nie codziennie) lub regularnie palący (palenie codzienne), na podstawie zadeklarowanych zachowań z ostatniego miesiąca. Spożycie alkoholu skategoryzowano jako nigdy niepijący, okazjonalnie pijący (picie rzadziej niż raz w tygodniu) lub regularnie pijący (picie co najmniej raz w tygodniu) w ciągu ostatniego miesiąca. Średni dzienny czas przed ekranem oceniono, prosząc uczestników o podanie całkowitej liczby godzin na dobę spędzonych przed smartfonami, komputerami, tabletami i telewizorem w ciągu ostatniego miesiąca, co zapisano jako zmienną ciągłą. Przed formalnym zbieraniem danych kwestionariusz został przetestowany pilotażowo na grupie 30 studentów studiów licencjackich w celu oceny jasności pytań oraz czasu wypełniania; na podstawie uwag z pilotażu wprowadzono drobne korekty w sformułowaniach. Poprzednie badania sugerowały, że zmienne te mogą być czynnikami zakłócającymi związek między snem a aktywnością fizyczną30,31. Wszystkie instrumenty, oprogramowanie i materiały użyte w tym badaniu są wymienione w Tabeli materiałów.

Ocena jakości snu

Do oceny jakości snu uczestników w ciągu ostatniego miesiąca wykorzystano kwestionariusz PSQI, opracowany przez Buysse i wsp.9. Skala obejmuje 19 pozycji samooceny, które tworzą siedem komponentów: subiektywną jakość snu, latencję zasypiania, czas trwania snu, rutynową efektywność snu, zaburzenia snu, stosowanie leków nasennych oraz dysfunkcję w ciągu dnia. Każdy komponent jest punktowany w skali od 0 (brak trudności) do 3 (znaczne trudności). Wyniki tych siedmiu ciągłych komponentów posłużyły jako wskaźniki obserwowalne dla LPA. PSQI wykazał dobrą rzetelność i trafność w populacjach studentów w Chinach oraz na świecie30. W niniejszym badaniu współczynnik alfa Cronbacha dla tej skali wyniósł 0,83.

Ocena aktywności fizycznej

Do oceny aktywności fizycznej uczestników w ciągu ostatnich siedmiu dni wykorzystano kwestionariusz IPAQ-SF, opracowany przez Craiga i wsp.32. Kwestionariusz rejestruje częstotliwość (dni/tydzień) i czas trwania (minuty/dzień) intensywnej aktywności fizycznej, aktywności fizycznej o umiarkowanej intensywności oraz spacerów. Wartości metabolicznego ekwiwalentu zadania (MET) obliczono zgodnie z protokołem punktacji IPAQ: MET-min/tydzień dla spacerów = 3,3 × czas trwania × częstotliwość; MET-min/tydzień dla aktywności o umiarkowanej intensywności = 4,0 × czas trwania × częstotliwość; oraz MET-min/tydzień dla aktywności o intensywności wysokiej = 8,0 × czas trwania × częstotliwość. Wartości MET dla trzech typów aktywności zsumowano, aby uzyskać całkowitą aktywność fizyczną. Uczestników zaklasyfikowano do grup wysokiej PA (aktywności fizycznej), umiarkowanej PA i niskiej PA zgodnie z kryteriami punktacji IPAQ-SF zwalidowanymi u studentów3. Wysoką PA zdefiniowano jako intensywną aktywność przez co najmniej trzy dni przy całkowitym poziomie aktywności fizycznej wynoszącym co najmniej 1,50 MET-min/tydzień, lub dowolną kombinację spacerów, aktywności o umiarkowanej lub wysokiej intensywności przez siedem lub więcej dni przy całkowitym poziomie aktywności fizycznej wynoszącym co najmniej 3,00 MET-min/tydzień. Umiarkowaną PA zdefiniowano jako intensywną aktywność przez co najmniej trzy dni przez co najmniej 20 minut dziennie, lub aktywność o umiarkowanej intensywności i/lub spacery przez co najmniej pięć dni przez co najmniej 30 minut dziennie, lub dowolną kombinację aktywności osiągającą co najmniej 60 MET-min/tydzień. Niską PA zdefiniowano jako niespełnienie kryteriów dla umiarkowanej lub wysokiej PA. Oczyszczanie danych przeprowadzono zgodnie z oficjalnym protokołem punktacji IPAQ: wykluczono uczestników zgłaszających ponad 16 h całkowitej aktywności na dobę; dzienne czasy trwania w poszczególnych kategoriach ograniczono do 180 min przed obliczeniem MET-minut; a przypadki z logicznie niespójnymi odpowiedziami usunięto podczas oczyszczania danych.

