Esta análise transversal de perfis latentes de 1.420 estudantes universitários chineses identificou quatro perfis de sono distintos utilizando o PSQI. Perfis de sono mais saudáveis estiveram significativamente associados a níveis mais elevados de atividade física moderada a vigorosa, sugerindo alvos específicos aos padrões de sono para a promoção da saúde no campus.
Artigo de investigação
Análise de Perfil Latente de Padrões de Sono e sua Associação com Níveis de Atividade Física entre Estudantes Universitários Chineses
* These authors contributed equally
Neste artigo
Resumo
Resumo
Este estudo transversal teve como objetivo identificar perfis latentes de padrões de sono entre estudantes universitários e examinar suas associações com os níveis de atividade física (AF), fornecendo assim evidências empíricas para intervenções em saúde direcionadas em ambientes universitários. Um total de 1.420 estudantes universitários foi recrutado por amostragem aleatória estratificada em conglomerados de três universidades abrangentes no sul da China. A qualidade do sono e a AF foram avaliadas utilizando o Índice de Qualidade do Sono de Pittsburgh (PSQI) e o Questionário Internacional de Atividade Física – Versão Curta (IPAQ-SF), respectivamente. Análise de perfil latente (APL), testes qui-quadrado e análises de regressão logística multinomial foram realizadas utilizando software estatístico apropriado. Quatro perfis latentes de sono foram identificados com base nas probabilidades de classe estimadas pelo modelo: sono saudável (44,7%), sono insuficiente (24,8%), baixa qualidade do sono (20,3%) e distúrbio grave do sono (10,2%); as proporções observadas correspondentes, com base na atribuição de classe mais provável, foram de 45,0%, 25,0%, 20,0% e 10,0% (n = 639, 355, 284 e 142, respectivamente). Gênero e nível de AF diferiram significativamente entre os perfis. Em comparação com os estudantes do grupo com distúrbio grave do sono, os estudantes do grupo com sono saudável tinham maior probabilidade de relatar AF moderada (razão de chances (OR) = 4,69, intervalo de confiança (IC) de 95%: 2,92–7,51) e AF alta (OR = 7,55, IC 95%: 4,41–12,91). Os estudantes do grupo com sono insuficiente também tinham maior probabilidade de relatar AF moderada (OR = 2,98, IC 95%: 1,83–4,86) e AF alta (OR = 5,02, IC 95%: 2,84–8,87). Os padrões de sono dos estudantes universitários apresentaram clara heterogeneidade. Padrões de sono favoráveis estiveram associados a níveis mais elevados de AF. Devido ao delineamento transversal, não é possível inferir relações causais. Estratégias de intervenção diferenciadas devem ser desenvolvidas de acordo com as características específicas de sono dos subgrupos, e a promoção da AF pode ser considerada um alvo comportamental potencial para estudantes com sono inadequado.
Introdução
O sono é essencial não apenas para manter funções fisiológicas básicas, mas também para apoiar a saúde física e mental, o desenvolvimento cognitivo e a regulação emocional1,2. Em sociedades contemporâneas aceleradas, no entanto, os distúrbios do sono tornaram-se uma preocupação global de saúde pública. Os problemas de sono são particularmente acentuados entre estudantes universitários, que frequentemente experimentam supervisão parental reduzida ao ingressar na universidade e enfrentam pressão acadêmica, ajuste interpessoal e uso excessivo de dispositivos eletrônicos3. Estudos epidemiológicos mostraram que aproximadamente 25%–60% dos estudantes universitários em todo o mundo relatam diferentes graus de má qualidade do sono ou privação de sono4,5. Problemas persistentes de sono podem prejudicar a função do sistema nervoso central, levando à desatenção e declínio da memória; também podem aumentar o risco de problemas de saúde mental internalizantes, como depressão e ansiedade6,7, bem como o risco futuro de doenças cardiovasculares e síndrome metabólica8.
Estudos anteriores sobre o sono adotaram principalmente uma perspectiva analítica centrada em variáveis, avaliando o estado do sono em nível grupal por meio de escores totais de escalas padronizadas, como o Índice de Qualidade do Sono de Pittsburgh (PSQI) ou as médias de escores de dimensões específicas9. Embora essa abordagem forneça uma estimativa intuitiva da gravidade geral do sono, ela assume implicitamente que a população estudada é homogênea. Na realidade, o sono é um processo fisiológico multidimensional que envolve duração do sono, latência do sono, eficiência do sono, despertares noturnos e disfunção diurna10. Indivíduos com o mesmo escore total no PSQI podem apresentar combinações de sintomas substancialmente diferentes; por exemplo, um estudante pode ter principalmente dificuldade para iniciar o sono, enquanto outro pode apresentar despertar precoce e sonolência diurna. Nos últimos anos, abordagens centradas na pessoa têm recebido crescente atenção. A análise de perfil latente (LPA) pode identificar subgrupos heterogêneos não observados nos dados, maximizando as diferenças entre os perfis e minimizando as diferenças dentro de cada perfil11,12. Utilizando a LPA, os pesquisadores podem caracterizar com maior precisão perfis específicos de sono entre estudantes universitários13, fornecendo assim alvos mais precisos para intervenções.
