Исследовательская статья

Анализ латентных профилей структуры сна и их связь с уровнем физической активности среди студентов китайских колледжей

0 просмотров

⸱

DOI:

10.3791/73033

⸱

15 сентября 2026 г.

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

* These authors contributed equally

В этой статье

Краткое содержание

В ходе данного одномоментного латентного профильного анализа 1420 студентов китайских колледжей с помощью индекса PSQI были выявлены четыре отчетливых профиля сна. Профили более здорового сна значимо коррелировали с более высокими уровнями физической активности умеренной и высокой интенсивности, что указывает на необходимость разработки специфических для каждого паттерна сна мер по укреплению здоровья в студенческой среде.

Аннотация

Целью данного одномоментного исследования было выявление латентных профилей режимов сна у студентов колледжей и изучение их связи с уровнями физической активности (ФА), что позволило бы получить эмпирические данные для проведения целевых мероприятий по укреплению здоровья в университетской среде. С помощью многоступенчатого стратифицированного кластерного рандомизированного отбора из трех многопрофильных университетов в Южном Китае было отобрано в общей сложности 1 420 студентов. Качество сна и ФА оценивались с помощью Питтсбургского индекса качества сна (PSQI) и краткой формы Международного опросника по физической активности (IPAQ-SF) соответственно. Анализ латентных профилей (LPA), критерии хи-квадрат и мультиномиальный логистический регрессионный анализ проводились с использованием соответствующего статистического программного обеспечения. На основе вероятностей классов, рассчитанных моделью, были выявлены четыре латентных профиля сна: здоровый сон (44,7%), недостаточный сон (24,8%), низкое качество сна (20,3%) и тяжелые нарушения сна (10,2%); соответствующие наблюдаемые доли на основе наиболее вероятного назначения классов составили 45,0%, 25,0%, 20,0% и 10,0% (n = 639, 355, 284 и 142 соответственно). Пол и уровень ФА значимо различались между профилями. По сравнению со студентами в группе с тяжелыми нарушениями сна, студенты в группе со здоровым сном чаще сообщали об умеренной ФА (отношение шансов (OR) = 4,69, 95% доверительный интервал (CI): 2,92–7,51) и высокой ФА (OR = 7,55, 95% CI: 4,41–12,91). Студенты в группе с недостаточным сном также чаще сообщали об умеренной ФА (OR = 2,98, 95% CI: 1,83–4,86) и высокой ФА (OR = 5,02, 95% CI: 2,84–8,87). Режимы сна студентов колледжей продемонстрировали явную неоднородность. Благоприятные режимы сна были связаны с более высокими уровнями ФА. Из-за одномоментного дизайна исследования причинно-следственные связи не могут быть установлены. Следует разработать дифференцированные стратегии вмешательства в соответствии с характеристиками сна конкретных подгрупп, а стимулирование ФА может рассматриваться в качестве потенциальной поведенческой цели для студентов с низким качеством сна.

Введение

Сон необходим не только для поддержания основных физиологических функций, но и для поддержания физического и психического здоровья, когнитивного развития и эмоциональной регуляции1,2. Однако в современных обществах с их стремительным темпом жизни расстройства сна стали глобальной проблемой общественного здравоохранения. Проблемы со сном особенно выражены среди студентов колледжей и университетов, которые после поступления часто сталкиваются с отсутствием родительского контроля, академическим давлением, трудностями в межличностной адаптации и чрезмерным использованием электронных устройств3. Эпидемиологические исследования показали, что примерно 25%–60% студентов во всем мире сообщают о различной степени низкого качества сна или депривации сна4,5. Стойкие нарушения сна могут нарушать функции центральной нервной системы, приводя к снижению внимания и ухудшению памяти; они также могут повышать риск развития интернализированных проблем с психическим здоровьем, таких как депрессия и тревожность6,7, а в будущем — риск развития сердечно-сосудистых заболеваний и метаболического синдрома8.