Analiza statystyczna

W pierwszej kolejności przeprowadzono LPA przy użyciu oprogramowania do modelowania profili utajonych (patrz Tabela materiałów)34. Spośród 1 420 uczestników, 3 (2,3%) miało częściowe braki danych w kwestionariuszu PSQI, z czego brakowało 69 z 9 940 odpowiedzi na poziomie komponentów (0,69%; tj. 1 420 uczestników × siedem wyników komponentów PSQI). Do obsługi tych brakujących wartości zastosowano metodę pełnej informacji maksymalnej wiarygodności (FIML) przy założeniu losowości braków (missing-at-random). Sekwencyjnie oszacowano modele od jednego do pięciu profili. Dopasowanie modelu oceniano za pomocą kryterium informacyjnego Akaike (AIC), bayesowskiego kryterium informacyjnego (BIC), BIC skorygowanego o wielkość próby (aBIC), entropii, testu ilorazu wiarygodności Lo-Mendell-Rubina (LMRT) oraz bootstrapowego testu ilorazu wiarygodności (BLRT). Niższe wartości AIC, BIC i aBIC wskazują na lepsze dopasowanie względne, natomiast wartości entropii bliższe 1 wskazują na wyższą dokładność klasyfikacji. Testy LMRT i BLRT wykorzystano do ustalenia, czy model z k profilami pasuje znacząco lepiej niż model z k − 1 profilami. Optymalne rozwiązanie profilowe wybrano, biorąc pod uwagę łącznie wskaźniki dopasowania statystycznego, entropię, wielkość klas (żaden profil nie zawierał mniej niż 5% próby) oraz interpretowalność merytoryczną, zgodnie z uznanymi wytycznymi dla analizy profili utajonych1,35. Po wybraniu optymalnego rozwiązania profilowego, najbardziej prawdopodobna przynależność osób do klas została wyeksportowana do oprogramowania do analizy statystycznej (patrz Tabela materiałów) w celu przeprowadzenia dalszych analiz. Do zbadania różnic w cechach demograficznych i poziomach aktywności fizycznej pomiędzy profilami snu wykorzystano testy chi-kwadrat Pearsona. Bivariantne testy chi-kwadrat wykazały, że tylko płeć i poziom aktywności fizycznej różniły się znacząco pomiędzy czterema profilami snu (dla obu p < 0,001), podczas gdy wiek, rok studiów, BMI, palenie, picie alkoholu i czas spędzony przed ekranem nie wykazały istotnych różnic (wszystkie p > 0,05; patrz Tabela uzupełniająca 1). Zgodnie z zasadą parsymonii, w modelu wielowymiarowej regresji logistycznej uwzględniono zatem jedynie płeć jako zmienną towarzyszącą. Analiza wrażliwości z korektą o wszystkie zebrane zmienne towarzyszące wykazała ten sam wzorzec i istotność wyników (Tabela uzupełniająca 2). Przeprowadzono wielowymiarową regresję logistyczną, w której poziom aktywności fizycznej był zmienną zależną (niska AF = 0, umiarkowana AF = 1, wysoka AF = 2), a profil snu główną zmienną niezależną. Obliczono ilorazy szans (OR) oraz 95% przedziały ufności (CI). Wszystkie testy były dwustronne, a istotność statystyczną ustalono na poziomie p < 0,05. Ponieważ uczestnicy byli rekrutowani poprzez całe grupy zajęciowe w ramach uniwersytetów, przeprowadzono analizę wrażliwości z wykorzystaniem modułu prób złożonych w oprogramowaniu statystycznym (patrz Tabela materiałów), określając uniwersytet i grupę jako zmienne klastrujące, aby uzyskać błędy standardowe skorygowane o plan badania. Wyniki były zgodne z wynikami standardowej wielowymiarowej regresji logistycznej (Tabela uzupełniająca 3). Zanonimizowany surowy zbiór danych z angielskimi etykietami zmiennych oraz książka kodowa zostały udostępnione jako Plik uzupełniający 1.