A atividade física (AF) é amplamente recomendada pela Organização Mundial da Saúde e por outras diretrizes de saúde pública como um pilar fundamental para a promoção da saúde ao longo da vida14,15. Estudos empíricos e meta-análises demonstraram que a prática regular de atividade física de intensidade moderada a vigorosa pode melhorar a aptidão cardiorrespiratória e reduzir a mortalidade16,17, além de ajudar a aliviar o estresse psicológico e melhorar a função cognitiva18,19. A atividade física também é considerada uma intervenção não farmacológica eficaz para problemas de sono20,21. Associações positivas entre atividade física e qualidade do sono foram relatadas em estudos de coorte que utilizam dispositivos objetivos, como acelerômetros22,23,24, e em estudos transversais baseados em questionários autorrelatados25,26. Além disso, o exercício e o sono parecem ter uma relação bidirecional: um sono adequado pode aumentar a motivação e a resistência para a prática de atividade física, enquanto o gasto energético diurno pode favorecer o sono de ondas lentas durante a noite27,28.
Embora haja amplo consenso sobre os benefícios da atividade física para a qualidade geral do sono, a literatura existente apresenta várias limitações. A maioria dos estudos tratou a atividade física como uma variável independente que prediz um único escore de sono, ignorando assim a possibilidade de que diferentes padrões de sono possam corresponder a combinações distintas de características do estilo de vida29,30. Ainda não é suficientemente compreendido se os níveis de atividade física diferem entre perfis latentes de sono entre estudantes universitários.
Diante desse contexto, este estudo teve como objetivos: (1) identificar perfis latentes com base em indicadores multidimensionais da qualidade do sono entre estudantes universitários chineses utilizando a análise de perfil latente (LPA); e (2) examinar as associações entre os perfis de sono e os níveis de atividade física (baixo, moderado e alto), após o controle das variáveis demográficas. Levantamos a hipótese de que múltiplos perfis heterogêneos de sono estariam presentes entre estudantes universitários e de que estudantes com um padrão saudável de sono teriam maior probabilidade de alcançar níveis de atividade física moderada a vigorosa do que aqueles com distúrbios graves do sono.
Protocolo
Este estudo foi aprovado pelo Comitê de Ética em Pesquisa Biomédica da Universidade Jishou (Número de Aprovação: JSDX-2023-0034). Todos os participantes eram estudantes de graduação em tempo integral, com idades entre 18 e 25 anos, e forneceram consentimento informado por escrito antes da participação. Foi obtida permissão das universidades participantes. Os dados do levantamento foram utilizados exclusivamente para pesquisa acadêmica e foram analisados de forma anônima. O estudo foi conduzido em conformidade com a Declaração de Helsinque e os requisitos institucionais locais.
Recrutamento de participantes e delineamento amostral
Uma pesquisa transversal foi conduzida entre estudantes de graduação de três universidades abrangentes no sul da China entre setembro e dezembro de 2025, utilizando um delineamento de amostragem aleatória estratificada por conglomerados em múltiplos estágios. No primeiro estágio, três universidades abrangentes foram selecionadas a partir de uma lista de universidades públicas abrangentes no sul da China por meio de amostragem aleatória estratificada, com estratos definidos por região administrativa provincial para garantir representação geográfica. No segundo estágio, dentro de cada universidade selecionada, duas a três turmas completas de cada nível acadêmico (do primeiro ao último ano) foram aleatoriamente escolhidas como unidades de amostragem por conglomerados, utilizando números aleatórios gerados por computador, resultando em um total de 28 turmas nas três universidades. Todos os estudantes das turmas selecionadas foram convidados a participar, conforme mostrado na Figura 1. Os critérios de inclusão foram os seguintes: (1) status de aluno de graduação em tempo integral; (2) idade entre 18 e 25 anos; e (3) participação voluntária com consentimento informado por escrito. Os critérios de exclusão foram: (1) doença física grave recente ou contraindicações para exercício, como fratura ou doença cardíaca grave; (2) uso atual de medicação psiquiátrica, como tratamento para depressão grave ou esquizofrenia; e (3) tempo de preenchimento do questionário inferior a 180 s ou inconsistências lógicas evidentes, como selecionar a mesma opção para todos os itens. Um total de 1.500 questionários foi distribuído. Dos 80 questionários inválidos excluídos durante a limpeza dos dados, 24 foram excluídos devido ao tempo de preenchimento inferior a 180 s, 20 devido a inconsistências lógicas (por exemplo, respostas idênticas em todos os itens ou respostas contraditórias), 18 devido à idade fora da faixa de 18–25 anos, 11 devido a dados faltantes excessivos (mais de 20% dos itens) e 7 devido à autorelação de doença física grave ou uso atual de medicação psiquiátrica. Restaram 1.420 questionários válidos para análise, com uma taxa de resposta efetiva de 94,67%.
