Исследовательская статья

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

69 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-2023-034). Все участники были студентами бакалавриата очной формы обучения в возрасте 18–25 лет и предоставили письменное информированное согласие перед участием. Было получено разрешение 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

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 южного Китая методом стратифицированного случайного отбора были выбраны три университета, причем страты были определены по провинциальным административным регионам для обеспечения географического представительства. На втором этапе в каждом выбранном университете из каждого курса (с первого по четвертый) с помощью компьютерного генератора случайных чисел были случайным образом выбраны две или три полноценные группы в качестве единиц кластерной выборки, что в итоге 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 очного отделения бакалавриата; (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, лечение тяжелой депрессии или шизофрении; (3) время заполнения анкеты менее 180 s или явные логические противоречия, такие как выбор одного и того же варианта ответа для всех пунктов. Всего было распространено 1 50 анкет. Из 80 недействительных анкет, исключенных в процессе очистки данных, 24 были исключены из-за времени заполнения менее 180 s, 20 — из-за логических противоречий (например, идентичные ответы во всех пунктах или взаимоисключающие ответы), 18 — из-за возраста вне диапазона 18–25 лет, 1 — из-за чрезмерного количества пропущенных данных (более 20% пунктов) и 7 — из-за самостоятельно задекларированных тяжелых соматических заболеваний или приема психиатрических препаратов. Таким образом, для анализа осталось 1 420 действительных анкет, что составило эффективный уровень отклика 94.67%.

Диаграмма латентного профильного анализа с показателями качества сна, оценки физической активности и статистическими результатами.
Рисунок 1Дизайн исследования и аналитический рабочий процесс. Схематический обзор процесса набора и скрининга участников (распространено 1 50 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 полом в качестве ковариаты и анализа чувствительности (полная поправка на ковариаты и кластерно-устойчивые стандартные ошибки). Пожалуйста, нажмите здесь, чтобы просмотреть эту фигуру в увеличенном размере.

Оценка демографических данных и образа жизни

Для получения демографических и социологических характеристик использовался специально разработанный опросник, включающий пол (мужской/женский), возраст (в годах), курс обучения (первый/второй/третий/четвертый), место происхождения (город/сельская местность), индекс массы тела (ИМТ), историю курения, историю употребления алкоголя и среднее ежедневное экранное время. ИМТ рассчитывали как массу тела в килограммах, деленную на квадрат роста в метрах (ИМТ = вес [kg] / рост [m]2). Самостоятельно указанные данные о росте и весе проверялись на предмет недостоверных значений перед началом анализа; случаи с ростом <140 cm или >20 cm, весом <30 kg или >150 kg, либо ИМТ <12 kg/m2 или >40 kg/m2 помечались и сверялись с исходными записями, а подтвержденные выбросы исключались. Статус курения разделяли на категории: никогда не курил, курит эпизодически (в некоторые дни, но не ежедневно) или курит регулярно (ежедневно), на основании данных о курении за предыдущий месяц. Потребление алкоголя за предыдущий месяц разделяли на категории: никогда не употреблял, употреблял эпизодически (менее одного раза в неделю) или употреблял регулярно (минимум один раз в неделю). Среднее ежедневное экранное время оценивали путем запроса у участников общего количества часов в день, затрачиваемых на использование смартфонов, компьютеров, планшетов и телевизора за предыдущий месяц; данные записывались как непрерывная переменная. Перед основным сбором данных опросник был апробирован 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 выступать в качестве конфаундеров при анализе связи между сном и физической активностью30,31. Все приборы, 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 от 0 (отсутствие трудностей) до 3 (выраженные трудности). Баллы по этим семи непрерывным компонентам использовались в качестве наблюдаемых показателей для LPA. PSQI продемонстрировал хорошую надежность и валидность среди студентов колледжей как в Китае, так и на международном уровне30. В настоящем исследовании коэффициент альфа Кронбаха для данной шкалы составил 0,83.