Wyniki

Wyekstrahowano modele zawierające od jednego do pięciu profili latentnych. Jak pokazano w Tabeli 1, wartości AIC, BIC oraz aBIC malały wraz ze wzrostem liczby profili. Model czteroprofilowy charakteryzował się najwyższą wartością entropii (0,915), a testy LMRT i BLRT były istotne (p < 0,01). W przeciwieństwie do tego, test LMRT dla modelu pięcioprofilowego nie był istotny (p = 0,085), a entropia spadła do 0,880. W związku z tym, mimo że model pięcioprofilowy wykazał niższe kryteria informacyjne, wybrano model czteroprofilowy, ponieważ zapewniał on lepszą równowagę między dokładnością klasyfikacji, parsymonią modelu, liczebnością klas a interpretowalnością merytoryczną. Etykiety profili przypisano na podstawie średnich warunkowych siedmiu wyników składowych PSQI w poszczególnych klasach (Rysunek 2), zgodnie z zalecanymi praktykami raportowania LPA1.

Tabela 1: Wskaźniki dopasowania modelu dla analizy profilu utajonego wzorców snu studentów. AIC, kryterium informacyjne Akaike; BIC, kryterium informacyjne bayesowskie; aBIC, BIC skorygowany o wielkość próby; LMRT, test ilorazu wiarygodności Lo-Mendella-Rubina; BLRT, bootstrapowy test ilorazu wiarygodności. Prosimy o kliknięcie tutaj w celu pobrania tej tabeli.

figure-results-1
Rycina 2LPA wzorców snu: rozwiązanie czteroprofilowe. Wykres liniowy przedstawia wyniki poszczególnych komponentów PSQI dla czterech latentnych profili snu: snu zdrowego, snu niewystarczającego, niskiej jakości snu oraz ciężkich zaburzeń snu. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Na podstawie charakterystyki wyników poszczególnych komponentów PSQI, cztery profile określono jako grupę ze zdrowym snem (C1), grupę z niewystarczającą ilością snu (C2), grupę ze słabą jakością snu (C3) oraz grupę z ciężkimi zaburzeniami snu (C4). Prawdopodobieństwa klas oszacowane przez model wyniosły odpowiednio 0,47, 0,248, 0,203 i 0,102. Na podstawie przypisania do najbardziej prawdopodobnej klasy, zaobserwowana liczebność dla C1–C4 wyniosła odpowiednio 639 (45,0%), 35 (25,0%), 284 (20,0%) i 142 (10,0%). Testy chi-kwadrat wykazały istotne różnice w płci oraz poziomach aktywności fizycznej pomiędzy profilami (p < 0,001; Tabela 2). Rozwiązanie czteroprofilowe zapewniło najlepszą równowagę między dopasowaniem modelu a interpretowalnością teoretyczną, przy wysokiej dokładności klasyfikacji (entropia = 0,915).

Grupa ze zdrowym snem (C1, 45,0%): Studenci w tej grupie uzyskali niskie wyniki we wszystkich siedmiu komponentach PSQI, co wskazuje na stosunkowo regularny sen i lepszą jakość snu. Grupa z niewystarczającą ilością snu (C2, 25,0%): Grupa ta charakteryzowała się stosunkowo wysokimi wynikami w zakresie czasu trwania snu i latencji snu, natomiast dysfunkcje w ciągu dnia nie były wyraźne. Grupa ze słabą jakością snu (C3, 20,0%): Studenci w tej grupie uzyskali stosunkowo wysokie wyniki w zakresie subiektywnej jakości snu, zaburzeń snu i dysfunkcji w ciągu dnia, przy stosunkowo niskiej efektywności snu. Grupa z ciężkimi zaburzeniami snu (C4, 10,0%): Podgrupa ta wykazała wysokie wyniki w większości komponentów PSQI i zgłosiła wyższe wyniki w zakresie stosowania leków hipnotycznych niż pozostałe profile, co sugeruje zwiększone ryzyko wystąpienia klinicznie istotnych problemów ze snem, a nie potwierdzoną diagnozę kliniczną.