Figura 1: Desenho do estudo e fluxo analítico. Visão esquemática da recrutamento e triagem dos participantes (1.500 questionários distribuídos; 80 excluídos; N = 1.420 incluídos), avaliação com o PSQI e o IPAQ-SF, análise de perfil latente (modelos de um a cinco perfis comparados utilizando AIC, BIC, aBIC, entropia, LMRT e BLRT), atribuição a quatro perfis de sono, testes qui-quadrado bivariados, regressão logística multinomial com o gênero como covariável e análises de sensibilidade (ajuste completo de covariáveis e erros padrão robustos por conglomerados). Clique aqui para visualizar uma versão maior desta figura.
Avaliação demográfica e do estilo de vida
Um questionário autoelaborado foi utilizado para obter características demográficas e sociológicas, incluindo sexo (masculino/feminino), idade (em anos), série (calouro/segundo ano/terceiro ano/ano de formação), local de origem (urbano/rural), índice de massa corporal (IMC), histórico de tabagismo, histórico de consumo de álcool e tempo médio diário de exposição a telas. O IMC foi calculado como a massa corporal em quilogramas dividida pelo quadrado da altura em metros (IMC = massa [kg] / altura [m]²)2). A altura e o peso autorrelatados foram verificados quanto a valores implausíveis antes da análise; casos com altura <140 cm ou >200 cm, peso <30 kg ou >150 kg ou IMC <12 kg/m2 ou >40 kg/m2 foram sinalizados e verificados em relação aos registros originais, com os valores aberrantes confirmados excluídos. O status de tabagismo foi categorizado como nunca, ocasional (fumar em alguns dias, mas não diariamente) ou regular (fumo diário), com base no comportamento de fumo autorrelatado no mês anterior. O consumo de álcool foi categorizado como nunca, ocasional (consumo menos de uma vez por semana) ou regular (consumo pelo menos uma vez por semana), no período do mês anterior. O tempo médio diário de tela foi avaliado mediante pergunta sobre o número total de horas por dia dedicadas a smartphones, computadores, tablets e televisão no mês anterior, registrado como uma variável contínua. O questionário foi testado em um estudo-piloto com 30 estudantes universitários antes da coleta formal de dados, a fim de avaliar a clareza dos itens e o tempo de preenchimento; ajustes menores na redação foram feitos com base nos comentários do estudo-piloto. Estudos anteriores sugeriram que essas variáveis podem interferir na associação entre sono e atividade física³⁰,³¹. Todos os instrumentos, softwares e materiais utilizados neste estudo estão listados no Tabela de Materiais.
Avaliação da qualidade do sono
O PSQI, desenvolvido por Buysse et al.9, foi utilizado para avaliar a qualidade do sono dos participantes no mês anterior. A escala inclui 19 itens autoavaliados que compõem sete componentes: qualidade subjetiva do sono, latência para o início do sono, duração do sono, eficiência habitual do sono, distúrbios do sono, uso de medicamentos hipnóticos e disfunção diurna. Cada componente é pontuado de 0 (nenhuma dificuldade) a 3 (dificuldade grave). Os escores desses sete componentes contínuos foram utilizados como indicadores observáveis para a LPA. O PSQI demonstrou boa confiabilidade e validade entre populações de estudantes universitários na China e internacionalmente.30No presente estudo, o alfa de Cronbach para a escala foi de 0,83.
