Súlyritmusok: Hétvégén a súly nő, hétköznapokon csökken

Dr. Brian Wansink

súly

Charles S. Dyson Alkalmazott Gazdasági és Menedzsment Iskola, Cornell Egyetem

15 Warren Hall, Ithaca, NY 14850, USA (USA)

Kapcsolódó cikkek a következőhöz: "

  • Facebook
  • Twitter
  • LinkedIn
  • Email

Absztrakt

Háttér/Célok: A heti ciklus befolyásolja az alvást, a testmozgást és az étkezési szokásokat. A heti súlyritmusok pontos leírásáról még nem számoltak be - különösen azoknál, akik fogynak, szemben azokkal, akik fenntartják vagy híznak. Mód: 80 felnőtt (napi BMI 20,0-33,5 kg/m 2; életkor, 25-62 év) napi tömegét rögzítettük és elemeztük annak megállapítására, hogy van-e csoportszintű heti súlyingadozás. Ez egy retrospektív vizsgálat 4665 mérésből, 15-330 megfigyelési nap alatt. A ritmus modellezésére félparametrikus regressziót alkalmaztunk. Eredmények: A napi súlyváltozások mintázatát találták (p

Bevezetés

Az elhízás erőteljes, elterjedt előrejelzője a rossz egészségi állapotnak. 2010-ben 475 millió felnőtt volt elhízott (BMI ≥ 30 kg/m 2) [1], és a számuk becslések szerint 2030-ra 1115,8 millióra nő [2]. Az egészségre gyakorolt ​​káros következmények sokfélék: Az elhízás növeli a II. Típusú cukorbetegség és a szív- és érrendszeri betegségek [3], az osteoarthritis [4], az epekövek [4], a vastagbél- és az emlőrák [5], valamint a mentális rendellenességek [6] kockázatát. Míg a túlzott energiafogyasztás és az inaktivitás vezérli [7,8], a súlygyarapodási minták jobb megértése hasznos betekintést nyújthat az elhízás megelőzésébe és kezelésébe.

Az emberi viselkedés és fiziológia a biológiai és környezeti tényezők függvényében változik. Például a napi aktivitásunk és pihenésünk megismétlődésében megfigyelhető cirkadián ritmusok számos fiziológiai változó, például a testhőmérséklet, a vérnyomás [9] és a glükóz-anyagcsere [10] ingadozásaiban is megtalálhatók. A menstruációs ciklusok a havi biológiai ritmus példái. A legújabb tanulmányok rámutattak bizonyos ritmusok fontosságára az egészségre nézve. Ezek között szerepelt, hogy a cirkadián ritmus zavarai hogyan befolyásolják a II. Típusú cukorbetegség kialakulását [11], valamint egyéb káros egészségügyi következményekkel együtt [12].

A hét 7 napos ciklusa szintén erősen befolyásolja az életet [13], amely inkább környezeti és viselkedési, mint biológiai. Például ismert, hogy a hét napjai meghatározzák alvási szokásainkat [14], fizikai aktivitásunkat [15,16] és étkezési szokásainkat [16,17]. Korai jelek szerint a hétvégén nagyobb a súly, hétköznapokon pedig alacsonyabb [18,19,20]. Nem világos azonban, hogy ez a jelenség populációs szinten látható-e, és hogyan függ össze a hosszú távú sikeres súlykezeléssel.

Ez a kutatás a súly változásait vizsgálja a hét napjai között, és ezt a mintát az emberek három szegmensében is megvizsgálja - azoknál, akik fenntartják a testsúlyukat, híznak és fogynak. Konkrétan négy korábbi vizsgálat önellenőrzött súlymérésének ötvözésével arra törekedtünk, hogy i) megtudjuk, hogy van-e csoportos szintű súlyváltozás egy héten belül, vagy a súlyváltozás független-e a hét napjaitól; ii) a súly és a hét napjai közötti függőség formájának tanulmányozása; és iii) kezdetben annak feltárása, hogy ez hogyan változhat a súlycsökkentők, a súlygyarapodók és a súlymegtartók között.