Dokładne średnie warunkowe i odchylenia standardowe dla siedmiu wyników składowych PSQI dla każdego profilu przedstawiono w Tabeli uzupełniającej 4.

Tabela 2: Rozkład charakterystyki demograficznej i poziomów aktywności fizycznej w zależności od profilu snu. C1, grupa ze zdrowym snem; C2, grupa z niewystarczającą ilością snu; C3, grupa ze słabą jakością snu; C4, grupa z ciężkimi zaburzeniami snu. Prosimy kliknąć tutaj, aby pobrać tę tabelę.

Poziom aktywności fizycznej wprowadzono jako zmienną zależną, przyjmując niską aktywność fizyczną (PA) jako kategorię referencyjną. Profil snu wprowadzono jako zmienną niezależną, przyjmując grupę z ciężkimi zaburzeniami snu jako kategorię referencyjną, a płeć została kontrolowana. Jak pokazano w Tabeli 3, studenci z grup ze zdrowym snem i niewystarczającym snem znacznie częściej deklarowali umiarkowaną i wysoką aktywność fizyczną niż osoby z grupy z ciężkimi zaburzeniami snu. Wyniki te wspierają istnienie związku między korzystnymi profilami snu a wyższym poziomem aktywności fizycznej, jednak przekrojowy charakter badania nie pozwala na wyciągnięcie wniosków przyczynowo-skutkowych.

Tabela 3: Multinomialna regresja logistyczna profili snu i poziomów aktywności fizycznej wśród studentów. Niska aktywność fizyczna stanowiła kategorię referencyjną dla wyniku, a grupa z ciężkimi zaburzeniami snu była kategorią referencyjną dla profilu snu. Kliknij tutaj, aby pobrać tę tabelę.

DOSTĘPNOŚĆ DANYCH:

Zanonimizowane surowe dane oraz kod analityczny wspierający wyniki niniejszego badania są ogólnodostępne w serwisie Figshare pod adresem https://doi.org/10.6084/m9.figshare.340908.

Plik uzupełniający 1: Zanonimizowany surowy zbiór danych (Sleep_LPA_Raw_Data_N1420.xlsx) z angielskimi etykietami zmiennych i książką kodową.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 1: Testy bivariatne różnic w zmiennych towarzyszących w zależności od profilu snu.
UwagaZmienne kategoryczne analizowano za pomocą testów chi-kwadrat Pearsona, a zmienne ciągłe za pomocą jednoczynnikowej analizy wariancji (ANOVA). Jedynie płeć różniła się istotnie statystycznie pomiędzy profilami (p < 0,01). Szczegółowe rozkłady kategorii dla stopnia naukowego, pochodzenia, palenia tytoniu, spożywania alkoholu oraz kierunku studiów pominięto ze względów zwięzłości, lecz są one dostępne w surowych danych.Proszę kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 2: Wielomianowa regresja logistyczna z korektą o wszystkie współzmienne (analiza wrażliwości).
Uwaga: Kategoria referencyjna dla PA: niska PA; kategoria referencyjna dla profilu snu: C4 (ciężkie zaburzenia). Model skorygowano o płeć, wiek, BMI, czas spędzany przed ekranem, rok studiów, miejsce pochodzenia, palenie tytoniu, spożycie alkoholu oraz kierunek studiów. Kierunek i istotność wszystkich powiązań są zgodne z analizą pierwotną (Tabela 3), w której skorygowano jedynie płeć.Prosimy kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 3: Wielomianowa regresja logistyczna z błędami standardowymi odpornymi na klastrowanie (SPSS Complex Samples).
UwagaStandardowe błędy skorygowane o grupowanie według uniwersytetu i klasy (odpowiednik procedury Complex Samples w programie SPSS; N = 1 420, liczba grup = 3 uniwersytety) × nienaruszone klasy). Współczynniki B są identyczne z analizą podstawową (Tabela 3); różnią się jedynie błędy standardowe i wartości p. C1 i C2 pozostają istotnie powiązane zarówno z umiarkowaną, jak i wysoką aktywnością fizyczną (PA); C3 pozostaje nieistotne.Prosimy kliknąć tutaj, aby pobrać ten plik.