Avaliação da atividade física
O IPAQ-SF, desenvolvido por Craig et al.32, foi utilizado para avaliar a atividade física dos participantes nos sete dias anteriores. O questionário registra a frequência (dias/semana) e a duração (minutos/dia) de atividade física vigorosa, atividade física de intensidade moderada e caminhada. Os valores de equivalente metabólico da tarefa (MET) foram calculados de acordo com o protocolo de pontuação do IPAQ: MET-min/semana de caminhada = 3,3 × duração × frequência; MET-min/semana de intensidade moderada = 4,0 × duração × frequência; e MET-min/semana de intensidade vigorosa = 8,0 × duração × frequência. Os valores de MET para os três tipos de atividade foram somados para obter o nível total de atividade física. Os participantes foram classificados em alta AF, moderada AF e baixa AF de acordo com os critérios de pontuação do IPAQ-SF validados em estudantes universitários33. Alta AF foi definida como atividade vigorosa em pelo menos três dias com um nível total de atividade física de pelo menos 1.500 MET-min/semana, ou qualquer combinação de caminhada, atividade de intensidade moderada ou atividade de intensidade vigorosa em sete ou mais dias com um nível total de atividade física de pelo menos 3.000 MET-min/semana. AF moderada foi definida como atividade vigorosa em pelo menos três dias por pelo menos 20 minutos por dia, ou atividade de intensidade moderada e/ou caminhada em pelo menos cinco dias por pelo menos 30 minutos por dia, ou qualquer combinação de atividades que atinja pelo menos 600 MET-min/semana. Baixa AF foi definida como não atender aos critérios para AF moderada ou alta. A limpeza dos dados seguiu o protocolo oficial de pontuação do IPAQ: foram excluídos participantes que relataram mais de 16 h de atividade total por dia; as durações diárias por categoria foram truncadas em 180 min antes do cálculo de MET-minuto; e casos com respostas logicamente inconsistentes foram removidos durante a limpeza dos dados.
Análise estatística
Primeiro, realize a APL utilizando software de modelagem de perfil latente (consulte a Tabela de Materiais)34. Dos 1.420 participantes, 33 (2,3%) tinham dados parcialmente ausentes no PSQI, com 69 das 9.940 respostas em nível de componentes ausentes (0,69%; ou seja, 1.420 participantes × sete escores componentes do PSQI). O método de máxima verossimilhança com informação completa (FIML) foi utilizado para lidar com esses valores ausentes sob a suposição de ausência ao acaso. Modelos com um a cinco perfis foram estimados sequencialmente. O ajuste do modelo foi avaliado utilizando o critério de informação de Akaike (AIC), critério de informação bayesiano (BIC), BIC ajustado para o tamanho da amostra (aBIC), entropia, teste da razão de verossimilhança de Lo-Mendell-Rubin (LMRT) e teste da razão de verossimilhança com reamostragem bootstrap (BLRT). Valores menores de AIC, BIC e aBIC indicam melhor ajuste relativo, enquanto valores de entropia mais próximos de 1 indicam maior precisão de classificação. Os testes LMRT e BLRT foram utilizados para determinar se um modelo com k perfis se ajustava significativamente melhor do que um modelo com k − 1 perfis. A solução de perfil ótima foi selecionada considerando conjuntamente os índices estatísticos de ajuste, entropia, tamanho das classes (nenhum perfil contendo menos de 5% da amostra) e interpretabilidade substantiva, seguindo diretrizes estabelecidas para análise de perfil latente11,35. Após a seleção da solução de perfil ótima, a associação mais provável dos indivíduos às classes foi exportada para um software de análise estatística (consulte a Tabela de Materiais) para análises subsequentes. Testes qui-quadrado de Pearson foram utilizados para examinar diferenças nas características demográficas e nos níveis de atividade física entre os perfis de sono. Testes qui-quadrado bivariados mostraram que apenas o gênero e o nível de atividade física diferiram significativamente entre os quatro perfis de sono (ambos p < 0,001), enquanto idade, série escolar, IMC, tabagismo, consumo de álcool e tempo de tela não diferiram (todos p > 0,05; consulte a Tabela Suplementar 1). Portanto, apenas o gênero foi incluído como covariável no modelo de regressão logística multinomial, em conformidade com o princípio da parcimônia. Uma análise de sensibilidade ajustando para todas as covariáveis coletadas produziu o mesmo padrão e significância dos resultados (Tabela Suplementar 2). Foi realizada uma regressão logística multinomial com o nível de atividade física como variável dependente (PA baixa = 0, PA moderada = 1, PA alta = 2) e o perfil de sono como variável independente principal. Foram calculadas as razões de chances (ORs) e os intervalos de confiança de 95% (ICs). Todos os testes foram bicaudais, e a significância estatística foi definida em p < 0,05. Como os participantes foram recrutados por meio de turmas inteiras aninhadas em universidades, realizamos uma análise de sensibilidade utilizando o módulo de amostras complexas do software estatístico (consulte a Tabela de Materiais), especificando universidade e turma como variáveis de agrupamento, para obter erros-padrão ajustados ao delineamento. Os resultados foram consistentes com os obtidos pela regressão logística multinomial padrão (Tabela Suplementar 3). O conjunto de dados bruto com identificação removida, com rótulos das variáveis em inglês e um código descritivo, está disponível como Arquivo Suplementar 1.