Оценка физической активности

Для оценки физической активности участников за последние семь дней использовался опросник IPAQ-SF, разработанный Craig et al.32. В анкете фиксируются частота (дней/неделя) и продолжительность (минут/день) интенсивной физической активности, физической активности умеренной интенсивности и ходьбы. Значения метаболического эквивалента задачи (MET) рассчитывались в соответствии с протоколом подсчета баллов IPAQ: MET-мин/неделя при ходьбе = 3.3 × продолжительность × частота; MET-мин/неделя при умеренной интенсивности = 4.0 × продолжительность × частота; MET-мин/неделя при 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 высоким, умеренным и низким уровнем ФА в соответствии с критериями оценки IPAQ-SF, валидированными для студентов колледжей3. Высокий уровень ФА определялся как интенсивная активность не менее трех дней с общим уровнем физической активности не менее 1 50 MET-min/week или любая комбинация ходьбы, деятельности умеренной или высокой интенсивности в течение семи и более дней с общим уровнем физической активности не менее 3 0 MET-min/week. Умеренный уровень ФА определялся как интенсивная активность не менее трех дней по крайней мере по 20 минут в день, или активность умеренной интенсивности и/или ходьба не менее пяти дней по крайней мере по 30 минут в день, или любая комбинация видов деятельности, достигающая уровня не менее 60 MET-min/week. Низкий уровень ФА определялся как несоответствие критериям умеренного или высокого уровня ФА. Очистка данных проводилась согласно официальному протоколу подсчета баллов IPAQ: исключались участники, сообщившие о более чем 16 h общей активности в день; ежедневная продолжительность по каждой категории была ограничена 180 min перед расчетом MET-минут; случаи с логически противоречивыми ответами были удалены в процессе очистки данных.

Статистический анализ

Сначала проведите LPA с использованием программного обеспечения для моделирования латентных профилей (см. Таблицу материалов)34. Из 1 420 участников у 3 (2,3%) частично отсутствовали данные по PSQI, при этом отсутствовали 69 из 9 940 ответов на уровне компонентов (0,69%; т. е. 1 420 участников × семь показателей компонентов PSQI). Для обработки этих пропущенных значений при допущении о случайном характере пропусков использовался метод максимального правдоподобия с полной информацией (FIML). Последовательно оценивались модели от одного до пяти профилей. Соответствие модели оценивалось с помощью информационного критерия Акаике (AIC), байесовского информационного критерия (BIC), BIC с поправкой на размер выборки (aBIC), энтропии, критерия отношения правдоподобия Ло-Менделла-Рубина (LMRT) и бутстреп-теста отношения правдоподобия (BLRT). Более низкие значения AIC, BIC и aBIC указывают на лучшее относительное соответствие, тогда как значения энтропии, близкие к 1, указывают на более высокую точность 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 в соответствии с установленными рекомендациями по анализу латентных профилей1,35. После выбора оптимального решения по профилям наиболее вероятная принадлежность индивидов к классу была экспортирована 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 между четырьмя профилями сна (в обоих случаях p < 0,01), тогда как возраст, курс обучения, BMI, курение, употребление алкоголя и экранное время не имели значимых различий (все p > 0,05; см. Дополнительную таблицу 1). Таким образом, в модель мультиномиальной логистической регрессии в качестве ковариаты был включен только пол, что соответствует принципу парсимонии. Анализ чувствительности с поправкой на все собранные ковариаты дал такую же закономерность и значимость результатов (Дополнительная таблица 2). Мультиномиальная логистическая регрессия проводилась 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 (ORs) и 95% доверительные интервалы (CIs). Все тесты были двусторонними, статистическая значимость была установлена на уровне p < 0,05. Поскольку участники набирались из сформированных групп внутри университетов, мы провели анализ чувствительности с использованием модуля для сложных выборок статистического ПО (см. Таблицу материалов), указав университет и группу в качестве переменных кластеризации для получения стандартных ошибок с поправкой на дизайн исследования. Результаты совпали с результатами стандартной мультиномиальной логистической регрессии (Дополнительная таблица 3). Обезличенный набор исходных данных с метками переменных на английском языке и кодовая книга представлены в Дополнительном файле 1.

Результаты

Были выделены модели с одним-пятью латентными профилями. Как показано в Таблице 1, значения AIC, BIC и aBIC снижались по мере увеличения количества профилей. Модель с четырьмя профилями имела самое высокое значение энтропии (0.915), при этом показатели LMRT и BLRT были значимыми (p < 0.01). Напротив, LMRT для модели с пятью профилями не был значимым (p = 0.085), а энтропия снизилась до 0.80. Таким образом, несмотря на то что модель с пятью профилями продемонстрировала более низкие информационные критерии, была выбрана модель с четырьмя профилями, так как она обеспечила лучший баланс между точностью классификации, экономностью модели, размером классов и содержательной интерпретируемостью. Названия профилей были присвоены на основе условных средних значений семи показателей компонентов PSQI по классам (Рисунок 2), что соответствует рекомендуемым правилам отчетности LPA1.