Tabela uzupełniająca 4: Średnie i odchylenia standardowe wyników poszczególnych komponentów PSQI w zależności od profilu snu.
Uwaga: Wartości przedstawiają średnie warunkowe (odchylenia standardowe) w oparciu o najbardziej prawdopodobne przypisanie do klas. Wszystkie siedem komponentów PSQI oraz wynik całkowity różniły się istotnie statystycznie pomiędzy profilami (jednoczynnikowa analiza wariancji ANOVA, wszystkie p < 0,01). C1 = zdrowy sen; C2 = niewystarczająca ilość snu; C3 = niska jakość snu; C4 = ciężkie zaburzenia snu.Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Wykorzystując stosunkowo dużą próbę przekrojową, w niniejszym badaniu zastosowano podejście LPA skoncentrowane na osobie, aby zidentyfikować cztery heterogeniczne profile snu wśród chińskich studentów, a następnie zbadano związki między tymi profilami a różnymi poziomami aktywności fizycznej. Wyniki dostarczają cennej perspektywy w zrozumieniu grupowania zachowań zdrowotnych związanych ze snem i ćwiczeniami fizycznymi wśród studentów oraz wskazują bardziej precyzyjne cele dla interwencji w zakresie zdrowia publicznego w środowisku akademickim.

W niniejszym badaniu wzorce snu studentów zaklasyfikowano do czterech profili: zdrowego snu, niewystarczającego snu, słabej jakości snu oraz ciężkich zaburzeń snu. Choć grupa ze zdrowym snem stanowiła największą część badanych (45,0%), ponad połowa studentów (5,0%) została przypisana do profili charakteryzujących się złym snem. Wynik ten jest zgodny z międzynarodowymi dowodami wskazującymi na wysoką rozpowszechnioność problemów ze snem wśród młodzieży i młodych dorosłych3,4. W szczególności odsetek studentek w grupie z ciężkimi zaburzeniami snu był znacznie wyższy niż odsetek studentów (68,3% vs. 31,7%), co jest spójne z wcześniejszymi ustaleniami dotyczącymi różnic płciowych w zakresie snu. Wahania poziomów żeńskich hormonów w cyklu menstruacyjnym, w tym cykliczne zmiany poziomu estrogenu i progesteronu, mogą zwiększać podatność na zaburzenia snu10. Z perspektywy psychologicznej studentki mogą być również bardziej wrażliwe na stres akademicki i interpersonalny oraz bardziej skłonne do internalizacji negatywnych emocji. Taka ruminacja może wydłużać latencję snu i zmniejszać jego głębokość7. Ponadto 25,0% studentów należało do grupy z niewystarczającym snem. W oparciu o dotychczasową literaturę profil ten może wynikać częściowo z przedłużonego czasu spędzanego przed ekranem przed snem i ekspozycji na niebieskie światło emitowane przez urządzenia mobilne, a także z relatywnie słabych umiejętności zarządzania czasem30; czynniki te nie były jednak bezpośrednio oceniane w niniejszym badaniu i powinny zostać przeanalizowane w przyszłych pracach.

W badaniu tym stwierdzono istotne, stopniowe różnice w poziomach aktywności fizycznej w zależności od profilu snu. Wielomianowa regresja logistyczna wykazała, że w porównaniu ze studentami z grupy z ciężkimi zaburzeniami snu, osoby z grupy ze zdrowym snem miały znacznie wyższe szanse na osiągnięcie wysokiego poziomu PA (OR = 7.55). Wyniki te są zgodne z koncepcją grupowania zachowań prozdrowotnych w medycynie stylu życia, co sugeruje, że korzystne wzorce snu i regularna aktywność fizyczna mogą współwystępować u tych samych osób.