Предыдущие исследования сна в основном опирались на аналитический подход, ориентированный на переменные, при котором оценка состояния сна на групповом уровне проводилась с использованием общих баллов по стандартизированным шкалам, таким как Питтсбургский индекс качества сна (PSQI), или средних баллов по отдельным параметрам9. Хотя такой подход дает интуитивное представление об общей степени нарушений сна, он неявно предполагает однородность исследуемой популяции. В действительности сон представляет собой многомерный физиологический процесс, включающий продолжительность сна, латентный период засыпания, эффективность сна, ночные пробуждения и дневную дисфункцию10. Лица с одинаковым общим баллом по PSQI могут иметь существенно разные комбинации симптомов; например, один студент может испытывать в основном трудности с засыпанием, в то время как другой может страдать от раннего пробуждения и дневной сонливости. В последние годы все большее внимание уделяется подходам, ориентированным на личность. Анализ латентных профилей (LPA) позволяет выявить ненаблюдаемые гетерогенные подгруппы в данных путем максимизации различий между профилями и минимизации различий внутри одного профиля11,12. Используя LPA, исследователи могут более точно охарактеризовать специфические профили сна у студентов колледжей13, что позволяет определить более точные цели для терапевтического вмешательства.

Физическая активность (ФА) широко рекомендуется Всемирной организацией здравоохранения и другими руководствами по общественному здравоохранению как основа укрепления здоровья на протяжении всей жизни14,15. Эмпирические исследования и мета-анализы показали, что регулярная физическая активность умеренной и высокой интенсивности может улучшить кардиореспираторную выносливость и снизить смертность16,17, а также помочь в снятии психологического стресса и улучшении когнитивных функций18,19. Физическая активность также рассматривается как эффективное нефармакологическое средство при нарушениях сна20,21. Положительные связи между физической активностью и качеством сна были отмечены в когортных исследованиях с использованием объективных устройств, таких как акселерометры22,23,24, а также в одномоментных исследованиях, основанных на опросниках самоотчета25,26. Более того, физические упражнения и сон, по-видимому, находятся в двусторонней взаимосвязи: достаточный сон может повысить мотивацию и выносливость при физической активности, в то время как энергозатраты в дневное время могут способствовать медленноволновому сну ночью27,28.

Несмотря на широкое согласие относительно пользы физической активности для общего качества сна, существующая литература имеет ряд ограничений. В большинстве исследований физическая активность рассматривалась как независимая переменная, предсказывающая единый показатель сна, что привело к игнорированию возможности того, что различным паттернам сна могут соответствовать разные комбинации характеристик образа жизни29,30. Вопрос о том, различаются ли уровни физической активности в зависимости от латентных профилей сна среди студентов колледжей, остается недостаточно изученным.

На этом фоне данное исследование было направлено на то, чтобы: (1) с помощью LPA выявить латентные профили на основе многомерных показателей качества сна среди китайских студентов колледжей; и (2) изучить связь между профилями сна и уровнями физической активности (низким, умеренным и высоким) после контроля демографических переменных. Мы предположили, что среди студентов будут присутствовать несколько гетерогенных профилей сна и что студенты со здоровым режимом сна будут более склонны к достижению уровней умеренной и интенсивной физической активности, чем студенты с тяжелыми нарушениями сна.

Протокол

Данное исследование было одобрено Комитетом по биомедицинской этике Университета Цзишоу (номер одобрения JSDX-2023-0034). Все участники были студентами очной формы обучения бакалавриата в возрасте 18–25 лет и предоставили письменное информированное согласие перед началом участия. Разрешение было получено от участвующих университетов. Данные опроса использовались только для академических исследований и анализировались анонимно. Исследование проводилось в соответствии с Хельсинкской декларацией и требованиями местных учреждений.

Набор участников и дизайн выборки

В период с сентября по декабрь 2025 года среди студентов бакалавриата трех многопрофильных университетов на юге Китая был проведен одномоментный опрос с использованием многоступенчатого стратифицированного кластерного рандомизированного отбора. На первом этапе из списка государственных многопрофильных университетов на юге Китая методом стратифицированного случайного отбора были выбраны три университета, причем страты были определены по провинциальным административным регионам для обеспечения географической репрезентативности. На втором этапе в каждом выбранном университете с помощью компьютерной генерации случайных чисел были случайным образом выбраны две-три целые группы каждого курса (с первого по четвертый) в качестве единиц кластерного отбора, что в общей сложности составило 28 групп в трех университетах. Все студенты выбранных групп были приглашены к участию, как показано на Рисунке 1. Критерии включения были следующими: (1) статус студента очной формы обучения; (2) возраст от 18 до 25 лет; (3) добровольное участие с письменным информированным согласием. Критерии исключения: (1) недавно перенесенные тяжелые соматические заболевания или противопоказания к физическим нагрузкам, такие как переломы или тяжелые заболевания сердца; (2) текущий прием психиатрических препаратов, например, при лечении тяжелой депрессии или шизофрении; (3) время заполнения анкеты менее 180 s или явные логические несоответствия, такие как выбор одного и того же варианта ответа для всех пунктов. Всего было распространено 1 500 анкет. Из 80 невалидных анкет, исключенных в процессе очистки данных, 24 были исключены из-за времени заполнения менее 180 s, 20 — из-за логических несоответствий (например, идентичные ответы во всех пунктах или противоречивые ответы), 18 — из-за возраста вне диапазона 18–25 лет, 11 — из-за чрезмерного количества пропущенных данных (более 20% пунктов) и 7 — из-за самостоятельно заявленных тяжелых соматических заболеваний или текущего приема психиатрических препаратов. Таким образом, для анализа осталось 1 420 валидных анкет, что составило эффективный уровень отклика 94,67%.