Resultados
Foram extraídos modelos com um a cinco perfis latentes. Conforme mostrado na Tabela 1, AIC, BIC e aBIC diminuíram à medida que o número de perfis aumentou. O modelo de quatro perfis apresentou o valor mais alto de entropia (0,915), e tanto o LMRT quanto o BLRT foram significativos (p < 0,001). Em contraste, o LMRT para o modelo de cinco perfis não foi significativo (p = 0,085), e a entropia diminuiu para 0,880. Portanto, embora o modelo de cinco perfis tenha apresentado critérios de informação mais baixos, o modelo de quatro perfis foi selecionado porque ofereceu um melhor equilíbrio entre precisão de classificação, parcimônia do modelo, tamanho das classes e interpretabilidade substantiva. Os rótulos dos perfis foram atribuídos com base nas médias condicionais dos sete escores dos componentes do PSQI entre as classes (Figura 2), de acordo com as práticas recomendadas para relatórios de ALP11.
Tabela 1: Índices de ajuste do modelo para a análise de perfil latente dos padrões de sono de estudantes universitários. AIC, critério de informação de Akaike; BIC, critério de informação bayesiano; aBIC, BIC ajustado ao tamanho da amostra; LMRT, teste da razão de verossimilhança de Lo-Mendell-Rubin; BLRT, teste da razão de verossimilhança com reamostragem bootstrap. Clique aqui para baixar esta tabela.
Figura 2: PLA dos padrões de sono: solução de quatro perfis. O gráfico de linhas mostra os escores dos componentes do PSQI ao longo dos quatro perfis latentes de sono: sono saudável, sono insuficiente, baixa qualidade do sono e distúrbio grave do sono. Clique aqui para visualizar uma versão maior desta figura.
Com base nas características dos escores dos componentes do PSQI, os quatro perfis foram denominados como grupo de sono saudável (C1), grupo de sono insuficiente (C2), grupo de baixa qualidade do sono (C3) e grupo de distúrbio grave do sono (C4). As probabilidades estimadas pelo modelo para cada classe foram, respectivamente, 0,447, 0,248, 0,203 e 0,102. Com base na atribuição à classe mais provável, as frequências observadas foram 639 (45,0%), 355 (25,0%), 284 (20,0%) e 142 (10,0%) para C1–C4, respectivamente. Testes qui-quadrado indicaram diferenças significativas entre os perfis quanto ao gênero e aos níveis de atividade física (p < 0,001; Tabela 2). A solução com quatro perfis apresentou o melhor equilíbrio entre adequação do modelo e interpretabilidade teórica, com alta precisão de classificação (entropia = 0,915).
Grupo de sono saudável (C1, 45,0%): os estudantes deste grupo apresentaram pontuações baixas nos sete componentes do PSQI, indicando sono relativamente regular e melhor qualidade do sono. Grupo de sono insuficiente (C2, 25,0%): este grupo caracterizou-se por pontuações relativamente altas em duração do sono e latência do sono, enquanto a disfunção diurna não foi acentuada. Grupo de má qualidade do sono (C3, 20,0%): os estudantes deste grupo apresentaram pontuações relativamente altas em qualidade subjetiva do sono, distúrbios do sono e disfunção diurna, juntamente com eficiência do sono relativamente baixa. Grupo com distúrbio grave do sono (C4, 10,0%): esta subpopulação apresentou pontuações altas na maioria dos componentes do PSQI e relatou pontuações mais elevadas em uso de medicamentos hipnóticos em comparação com os outros perfis, sugerindo maior risco de problemas de sono clinicamente relevantes, e não um diagnóstico clínico confirmado.
As médias condicionais exatas e os desvios padrão das sete pontuações dos componentes do PSQI para cada perfil são relatados na Supplementary Table 4.
Tabela 2: Distribuição das características demográficas e níveis de atividade física entre os perfis de sono. C1, grupo com sono saudável; C2, grupo com sono insuficiente; C3, grupo com qualidade do sono ruim; C4, grupo com distúrbio grave do sono. Clique aqui para baixar esta tabela.