Obserwowany związek między profilami snu a PA można wyjaśnić kilkoma możliwymi ścieżkami fizjologicznymi i psychologicznymi, choć mechanizmy te nie zostały bezpośrednio przetestowane w niniejszym badaniu przekrojowym. Po pierwsze, możliwe jest, że regularna aktywność fizyczna ułatwia zasypianie. Umiarkowana do intensywnej aktywność fizyczna może wywołać gwałtowny wzrost temperatury ciała, po którym następuje kompensacyjny spadek po treningu, co może ułatwić inicjację snu i zwiększyć proporcję snu wolnofalowego17. Regularna aktywność fizyczna może również regulować autonomiczny układ nerwowy poprzez zwiększenie napięcia nerwu błędnego i redukcję nadaktywności współczulnej. Ponadto endorfiny związane z ćwiczeniami oraz czynnik neurotroficzny pochodzenia mózgowego mogą pomagać w łagodzeniu depresji i lęku, redukując tym samym psychologiczne czynniki przyczyniające się do bezsenności36,37. Aktywność na świeżym powietrzu w ciągu dnia może dodatkowo zwiększyć ekspozycję siatkówki na światło, pomagając w kalibracji rytmów okołodobowych i stabilizacji wydzielania melatoniny38. Po drugie, prawdopodobne jest również, że słaba jakość snu ogranicza PA w ciągu dnia. Studenci z grupy z ciężkimi zaburzeniami snu mogą odczuwać zmęczenie i senność w ciągu dnia z powodu niewystarczającej regeneracji nocnej, co odzwierciedlają wysokie wyniki dysfunkcji dziennej w skali PSQI. To wyczerpanie energii może obniżać poczucie własnej skuteczności i motywację do wysiłku fizycznego20,28. Dowody z badań eksperymentalnych i przeglądowych sugerują, że sen i ćwiczenia mogą wzajemnie na siebie wpływać poprzez ścieżki regeneracji, zmęczenia, afektywne oraz okołodobowe28,39. W związku z tym studenci z ciężkimi problemami ze snem mogą być bardziej skłonni do prowadzenia siedzącego trybu życia. Zaproponowane dwukierunkowe ścieżki pozostają w sferze przypuszczeń i powinny zostać zweryfikowane w podłużnych badaniach kohortowych oraz randomizowanych badaniach kontrolowanych.

Atutami niniejszego badania są stosunkowo duża próba oraz zastosowanie podejścia analitycznego skoncentrowanego na osobie; należy jednak przyznać, że istnieją pewne ograniczenia. Po pierwsze, ze względu na zastosowanie przekrojowego planu badania, nie można wyciągnąć wniosków dotyczących związków przyczynowo-skutkowych między wzorcami snu a aktywnością fizyczną. W przyszłości konieczne będzie przeprowadzenie badań podłużnych lub randomizowanych prób kontrolowanych, aby przetestować wpływ interwencji w zakresie ćwiczeń fizycznych na konkretne profile snu39. Po drugie, zarówno sen, jak i aktywność fizyczna były oceniane za pomocą skal samoopisowych, co może być obarczone błędem przypominania oraz błędem pożądalności społecznej. Przyszłe badania powinny uwzględniać polisomnografię, akcelerometry lub urządzenia ubieralne (wearables), aby uzyskać bardziej obiektywne dane fizjologiczne i behawioralne2,24. Po trzecie, próba była ograniczona do studentów uczelni z południowych Chin, zatem tło kulturowe i warunki klimatyczne mogą ograniczać uogólnialność wyników. Przyszłe badania powinny objąć uczestników z szerszych regionów geograficznych i różnych grup zawodowych. Po czwarte, choć analiza wrażliwości dla prób złożonych z korektą o grupowanie według uczelni i klasy dała spójne wyniki, testy chi-kwadrat nie uwzględniały wprost korelacji wewnątrzklasowej wynikającej z doboru prób grupowych. Przyszłe badania z większą liczbą grup powinny rozważyć zastosowanie wielopoziomowej analizy profilu utajonego lub regresji wielopoziomowej już na etapie projektowania. Po piąte, w wielomianowej regresji logistycznej wykorzystano najbardziej prawdopodobną przynależność do klasy wyeksportowaną z modelu profilu utajonego, co nie uwzględnia w pełni niepewności klasyfikacji. Choć wysoka entropia (0,915) i średnie prawdopodobieństwa a posteriori powyżej 0,80 dla wszystkich klas sugerują wysoką dokładność klasyfikacji, przyszłe badania powinny wykorzystywać podejścia oparte na modelach, takie jak trzystopniowa procedura Bolck-Croon-Hagenaars (BCH), aby w bardziej odpowiedni sposób przenosić niepewność klasyfikacji do analiz pomocniczych.