figure-protocol-1
Рисунок 1: Дизайн исследования и аналитический рабочий процесс.Схематический обзор набора и скрининга участников (распространено 1 500 анкет; исключено 80; N = 1 420 включено), оценки с помощью PSQI и IPAQ-SF, анализа латентных профилей (сравнение моделей от одного до пяти профилей с использованием AIC, BIC, aBIC, энтропии, LMRT и BLRT), распределения по четырем профилям сна, двумерных критериев хи-квадрат, мультиномиальной логистической регрессии с учетом пола как ковариаты и анализа чувствительности (полная корректировка ковариат и кластерно-робастные стандартные ошибки). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

Оценка демографических показателей и образа жизни

Для получения демографических и социологических характеристик использовалась специально разработанная анкета, включающая пол (мужской/женский), возраст (в годах), курс (первый/второй/третий/четвертый), место происхождения (город/сельская местность), индекс массы тела (ИМТ), историю курения, историю употребления алкоголя и среднее ежедневное экранное время. ИМТ рассчитывался как масса тела в килограммах, деленная на квадрат роста в метрах (ИМТ = вес [кг] / рост [м]2). Перед началом анализа данные о росте и весе, предоставленные участниками, были проверены на предмет недостоверности; случаи с ростом <140 cm или >200 cm, весом <30 kg или >150 kg, или ИМТ <12 kg/m2 или >40 kg/m2 отмечались и сверялись с исходными записями, а подтвержденные выбросы исключались. Статус курения классифицировался как «никогда», «эпизодически» (курение в некоторые дни, но не ежедневно) или «регулярно» (ежедневное курение) на основании данных участников о поведении в течение последнего месяца. Потребление алкоголя классифицировалось как «никогда», «эпизодически» (употребление реже одного раза в неделю) или «регулярно» (употребление не менее одного раза в неделю) за последний месяц. Среднее ежедневное экранное время оценивалось путем опроса участников об общем количестве часов в день, проведенных со смартфонами, компьютерами, планшетами и перед телевизором за последний месяц; данные записывались как непрерывная переменная. Перед началом официального сбора данных анкета была апробирована на группе из 30 студентов бакалавриата для оценки ясности формулировок и времени заполнения; на основе полученных отзывов были внесены незначительные правки в формулировки. Предыдущие исследования показали, что эти переменные могут искажать связь между сном и физической активностью30,31. Все инструменты, программное обеспечение и материалы, использованные в данном исследовании, перечислены в Таблице материалов.

Оценка качества сна

Для оценки качества сна участников за последний месяц использовался опросник PSQI, разработанный Buysse et al.9. Шкала включает 19 пунктов самооценки, которые формируют семь компонентов: субъективное качество сна, латентный период засыпания, продолжительность сна, привычная эффективность сна, нарушения сна, использование гипнотических препаратов и дневная дисфункция. Каждый компонент оценивается по шкале от 0 (отсутствие проблем) до 3 (выраженные проблемы). Баллы по этим семи непрерывным компонентам использовались в качестве наблюдаемых показателей для LPA. PSQI продемонстрировал хорошую надежность и валидность среди студентов колледжей в Китае и в международной практике30. В настоящем исследовании значение альфа Кокрана для данной шкалы составило 0,83.