Таблица 1: Индексы соответствия модели для латентного профильного анализа паттернов сна студентов колледжей. AIC, информационный критерий Акаике; BIC, байесовский информационный критерий; aBIC, BIC с поправкой на размер выборки; LMRT, тест отношения правдоподобия Ло-Менделла-Рубина; BLRT, бутстрэп-тест отношения правдоподобия. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Диаграмма компонентов индекса качества сна (PSQI); анализ качества сна; линейный график сравнения условий сна.
Рисунок 2ЛПС паттернов сна: решение с четырьмя профилями. На линейном графике представлены показатели 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 по компонентам 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). Вероятности классов, рассчитанные моделью, составили 0,47, 0,248, 0,203 и 0,102 соответственно. Согласно распределению по наиболее вероятному классу, 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 по полу и уровню физической активности между профилями (p < 0,001; Таблица 2). Решение с четырьмя профилями обеспечило наилучший баланс между соответствием модели и теоретической интерпретируемостью при высокой точности классификации (энтропия = 0,915).

Группа со здоровым сном (C1, 45,0%): студенты этой группы 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 этой группы имели относительно высокие баллы по субъективному качеству сна, нарушениям сна и дневной дисфункции, а также относительно низкую эффективность 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 недостаточным сном; C3 — группа с низким качеством сна; C4 — группа с тяжелыми нарушениями сна. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

В качестве зависимой переменной был введен уровень физической активности, при этом низкая ФА была принята за категорию сравнения. В качестве независимой переменной был введен профиль сна, где контрольной группой была группа с тяжелыми нарушениями сна; также учитывался пол. Как показано в Таблице 3, студенты из групп со здоровым сном и недостаточным сном значительно чаще сообщали об умеренной и высокой ФА, чем студенты из группы с тяжелыми нарушениями сна. Эти результаты подтверждают связь между благоприятными профилями сна и более высоким уровнем ФА, однако одномоментный дизайн исследования не позволяет сделать вывод о причинно-следственной связи.

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

ДОСТУПНОСТЬ ДАННЫХ:

Деидентифицированные необработанные данные и код анализа, подтверждающие результаты данного исследования, находятся в открытом доступе в Figshare по адресу https://doi.org/10.6084/m9.figshare.3340908.

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

Дополнительная таблица 1: Двумерные тесты различий ковариат между профилями сна.
ПримечаниеКатегориальные переменные анализировали с помощью критерия хи-квадрат Пирсона, непрерывные переменные — с помощью однофакторного дисперсионного анализа (ANOVA). Значимые различия между профилями наблюдались только по полу (p < 0,01). Подробные распределения категорий по курсу, происхождению, курению, употреблению алкоголя и специальности опущены для краткости, но доступны 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 группа для ФА: низкий уровень ФА; контрольная группа для профиля сна: C4 (тяжелое нарушение). Модель скорректирована с учетом пола, возраста, ИМТ, времени использования экранов, класса, места происхождения, курения, употребления алкоголя и специализации. Направление и значимость всех взаимосвязей согласуются с результатами основного анализа (Таблица 3), с поправкой только на пол.Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Дополнительная таблица 3: Мультиномиальная логистическая регрессия с робастными к кластерам стандартными ошибками (SPSS Complex Samples).
ПримечаниеСтандартные ошибки скорректированы с учетом кластеризации по университетам и группам (эквивалент модуля Complex Samples в SPSS; N = 1 420, кластеры = 3 университета × сформированные группы). Коэффициенты B идентичны результатам основного анализа (Таблица 3); различаются только стандартные ошибки и значения p. C1 и C2 сохраняют значимую связь как с умеренным, так и с высоким уровнем физической активности (PA); C3 остается 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 наиболее вероятного назначения классов. Все семь компонентов PSQI и общий балл значимо различались между профилями (однофакторный ANOVA, все p < 0,01). C1 = здоровый сон; C2 = недостаточный сон; C3 = плохое 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

Качество снанарушение снаПиттсбургский индекс качества снамультиномиальная логистическая регрессиямедицинские вмешательства
Связаться с нами
Порекомендовать библиотеке

Конфиденциальность

Условия использования

Политики

© 2026 MyJoVE Corporation. Все права защищены.