Wzorce snu studentów nie są jednorodne, lecz wykazują wyraźną heterogeniczność grupową. W niniejszym badaniu zostały one zakwalifikowane do czterech profili utajonych: zdrowy sen, niewystarczająca ilość snu, słaba jakość snu oraz ciężkie zaburzenia snu. Korzystne wzorce snu były pozytywnie powiązane z umiarkowanym i wysokim poziomem aktywności fizycznej. Wyniki te sugerują, że edukatorzy akademiccy oraz osoby odpowiedzialne za politykę zdrowia publicznego powinni unikać uniwersalnych rozwiązań podczas promowania zdrowia psychicznego i sprawności fizycznej studentów. W przypadku studentów z grupy niewystarczającej ilości snu interwencje mogą koncentrować się na zarządzaniu czasem i zachowaniach przed snem. W przypadku studentów z grupy ciężkich zaburzeń snu, w razie wskazań klinicznych, można rozważyć profesjonalne wsparcie psychologiczne, w tym terapię poznawczo-behawioralną bezsenności (CBT-I)40. Poziom aktywności fizycznej może służyć jako użyteczny marker behawioralny przy identyfikacji studentów zagrożonych słabą jakością snu, jednak niezbędne są badania podłużne i interwencyjne, aby ustalić, czy zwiększenie aktywności fizycznej może poprawić konkretne profile snu.

Oświadczenia

Autor(zy) oświadczają, że niniejsza praca została przeprowadzona w przypadku braku jakichkolwiek komercyjnych lub finansowych zależności, które mogłyby zostać uznane za potencjalny konflikt interesów.

Podziękowania

Jesteśmy wdzięczni uczestniczącym uniwersytetom oraz wszystkim studentom, którzy wypełnili ankietę. Praca ta była wspierana przez projekt badawczy w dziedzinie nauk humanistycznych i społecznych dla młodych naukowców Ministerstwa Edukacji (Grant nr 23YJC89059) oraz prowincjonalny projekt badawczy reformy edukacji i nauczania w prowincji Hunan (Grant nr 202502069).

Materiały

Lista materiałów użytych w tym artykule
NazwaFirmaNumer katalogowyKomentarze
Kwestionariusz demograficzny i dotyczący stylu życiaOpracowany przez zespół badawczyN/AUżyty do zebrania danych dotyczących płci, wieku, roku studiów, miejsca pochodzenia, wskaźnika masy ciała, historii palenia, historii spożywania alkoholu oraz średniego dziennego czasu spędzanego przed ekranem.
Pitttsburgh Sleep Quality Index (PSQI)Buysse et al., 1989DOI: 10.1016/0165-1781(89)9047-4Użyty do oceny jakości snu w ciągu ostatniego miesiąca. Siedem wyników składowych posłużyło jako wskaźniki obserwowane w analizie profilu utajonego.
International Physical Activity Questionnaire-Short Form (IPAQ-SF)Craig et al., 203

DOI: 10.1249/01.MSS.078924.61453

.FB

Użyty do oceny chodzenia, aktywności fizycznej o umiarkowanej intensywności oraz intensywnej aktywności fizycznej w ciągu ostatnich siedmiu dni.
Pisemny formularz świadomej zgodyZespół badawczy i uczestniczące uniwersytetyZatwierdzenie etyczne nr JSDX-2023-034Użyty do udokumentowania dobrowolnego udziału studentów studiów licencjackich w wieku 18-25 lat.
Procedura zbierania danych z kwestionariuszaUczestniczące uniwersytety w południowych ChinachN/AUżyta do wielostopniowego stratyfikowanego losowania klastrowego oraz przeprowadzania ankiet między wrześniem a grudniem 2025 r.
MplusMuthen & MuthenWersja 8.3Użyty do przeprowadzenia analizy profilu utajonego na podstawie siedmiu wyników składowych PSQI.
IBM SPSS StatisticsIBMWersja 26.0Użyty do przeprowadzenia testów chi-kwadrat i analiz regresji logistycznej wielomianowej.
Microsoft ExcelMicrosoftN/AUżyty do przygotowania oddzielnych plików tabel JoVE do przesłania.