Оценка физической активности

Для оценки физической активности участников за предыдущие семь дней использовалась краткая форма Международного опросника о физической активности (IPAQ-SF), разработанная Craig et al.32. В опроснике фиксируются частота (дней/неделя) и продолжительность (минут/день) интенсивной физической активности, физической активности умеренной интенсивности и ходьбы. Значения метаболического эквивалента задачи (MET) рассчитывались согласно протоколу оценки IPAQ: MET-мин/неделя для ходьбы = 3,3 × продолжительность × частота; MET-мин/неделя для умеренной интенсивности = 4,0 × продолжительность × частота; MET-мин/неделя для высокой интенсивности = 8,0 × продолжительность × частота. Значения MET для трех типов активности суммировались для получения общего уровня физической активности. Участники были разделены на группы с высокой, умеренной и низкой физической активностью (PA) в соответствии с критериями оценки IPAQ-SF, валидированными для студентов колледжей33. Высокая PA определялась как интенсивная активность не менее трех дней с общим уровнем физической активности не менее 1 500 MET-мин/неделя или любая комбинация ходьбы, активности умеренной или высокой интенсивности в течение семи и более дней с общим уровнем физической активности не менее 3 000 MET-мин/неделя. Умеренная PA определялась как интенсивная активность не менее трех дней продолжительностью не менее 20 минут в день, или активность умеренной интенсивности и/или ходьба не менее пяти дней продолжительностью не менее 30 минут в день, или любая комбинация активностей, достигающая уровня не менее 600 MET-мин/неделя. Низкая PA определялась как несоответствие критериям умеренной или высокой PA. Очистка данных проводилась согласно официальному протоколу оценки IPAQ: участники, сообщившие о более чем 16 ч общей активности в день, были исключены; ежедневняя продолжительность в каждой категории была ограничена 180 мин перед расчетом MET-минут; случаи с логически противоречивыми ответами были удалены в ходе очистки данных.

Статистический анализ

Сначала проведите LPA с использованием программного обеспечения для моделирования латентных профилей (см. Таблицу материалов)34. Из 1 420 участников у 33 (2,3%) данные по PSQI были частично пропущены, при этом отсутствовало 69 из 9 940 ответов на уровне компонентов (0,69%; т. е. 1 420 участников × семь показателей компонентов PSQI). Для обработки этих пропущенных значений использовался метод максимального правдоподобия с полной информацией (FIML) при допущении о случайном характере пропусков. Последовательно оценивались модели с одним-пятью профилями. Соответствие модели оценивалось с помощью информационного критерия Акаике (AIC), байесовского информационного критерия (BIC), BIC с поправкой на размер выборки (aBIC), энтропии, теста отношения правдоподобия Ло-Менделла-Рубина (LMRT) и бутстрэп-теста отношения правдоподобия (BLRT). Более низкие значения AIC, BIC и aBIC указывают на лучшее относительное соответствие, в то время как значения энтропии, близкие к 1, свидетельствуют о более высокой точности классификации. Тесты LMRT и BLRT использовались для определения того, соответствует ли модель с k профилями значимо лучше, чем модель с k − 1 профилями. Оптимальное решение по профилям было выбрано путем совместного учета статистических индексов соответствия, энтропии, размера классов (ни один профиль не должен содержать менее 5% выборки) и содержательной интерпретируемости согласно установленным рекомендациям по анализу латентных профилей11,35. После выбора оптимального решения по профилям данные о наиболее вероятной принадлежности лиц к классам были экспортированы в программное обеспечение для статистического анализа (см. Таблицу материалов) для последующего анализа. Для изучения различий в демографических характеристиках и уровнях физической активности между профилями сна использовались критерии хи-квадрат Пирсона. Двумерные тесты хи-квадрат показали, что только пол и уровень физической активности значимо различались в четырех профилях сна (в обоих случаях p < 0.001), в то время как возраст, курс, ИМТ, курение, употребление алкоголя и экранное время не различались (все p > 0.05; см. Дополнительную таблицу 1). Таким образом, в соответствии с принципом парсимонии, в качестве ковариаты в модель мультиномиальной логистической регрессии был включен только пол. Анализ чувствительности с поправкой на все собранные ковариаты дал ту же закономерность и значимость результатов (Дополнительная таблица 2). Мультиномиальная логистическая регрессия была проведена с уровнем физической активности в качестве зависимой переменной (низкая ФА = 0, умеренная ФА = 1, высокая ФА = 2) и профилем сна в качестве основной независимой переменной. Были рассчитаны отношения шансов (OR) и 95% доверительные интервалы (CI). Все тесты были двусторонними, статистическая значимость была установлена на уровне p < 0.05. Поскольку участники набирались через сформированные классы внутри университетов, мы провели анализ чувствительности с использованием модуля для сложных выборок статистического программного обеспечения (см. Таблицу материалов), указав университет и класс в качестве переменных кластеризации, чтобы получить стандартные ошибки с поправкой на дизайн исследования. Результаты совпали с результатами стандартной мультиномиальной логистической регрессии (Дополнительная таблица 3). Обезличенный исходный набор данных с названиями переменных на английском языке и кодовая книга представлены в Дополнительном файле 1.