Anyag és módszerek

Visszamenőlegesen összegyűjtött súlyadatok

Az önfeljegyzett súlyméréseket négy korábbi adatgyűjtési erőfeszítésből összesítették [18,20,21,22], amelyekben az egyéneket arra utasították, hogy önellenőrzésre és napi súlyuk rögzítésére, közvetlenül ébredés után és reggeli előtt. Az 1., 3. és 4. tanulmány magában foglalta az egészségügyi menedzsment beavatkozását, és azokat a helyi etikai bizottságok jóváhagyták. A 2. tanulmány középpontjában a mobiltelefonos alkalmazások használhatósága és megvalósíthatósága állt, ezért nincs szükség jóváhagyásra. Az 1. táblázat a négy vizsgálat céljait és időtartamát, valamint a vizsgálati populációk demográfiai adatait és nagyságát ismerteti.

Asztal 1

Az összesített tömegadatok összefoglalása (átlag, szórás, tartomány vagy gyakoriság (percentilis)) ebben a retrospektív összeállításban

Összesen a négy vizsgálat 178 alanyon vett részt, és 7408 saját felvett súlymérést eredményezett (154 egyedtől). Az adatokhoz két felvételi kritériumot határoztak meg a súlymérés gyakoriságára és a megfigyelési időszak hosszára vonatkozóan. Csak a legalább 7 egymást követő napon végzett méréseket vonták be annak érdekében, hogy megakadályozzák a nem jelentett mérésekből eredő torz ritmus leírását. A megfigyelés minimálisan elfogadható időtartama 14 nap volt. Ezek a korlátozások 80 felnőtt és 4657 súlymérés bevonását eredményezték. Az egyes idősorok hossza 15 és 330 nap között változott.

Változók levezetése

Az eredeti adatsor alapján az egyéneket három alcsoportra osztották relatív súlyváltozásuk szerint. A relatív súlyváltozásokat az önmért súlyok átlaga közötti különbségként számoltuk a monitorozás első és utolsó hetében. A megfelelő csoportváltozó kategóriái a következők voltak: „LOSS” - a súlyváltozás több mint -3%; „GAIN” - tömegváltozás több mint 1%; „FENNTARTÁS” - súlyváltozás -3 és 1% között.

A súlytényező összetevőjét kétoldalas mozgóátlagos szűrő [23] alkalmazásával becsültük meg, 7 napos hosszúsággal. A levont súlyméréseket az egyénre vonatkoztatva normalizáltuk az átlagsúlyának megfelelő középre állítással. A válaszváltozót úgy származtattuk, hogy kivontuk a trendeket az egyes személyek idősoraiból a lineáris súlygyarapodás vagy a lineáris súlyvesztés hatásainak kiküszöbölése érdekében. A gyorsan csökkenő trend miatt a súly minden héten át magasabb lehet, ami megzavarhatja a mögöttes „valódi” ritmust. A hét napja változó esetében a napokat sorrend szerinti skálán jelöltük az alábbiak szerint: 1 = vasárnap, 2 = hétfő, 3 = kedd, 4 = szerda, 5 = csütörtök, 6 = péntek, 7 = szombat.

Statisztikai módszerek

Félparametrikus regressziót [24] alkalmaztunk a heti ritmus elemzésére a súlymérési adatokban. A módszer a nem parametrikus simítás és a parametrikus lineáris vegyes hatású (LME) modellek kombinációján alapszik [25]. Az LME modelleket széles körben használják a longitudinális adatok elemzésében, mivel képesek elszámolni a szubjektumon belüli variációkat. A spline-ok folyamatos, darabonként definiált lineáris függvények, amelyek a kovariátum tartományának felosztásával jönnek létre o részintervallumok és az egyes intervallumok megfelelő lejtéssel történő modellezése [26]. Az alintervallumokat vágási pontjaikban összekötik, hogy a végső görbe összefüggő legyen. A spline-ok nem korlátozódnak a paraméteres feltételezésekre, így rugalmas alakokat tesznek lehetővé a görbék számára. Félparaméteres módszerként a spline-okat LME-modellként fogalmazták meg, és tovább becsülték az LME-keretrendszerben a korlátozott maximális valószínűségű módszer (REML) alkalmazásával.

A modellek összehasonlításához a Student t-próbáját és a korlátozott maximális valószínűség arányt (RLRT) használtuk. Az RLRT két modell maximalizált valószínűségének összehasonlításával készül. Minél nagyobb a különbség a valószínűségek között, annál erősebb bizonyíték van arra, hogy a kisebb modell nem megfelelő. A szignifikancia teszteket α = 0,05 kockázati szinttel végeztük. Az elemzéseket az R 2.15 verzió használatával végeztük [27].