Bibliografia

  1. Chaput JP, et al. Sleeping hours: What is the ideal number and how does age impact this? Nat Sci Sleep. 2018;10:421–430.
  2. Li J, et al. Sleep in normal aging. Sleep Med Clin. 2018;13(1):1–11.
  3. 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.
  4. 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.
  5. 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.
  6. Steptoe A, et al. Sleep duration and health in young adults. Arch Intern Med. 2006;166(16):1689–1692.
  7. Zhai L, et al. Sleep duration and depression among adults: A meta-analysis of prospective studies. Depress Anxiety. 2015;32(9):664–670.
  8. Grandner MA, et al. Sleep: Important considerations for the prevention of cardiovascular disease. Curr Opin Cardiol. 2016;31(5):551–565.
  9. Buysse DJ, et al. The Pittsburgh Sleep Quality Index: A new instrument for psychiatric practice and research. Psychiatry Res. 1989;28(2):193–213.
  10. Hirshkowitz M, et al. National Sleep Foundation’s sleep time duration recommendations: Methodology and results summary. Sleep Health. 2015;1(1):40–43.
  11. Nylund-Gibson K, et al. Ten frequently asked questions about latent class analysis. Transl Issues Psychol Sci. 2018;4(4):440–461.
  12. 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.
  13. Lanza ST, et al. Latent class analysis: An alternative perspective on subgroup analysis in prevention and treatment. Prev Sci. 2013;14(2):157–168.
  14. Bull FC, et al. World Health Organization 2020 guidelines on physical activity and sedentary behaviour. Br J Sports Med. 2020;54(24):1451–1462.
  15. 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.
  16. Stamatakis E, et al. Sitting time, physical activity, and risk of mortality in adults. J Am Coll Cardiol. 2019;73(16):2062–2072.
  17. Nystoriak MA, et al. Cardiovascular effects and benefits of exercise. Front Cardiovasc Med. 2018;5:135.
  18. Biddle SJH, et al. A systematic review of physical activity and health in emerging adults. J Sci Med Sport. 2015;18(6):633–638.
  19. Lubans D, et al. Physical activity for cognitive and mental health in youth: A systematic review of mechanisms. Pediatrics. 2016;138(3):e20161642.
  20. Kredlow MA, et al. The effects of physical activity on sleep: A meta-analytic review. J Behav Med. 2015;38(3):427–449.
  21. Wang F, et al. The effect of physical activity on sleep quality: A systematic review. Eur J Physiother. 2021;23(1):11–18.
  22. Buman MP, et al. Objectively measured physical activity and sleep in older men. J Sleep Res. 2014;23(2):164–171.
  23. Loprinzi PD, et al. Association between objectively-measured physical activity and sleep, NHANES 2005–2006. Ment Health Phys Act. 2011;4(2):65–69.
  24. Vandelanotte C, et al. Associations between objective sleep characteristics and physical activity and sedentary behaviours. J Sci Med Sport. 2019;22(5):565–570.
  25. 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.
  26. Memon AR, et al. Sleep and physical activity in university students: A systematic review and meta-analysis. Sleep Med Rev. 2021;58:101482.
  27. 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.
  28. Dolezal BA, et al. Interrelationship between sleep and exercise: A systematic review. Adv Prev Med. 2017;2017:1364387.
  29. 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.
  30. 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.
  31. 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.
  32. Craig CL, et al. International Physical Activity Questionnaire: 12-country reliability and validity. Med Sci Sports Exerc. 2003;35(8):1381–1395.
  33. 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.
  34. Muthén LK, Muthén BO. Mplus User’s Guide. 8th ed. Muthén & Muthén; Los Angeles, CA; 1998–2017.
  35. 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.
  36. 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.
  37. 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.
  38. 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.
  39. Driver HS, et al. Exercise and sleep. Sleep Med Rev. 2000;4(4):387–402.
  40. Morin CM, et al. Chronic insomnia. Lancet. 2012;379(9821):1129–1141.

Przedruki i uprawnienia

Tagi

Jakość snuzaburzenia snuPittsburgh Sleep Qualitywielowymiarowa regresja logistycznainterwencje zdrowotne
Skontaktuj się z nami
Poleć bibliotece

Prywatność

Warunki korzystania z usługi

Zasady

Prawa autorskie © 2026 MyJoVE Corporation. Wszelkie prawa zastrzeżone.