Результаты

Были извлечены модели от одного до пяти латентных профилей. Как показано в Таблице 1, значения AIC, BIC и aBIC снижались по мере увеличения количества профилей. Модель с четырьмя профилями имела наивысший показатель энтропии (0,915), а результаты тестов LMRT и BLRT были значимыми (p < 0,001). Напротив, показатель LMRT для модели с пятью профилями не был значимым (p = 0,085), а энтропия снизилась до 0,880. Таким образом, несмотря на то что модель с пятью профилями демонстрировала более низкие значения информационных критериев, была выбрана модель с четырьмя профилями, так как она обеспечивала лучший баланс между точностью классификации, парсимонией модели, размером классов и содержательной интерпретируемостью. Метки профилей были присвоены на основе условных средних значений баллов семи компонентов PSQI по классам (Рисунок 2), что соответствует рекомендуемым правилам отчетности для LPA11.

Таблица 1: Индексы соответствия модели для анализа латентных профилей режима сна студентов колледжа. AIC — информационный критерий Акаике; BIC — байесовский информационный критерий; aBIC — BIC с поправкой на размер выборки; LMRT — тест отношения правдоподобия Ло-Менделла-Рубина; BLRT — бутстреп-тест отношения правдоподобия. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

figure-results-1
Рисунок 2: LPA структур сна: решение с четырьмя профилями. Линейный график демонстрирует баллы компонентов PSQI для четырех латентных профилей сна: здоровый сон, недостаточный сон, низкое качество сна и тяжелые нарушения сна. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этого рисунка.

На основании характеристик баллов компонентов PSQI четыре профиля были обозначены как группа со здоровым сном (C1), группа с недостаточным сном (C2), группа с плохим качеством сна (C3) и группа с тяжелыми нарушениями сна (C4). Оцененные моделью вероятности классов составили 0,447, 0,248, 0,203 и 0,102 соответственно. Исходя из назначения в наиболее вероятный класс, наблюдаемое количество участников для C1–C4 составило 639 (45,0%), 355 (25,0%), 284 (20,0%) и 142 (10,0%) соответственно. Тесты хи-квадрат выявили значимые различия в поле и уровнях физической активности между профилями (p < 0,001; Таблица 2). Решение с четырьмя профилями обеспечило наилучший баланс между соответствием модели и теоретической интерпретируемостью с высокой точностью классификации (энтропия = 0,915).

Группа со здоровым сном (C1, 45,0%): студенты в этой группе имели низкие баллы по всем семи компонентам PSQI, что указывает на относительно регулярный сон и более высокое качество сна. Группа с недостаточным сном (C2, 25,0%): эта группа характеризовалась относительно высокими баллами по продолжительности и латентности сна, в то время как дневная дисфункция не была выражена. Группа с плохим качеством сна (C3, 20,0%): студенты в этой группе имели относительно высокие баллы по субъективному качеству сна, нарушениям сна и дневной дисфункции, наряду с относительно низкой эффективностью сна. Группа с тяжелыми нарушениями сна (C4, 10,0%): эта подгруппа продемонстрировала высокие баллы по большинству компонентов PSQI и более высокие баллы по приему гипнотических препаратов по сравнению с другими профилями, что указывает на повышенный риск клинически значимых проблем со сном, а не на подтвержденный клинический диагноз.

Точные условные средние значения и стандартные отклонения показателей семи компонентов PSQI для каждого профиля приведены в Дополнительной таблице 4.