O nível de atividade física foi inserido como variável dependente, com baixa AF como categoria de referência. O perfil de sono foi inserido como variável independente, com o grupo de distúrbio grave do sono como categoria de referência, e o gênero foi controlado. Conforme mostrado na Tabela 3, os estudantes nos grupos de sono saudável e sono insuficiente tinham probabilidade significativamente maior de relatar AF moderada e alta do que aqueles no grupo de distúrbio grave do sono. Esses achados apoiam uma associação entre perfis de sono favoráveis e níveis mais elevados de AF, mas o delineamento transversal não permite inferência causal.
Tabela 3: Regressão logística multinomial de perfis de sono e níveis de atividade física entre estudantes universitários. A categoria de baixa atividade física foi a categoria de referência para o desfecho, e o grupo com distúrbio grave de sono foi a categoria de referência para o perfil de sono. Clique aqui para baixar esta tabela.
DISPONIBILIDADE DE DADOS:
Os dados brutos desidentificados e o código de análise que apoiam os resultados deste estudo estão disponíveis publicamente no Figshare em https://doi.org/10.6084/m9.figshare.33340908.
Arquivo Suplementar 1: Conjunto de dados bruto com identificação removida (Sleep_LPA_Raw_Data_N1420.xlsx) com rótulos de variáveis em inglês e livro de códigos.Clique aqui para baixar este arquivo.
Tabela Suplementar 1: Testes bivariados de diferenças de covariáveis entre os perfis de sono.
Nota: Variáveis categóricas foram testadas com testes qui-quadrado de Pearson; variáveis contínuas com ANOVA de um fator. Apenas os gêneros diferiram significativamente entre os perfis (p < 0,001). As distribuições detalhadas por categoria para série escolar, origem, tabagismo, consumo de álcool e curso universitário foram omitidas por brevidade, mas estão disponíveis nos dados brutos.Clique aqui para baixar este arquivo.
Tabela Suplementar 2: Regressão logística multinomial ajustada para todas as covariáveis (análise de sensibilidade).
Nota: Categoria de referência para AF: BAIXO AF; categoria de referência para o perfil de sono: C4 (Distúrbio grave). O modelo foi ajustado por sexo, idade, IMC, tempo de tela, série escolar, origem, tabagismo, consumo de álcool e curso. A direção e a significância de todas as associações são consistentes com a análise principal (Tabela 3), que foi ajustada apenas por sexo.Clique aqui para baixar este arquivo.
Tabela Suplementar 3: Regressão logística multinomial com erros-padrão robustos por agrupamento (SPSS Complex Samples).
Nota: Erros-padrão ajustados para agrupamento por universidade e turma (equivalente ao SPSS Complex Samples; N = 1.420, agrupamentos = 3 universidades × turmas intactas). Os coeficientes B são idênticos aos da análise principal (Tabela 3); apenas os erros-padrão e os valores-p diferem. C1 e C2 continuam significativamente associados à atividade física moderada e alta; C3 permanece não significativo.Clique aqui para baixar este arquivo.
Tabela Suplementar 4: Médias e desvios padrão dos escores dos componentes do PSQI por perfil de sono.
Observação: Os valores são médias condicionais (desvios padrão) com base na atribuição mais provável da classe. Todos os sete componentes do PSQI e o escore total diferiram significativamente entre os perfis (ANOVA unifatorial, todos p < 0,001). C1 = sono saudável; C2 = sono insuficiente; C3 = baixa qualidade do sono; C4 = distúrbio grave do sono.Clique aqui para baixar este arquivo.
Discussão
Utilizando uma amostra transversal relativamente ampla, este estudo aplicou uma abordagem centrada na pessoa, baseada na análise de perfis latentes (LPA), para identificar quatro perfis heterogêneos de sono entre estudantes universitários chineses e examinou ainda as associações entre esses perfis e diferentes níveis de atividade física. Os resultados oferecem uma perspectiva útil para compreender o agrupamento de comportamentos relacionados à saúde envolvendo sono e exercício entre estudantes universitários e fornecem alvos mais precisos para intervenções de saúde pública em ambientes universitários.