Таблица 2: Распределение демографических характеристик и уровней физической активности по профилям сна. C1 — группа со здоровым сном; C2 — группа с недостатком сна; C3 — группа с плохим качеством сна; C4 — группа с тяжелыми нарушениями сна. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

В качестве зависимой переменной был введен уровень физической активности (ФА), при этом категория низкой ФА была принята за контрольную. В качестве независимой переменной был введен профиль сна, где контрольной категорией была группа с тяжелыми нарушениями сна; также учитывался пол. Как показано в Таблице 3, студенты из групп со здоровым и недостаточным сном значимо чаще сообщали об умеренном и высоком уровне ФА, чем участники группы с тяжелыми нарушениями сна. Эти результаты подтверждают связь между благоприятными профилями сна и более высоким уровнем ФА, однако поперечный дизайн исследования не позволяет сделать вывод о причинно-следственной связи.

Таблица 3: Мультиномиальная логистическая регрессия профилей сна и уровней физической активности среди студентов колледжей. Низкая физическая активность была референсной категорией для исхода, а группа с тяжелыми нарушениями сна — референсной категорией для профиля сна. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

ДОСТУПНОСТЬ ДАННЫХ:

Обезличенные необработанные данные и код анализа, подтверждающие результаты этого исследования, находятся в открытом доступе в Figshare по адресу https://doi.org/10.6084/m9.figshare.33340908.

Дополнительный файл 1: Обезличенный набор исходных данных (Sleep_LPA_Raw_Data_N1420.xlsx) с названиями переменных на английском языке и кодовой книгой.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 1: Бивариантный анализ различий ковариат по профилям сна.
Примечание: Категориальные переменные анализировали с помощью критерия хи-квадрат Пирсона; непрерывные переменные — с помощью однофакторного ANOVA. Только пол значительно различался между профилями (p < 0.001). Подробное распределение категорий по курсу, происхождению, курению, употреблению алкоголя и основной специальности опущено для краткости, но доступно в исходных данных.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 2: Мультиномиальная логистическая регрессия с поправкой на все ковариаты (анализ чувствительности).
Примечание: Контрольная категория для PA: низкая PA; контрольная категория для профиля сна: C4 (тяжелое нарушение). Модель скорректирована с учетом пола, возраста, ИМТ, времени перед экраном, курса обучения, места происхождения, курения, употребления алкоголя и специальности. Направление и значимость всех ассоциаций согласуются с основным анализом (Таблица 3), в котором поправка была сделана только на пол.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 3: Мультиномиальная логистическая регрессия с кластерно-робастными стандартными ошибками (SPSS Complex Samples).
Примечание: Стандартные ошибки скорректированы с учетом кластеризации по университету и классу (эквивалент SPSS Complex Samples; N = 1,420, кластеры = 3 университета × сформированные классы). Коэффициенты B идентичны основному анализу (Таблица 3); различаются только стандартные ошибки и значения p. C1 и C2 остаются значимо связанными как с умеренной, так и с высокой физической активностью (PA); C3 остается статистически незначимым.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 4: Средние значения и стандартные отклонения показателей компонентов PSQI по профилям сна.
Примечание: Значения представляют собой условные средние (стандартные отклонения) на основе присвоения наиболее вероятного класса. Все семь компонентов PSQI и общий балл значимо различались между профилями (однофакторный ANOVA, все p < 0,001). C1 = здоровый сон; C2 = недостаточный сон; C3 = низкое качество сна; C4 = тяжелое нарушение сна.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Обсуждение

Используя относительно большую выборку с поперечным срезом, в данном исследовании был применен личностно-ориентированный подход на основе анализа латентных профилей (LPA) для выявления четырех гетерогенных профилей сна среди студентов китайских колледжей, а также были изучены связи между этими профилями и различными уровнями физической активности. Полученные результаты дают полезное представление о кластеризации поведения, связанного со сном и физическими упражнениями, среди студентов и предлагают более точные цели для мероприятий в области общественного здравоохранения в университетской среде.

В данном исследовании паттерны сна студентов колледжа были разделены на четыре профиля: здоровый сон, недостаточный сон, низкое качество сна и тяжелые нарушения сна. Хотя группа со здоровым сном составила наибольшую долю (45,0%), более половины студентов (55,0%) были отнесены к профилям, характеризующимся плохим сном. Этот результат согласуется с международными данными, указывающими на высокую распространенность проблем со сном среди подростков и лиц молодого возраста3,4. В частности, доля студенток в группе с тяжелыми нарушениями сна была существенно выше, чем доля студентов-мужчин (68,3% против 31,7%), что соответствует предыдущим выводам о половых различиях в сне. Колебания уровней женских гормонов в течение менструального цикла, включая циклические изменения эстрогена и прогестерона, могут повышать уязвимость к нарушениям сна10. С психологической точки зрения студентки также могут быть более чувствительны к академическому и межличностному стрессу и более склонны к интернализации отрицательных эмоций. Подобная руминация может увеличивать латентный период засыпания и снижать глубину сна7. Кроме того, 25,0% студентов принадлежали к группе с недостаточным сном. Согласно имеющейся литературе, этот профиль может быть частично обусловлен длительным использованием экранов перед сном и воздействием синего света от мобильных устройств, а также относительно слабыми навыками тайм-менеджмента30; однако эти факторы не оценивались непосредственно в настоящем исследовании и должны быть изучены в будущих работах.

В данном исследовании были обнаружены значимые постепенные различия в уровнях физической активности в зависимости от профилей сна. Мультиномиальная логистическая регрессия показала, что по сравнению со студентами из группы с тяжелыми нарушениями сна, у лиц из группы со здоровым сном шансы достижения высокого уровня физической активности были существенно выше (OR = 7.55). Эти результаты согласуются с концепцией кластеризации здорового поведения в медицине образа жизни, позволяя предположить, что благоприятные режимы сна и регулярная физическая активность могут проявляться одновременно у одних и тех же лиц.

Наблюдаемая связь между профилями сна и ФА может быть объяснена несколькими возможными физиологическими и психологическими путями, хотя эти механизмы не подвергались прямой проверке в данном одномоментном исследовании. Во-первых, возможно, что регулярная физическая активность способствует улучшению сна. Физическая активность умеренной и высокой интенсивности может вызвать острое повышение температуры тела с последующим компенсаторным снижением после нагрузки, что может облегчить засыпание и увеличить долю медленноволнового сна17. Регулярная физическая активность также может регулировать вегетативную нервную систему, повышая вагальный тонус и снижая симпатическую гиперактивацию. Кроме того, связанные с физическими упражнениями эндорфины и нейротрофический фактор мозга могут помочь облегчить депрессию и тревожность, тем самым уменьшая психологические факторы, способствующие развитию бессонницы36,37. Активность на открытом воздухе в течение дня может дополнительно увеличить воздействие света на сетчатку, помогая калибровать циркадные ритмы и стабилизировать секрецию мелатонина38. Во-вторых, вполне вероятно, что плохой сон ограничивает ФА в дневное время. Студенты из группы с тяжелыми нарушениями сна могут испытывать дневную усталость и сонливость из-за недостаточного ночного восстановления, что отражается в высоких показателях дневной дисфункции по шкале PSQI. Такое истощение энергии может снизить самоэффективность и мотивацию к физическим нагрузкам20,28. Данные экспериментов и обзоров свидетельствуют о том, что сон и физические упражнения могут влиять друг на друга через механизмы восстановления, утомления, аффективные и циркадные пути28,39. Следовательно, студенты с тяжелыми проблемами со сном могут быть более склонны к малоподвижному образу жизни. Эти предполагаемые двунаправленные пути остаются гипотетическими и должны быть подтверждены в лонгитюдных когортных исследованиях и рандомизированных контролируемых испытаниях.

Данное исследование характеризуется такими преимуществами, как относительно большой объем выборки и личностно-центрированный аналитический подход; тем не менее, следует признать наличие ряда ограничений. Во-первых, поскольку в исследовании использовался одномоментный дизайн, невозможно сделать вывод о причинно-следственных связях между режимом сна и физической активностью. Для изучения влияния физических упражнений на конкретные профили сна необходимы будущие лонгитюдные исследования или рандомизированные контролируемые испытания39. Во-вторых, оценка как сна, так и физической активности проводилась с помощью шкал самоотчета, на которые могли повлиять ошибки воспоминаний и эффект социальной желательности. В будущих исследованиях следует использовать полисомнографию, акселерометры или носимые устройства для получения более объективных физиологических и поведенческих данных22,24. В-третьих, выборка была ограничена студентами колледжей из университетов южного Китая, поэтому культурные особенности и климатические условия могут ограничивать обобщаемость полученных результатов. В будущих исследованиях следует привлечь участников из более широких географических регионов и различных профессиональных групп. В-четвертых, хотя анализ чувствительности для комплексных выборок с поправкой на кластеризацию по университету и классу дал согласованные результаты, критерии хи-квадрат не учитывали в явном виде внутриклассовую корреляцию, обусловленную кластерным отбором. В будущих исследованиях с большим количеством кластеров следует рассмотреть возможность применения многоуровневого анализа латентных профилей или многоуровневой регрессии уже на этапе планирования дизайна. В-пятых, в мультиномиальной логистической регрессии использовалась наиболее вероятная принадлежность к классу, экспортированная из модели латентных профилей, что не в полной мере учитывает неопределенность классификации. Хотя высокая энтропия (0,915) и средние апостериорные вероятности выше 0,80 для всех классов свидетельствуют о высокой точности классификации, в будущих исследованиях следует применять подходы на основе моделей, такие как трехэтапная процедура Bolck-Croon-Hagenaars (BCH), чтобы более корректно переносить неопределенность классификации в дополнительные анализы.