Este estudo classificou os padrões de sono de estudantes universitários em quatro perfis: sono saudável, sono insuficiente, baixa qualidade do sono e distúrbio grave do sono. Embora o grupo com sono saudável tenha representado a maior proporção (45,0%), mais da metade dos estudantes (55,0%) foi classificada em perfis caracterizados por sono inadequado. Esse achado é consistente com evidências internacionais que indicam uma alta prevalência de problemas de sono entre adolescentes e adultos jovens3,4. Em particular, a proporção de estudantes do sexo feminino no grupo com distúrbio grave do sono foi substancialmente maior do que a de estudantes do sexo masculino (68,3% contra 31,7%), o que está de acordo com achados anteriores sobre diferenças sexuais no sono. Flutuações nos níveis hormonais femininos ao longo do ciclo menstrual, incluindo mudanças cíclicas em estrogênio e progesterona, podem aumentar a vulnerabilidade a distúrbios do sono10. Do ponto de vista psicológico, estudantes do sexo feminino também podem ser mais sensíveis ao estresse acadêmico e interpessoal e mais propensas a internalizar emoções negativas. Essa ruminação pode prolongar a latência do sono e reduzir a profundidade do sono7. Além disso, 25,0% dos estudantes pertenciam ao grupo com sono insuficiente. Com base na literatura anterior, esse perfil pode ser parcialmente atribuível ao tempo prolongado diante de telas antes de dormir e à exposição à luz azul de dispositivos móveis, bem como a habilidades relativamente fracas de gerenciamento do tempo30; entretanto, esses fatores não foram diretamente avaliados no presente estudo e devem ser examinados em pesquisas futuras.
Este estudo identificou diferenças significativas e graduais nos níveis de atividade física entre os diferentes perfis de sono. A regressão logística multinomial mostrou que, em comparação com os estudantes do grupo com distúrbio grave do sono, aqueles do grupo com sono saudável tinham probabilidades muito maiores de alcançar alta AF (OR = 7,55). Esses achados são compatíveis com o conceito de agrupamento de comportamentos saudáveis na medicina do estilo de vida, sugerindo que padrões favoráveis de sono e atividade física regular podem ocorrer conjuntamente nos mesmos indivíduos.
A associação observada entre perfis de sono e AF pode ser explicada por diversas vias fisiológicas e psicológicas possíveis, embora esses mecanismos não tenham sido diretamente testados no presente estudo transversal. Primeiramente, é possível que a atividade física regular facilite o sono. A atividade física de intensidade moderada a vigorosa pode induzir um aumento agudo da temperatura corporal, seguido por uma queda compensatória pós-exercício que pode facilitar o início do sono e aumentar a proporção de sono de ondas lentas17. A prática regular de atividade física também pode regular o sistema nervoso autônomo ao aumentar o tônus vagal e reduzir a hiperatividade simpática. Além disso, as endorfinas relacionadas ao exercício e o fator neurotrófico derivado do cérebro podem ajudar a aliviar a depressão e a ansiedade, reduzindo assim os fatores psicológicos que contribuem para a insônia36,37. A atividade ao ar livre durante o dia pode ainda aumentar a exposição à luz na retina, ajudando a calibrar os ritmos circadianos e estabilizar a secreção de melatonina38. Em segundo lugar, é plausível também que o sono inadequado restrinja a AF diurna. Estudantes no grupo com distúrbios graves do sono podem experimentar fadiga diurna e sonolência devido à recuperação noturna insuficiente, conforme refletido pelos altos escores de disfunção diurna no PSQI. Essa redução de energia pode diminuir a autoeficácia e a motivação para o esforço físico20,28. Evidências experimentais e revisões sugerem que o sono e o exercício podem influenciar um ao outro por meio de vias relacionadas à recuperação, fadiga, estado afetivo e ritmos circadianos28,39. Portanto, estudantes com problemas graves de sono podem ter maior probabilidade de adotar estilos de vida sedentários. Essas vias bidirecionais propostas permanecem especulativas e devem ser verificadas por meio de estudos longitudinais de coorte e ensaios controlados randomizados.