Режим сна студентов колледжей неоднороден и демонстрирует выраженную групповую гетерогенность. В данном исследовании они были разделены на четыре латентных профиля: здоровый сон, недостаточный сон, плохое качество сна и тяжелые нарушения сна. Благоприятные показатели сна положительно коррелировали с умеренным и высоким уровнями физической активности. Эти результаты свидетельствуют о том, что преподавателям колледжей и специалистам в области общественного здравоохранения следует избегать универсальных подходов при пропаганде психического здоровья и физической формы студентов. Для студентов группы с недостаточным сном вмешательства могут быть сосредоточены на тайм-менеджменте и поведении перед сном. Для студентов группы с тяжелыми нарушениями сна, при наличии клинических показаний, может быть рассмотрена профессиональная психологическая поддержка, включая когнитивно-поведенческую терапию инсомнии (CBT-I)40. Уровень физической активности может служить полезным поведенческим маркером при выявлении студентов с риском плохого сна, однако необходимы лонгитюдные и интервенционные исследования, чтобы определить, может ли повышение физической активности улучшить конкретные профили сна.

Раскрытие информации

Автор(ы) заявляют, что данная работа была проведена в отсутствие каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Благодарности

Мы выражаем благодарность участвующим университетам и всем студентам, прошедшим опрос. Данная работа была поддержана Проектом по исследованиям в области гуманитарных и социальных наук для молодых ученых Министерства образования (грант № 23YJC890059) и Проектом по исследованиям в области реформы образования и преподавания провинции Хунань (грант № 202502000069).

Материалы

Список материалов, использованных в этой статье
ИмяКомпанияКаталожный номерКомментарии
Анкета демографических данных и образа жизниРазработана исследовательской группойН/ПИспользовалась для сбора данных о поле, возрасте, курсе обучения, месте происхождения, индексе массы тела, истории курения, употреблении алкоголя и среднем ежедневном времени использования экранов.
Питтсбургский индекс качества сна (PSQI)Buysse et al., 1989DOI: 10.1016/0165-1781(89)90047-4Использовался для оценки качества сна за последний месяц. Семь показателей компонентов использовались в качестве наблюдаемых индикаторов для анализа латентных профилей.
Международный опросник по физической активности — краткая форма (IPAQ-SF)Craig et al., 2003

DOI: 10.1249/01.MSS.0000078924.61453

.FB

Использовался для оценки ходьбы, физической активности умеренной интенсивности и интенсивной физической активности за предыдущие семь дней.
Форма письменного информированного согласияИсследовательская группа и участвующие университетыОдобрение комитета по этике № JSDX-2023-0034Использовалась для документального подтверждения добровольного участия студентов бакалавриата в возрасте 18-25 лет.
Процедура сбора данных с помощью опросниковУчаствующие университеты в южном КитаеН/ПИспользовалась для многоступенчатой стратифицированной кластерной рандомизированной выборки и проведения опроса в период с сентября по декабрь 2025 года.
MplusMuthen & MuthenВерсия 8.3Использовалась для проведения анализа латентных профилей на основе семи показателей компонентов PSQI.
IBM SPSS StatisticsIBMВерсия 26.0Использовалась для проведения критериев хи-квадрат и мультиномиального логистического регрессионного анализа.
Microsoft ExcelMicrosoftН/ПИспользовалась для подготовки отдельных файлов таблиц JoVE для загрузки.

Ссылки

  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.

Перепечатки и разрешения

Теги

Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.