Este estudo possui as vantagens de uma amostra relativamente grande e de uma abordagem analítica centrada na pessoa; no entanto, várias limitações devem ser reconhecidas. Primeiro, como o estudo utilizou um delineamento transversal, não é possível inferir relações causais entre padrões de sono e atividade física. Estudos longitudinais futuros ou ensaios controlados randomizados são necessários para testar os efeitos de intervenções de exercício sobre perfis específicos de sono39. Segundo, tanto o sono quanto a atividade física foram avaliados por meio de escalas autorreferidas, que podem ser afetadas por viés de recordação e viés de desejabilidade social. Pesquisas futuras deveriam incorporar polissonografia, acelerômetros ou dispositivos vestíveis para obter dados fisiológicos e comportamentais mais objetivos22,24. Terceiro, a amostra foi limitada a estudantes universitários de instituições do sul da China; portanto, o contexto cultural e as condições climáticas podem limitar a generalização dos achados. Estudos futuros deveriam incluir participantes de regiões geográficas mais amplas e de diferentes grupos ocupacionais. Quarto, embora a análise de sensibilidade para amostras complexas, ajustada por agrupamento por universidade e turma, tenha gerado resultados consistentes, os testes qui-quadrado não consideraram explicitamente a correlação intraclasse introduzida pela amostragem por conglomerados. Estudos futuros com um número maior de conglomerados deveriam considerar análises de perfil latente multinível ou regressão multinível desde a fase de planejamento. Quinto, a regressão logística multinomial utilizou a pertinência à classe mais provável exportada a partir do modelo de perfil latente, o que não leva plenamente em conta a incerteza da classificação. Embora a alta entropia (0,915) e as probabilidades posteriores médias superiores a 0,80 para todas as classes sugiram que a precisão da classificação foi elevada, estudos futuros deveriam empregar abordagens baseadas em modelos, como o procedimento de três etapas de Bolck-Croon-Hagenaars (BCH), para propagar de forma mais adequada a incerteza da classificação nas análises auxiliares.
Os padrões de sono de estudantes universitários não são homogêneos, mas apresentam clara heterogeneidade entre grupos. Neste estudo, eles foram classificados em quatro perfis latentes: sono saudável, sono insuficiente, baixa qualidade do sono e distúrbio grave do sono. Padrões favoráveis de sono estiveram positivamente associados a níveis moderado e alto de atividade física. Esses achados sugerem que educadores universitários e formuladores de políticas de saúde pública devem evitar abordagens únicas ao promover a saúde mental e a aptidão física dos estudantes. Para estudantes do grupo com sono insuficiente, as intervenções podem focar no gerenciamento do tempo e nos comportamentos antes de dormir. Para estudantes do grupo com distúrbio grave do sono, pode-se considerar apoio psicológico profissional, incluindo terapia cognitivo-comportamental para insônia (CBT-I), quando clinicamente indicado40. O nível de atividade física pode servir como um marcador comportamental útil na identificação de estudantes em risco de sono inadequado, mas estudos longitudinais e de intervenção são necessários para determinar se o aumento da atividade física pode melhorar perfis específicos de sono.
Divulgações
Os autores declaram que este trabalho foi conduzido na ausência de quaisquer relações comerciais ou financeiras que possam ser interpretadas como um possível conflito de interesses.
Agradecimentos
Agradecemos às universidades participantes e a todos os estudantes que responderam à pesquisa. Este trabalho foi apoiado pelo Projeto de Pesquisa em Humanidades e Ciências Sociais para Pesquisadores Jovens do Ministério da Educação (número do convênio: 23YJC890059); e pelo Projeto de Pesquisa sobre Reforma do Ensino e da Educação da Província de Hunan (número do convênio: 202502000069).
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Questionário demográfico e de estilo de vida | Desenvolvido autonomamente pela equipe do estudo | N/A | Utilizado para coletar dados sobre sexo, idade, série acadêmica, local de origem, índice de massa corporal, histórico de tabagismo, histórico de consumo de álcool e tempo médio diário de tela. |
| Índice de Qualidade do Sono de Pittsburgh (PSQI) | Buysse et al., 1989 | DOI: 10.1016/0165-1781(89)90047-4 | Utilizado para avaliar a qualidade do sono no mês anterior. Sete escores componentes foram utilizados como indicadores observáveis para a análise de perfil latente. |
| Questionário Internacional de Atividade Física – Versão Curta (IPAQ-SF) | Craig et al., 2003 | DOI: 10.1249/01.MSS.0000078924.61453 .FB | Utilizado para avaliar caminhadas, atividades físicas de intensidade moderada e atividades físicas vigorosas nos últimos sete dias. |
| Formulário de consentimento informado escrito | Equipe do estudo e universidades participantes | Aprovação ética nº JSDX-2023-0034 | Utilizado para documentar a participação voluntária de estudantes universitários com idades entre 18 e 25 anos. |
| Procedimento de coleta de dados do questionário | Universidades participantes no sul da China | N/A | Utilizado para amostragem aleatória estratificada em múltiplos estágios e aplicação de questionários entre setembro e dezembro de 2025. |
| Mplus | Muthen & Muthen | Versão 8.3 | Utilizado para realizar análise de perfil latente com base nos sete escores componentes do PSQI. |
| IBM SPSS Statistics | IBM | Versão 26.0 | Utilizado para realizar testes qui-quadrado e análises de regressão logística multinomial. |
| Microsoft Excel | Microsoft | N/A | Utilizado para preparar arquivos separados de tabelas JoVE para upload. |
Referências
- 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.