Alkalmazás

A súly és a hét napja közötti függőség modellezésének általános képlete a következő volt:

súly = f (a hét napja) + ε (1).

Először az f-t (a hét napját) határoztuk meg a hét napjának lineáris függvényeként, majd később kiterjesztettük egy lineáris büntetett spline-ra. A spline modell képlete a következő volt:

Jobb oldalon az első két tag képezi a spline lineáris alapját (a képlet hasonló a szokásos lineáris regressziós modellhez). A br + 1 értékek a csonka vonal függvények meredekségbecslései, amelyek kezelik a linearitástól való eltéréseket, hogy megkapják a görbe megfelelő alakját. Modelljeinkben a hét napjait használták elhelyezésként a vágási pontok (τ-k) számára, amelyek hat alintervallumot eredményeztek, amelyek eltérő lejtéssel modellezhetők.

Az LME modell bemutatását, y = Xβ + Zb [25,] a spline görbéhez úgy kaptuk, hogy a (2) képlet spline modell komponenseit két LME modell komponensre osztottuk, azaz fix effektusokra (Xβ) és random effektusokra (Zb). Az LME modell egyik feltételezése szerint a véletlenszerű rész meredekségbecslése nulla átlaggal oszlik el [25]. Ezt a tulajdonságot használják ki a becslés során a görbe érdességének szabályozására. Az LME prezentáció előnye, hogy egyértelmű a spline modell további kiterjesztése, hogy figyelembe vegye a szubjektumon belüli variációkat, amelyek az ismételt mérési adatokban vannak jelen. A véletlen hatásszerkezetet kiterjesztették az egyénspecifikus elfogásokra és lejtőkre a Zb komponens és annak megfelelő kovarianciamátrix kiterjesztésével [28]. Első lépésként egy egyedspecifikus elfogást adtak a csoportszintű modellhez, ahol az ui1 komponens metszéspont i-edik Egyedi:

Továbbá a modellt egyedspecifikus lineáris vonalakkal bővítettük, a hét napján kovariátként. Utolsó lépésként a modellt kibővítettük egyénspecifikus spline-okkal, vagyis minden egyénnek meg volt a saját spline-görbéje, amely leírja a csoportszintű görbétől való eltérést. Az eltérési görbe nem korlátozódott lineárisra; bármilyen alakú lehet. Ezt a modellt a következőképpen fejezték ki:

súly = f (a hét napja) + gi (a hét napja) (4).

hol gén"s a (2) képletben bemutatott módon készültek, de kevesebb vágási ponttal, azaz négyünkkel a modelljeinkben.

Hipotézisek

Az 1. ábra a heti profilgörbék kezdeti szemléltetését mutatja a hét minden napjának átlagolt leszámított normalizált súlyaként. Az ábra alapján három hipotézis felépítést fogalmaztak meg. Ez hat különböző modell felépítését eredményezte. Elsősorban a csoportszintű adatokat modelleztük, amelyek a 80 alany teljes mintáját magukban foglalták. Ezeket a modelleket M1ALL-tól M6ALL-ig jelöltük. Ezenkívül az egyes hipotézisek felépítését a fogyók, a súlygyarapodók és a súlyfenntartók alcsoportjaiban tesztelték. A modelleket M1LOSS - M6LOSS, M1GAIN - M6GAIN és M1MAINTAIN - M6MAINTAIN jelölésekkel jelöltük.

1. ábra

A kezdeti heti ritmusprofil görbék a hét minden napjának átlagos súlyaként származtak.

A hét napja Effektus

Az első hipotézis azt vizsgálta, hogy a hét napja lineárisan befolyásolja-e a súlyt vasárnaptól kezdve, vagy a várható súly állandó, és nem függ a hét napjától. A következő hipotézist teszteltük:

Az M2 felsőbbrendűségének értékeléséhez a β1 jelentőségét a t-statisztika segítségével teszteltük.

A függőség formája

A második kérdés két részből állt, a 2A és a 2B részből. A 2A-ban a súly és a hét napja közötti függőség formáját vizsgálták. Megvizsgáltuk, hogy a lineáris görbe megfelelő-e a heti ritmus leírására, vagy pedig, hogy van-e valamilyen mértékű nemlinearitás. Az M2 modelleket kiterjesztéseikkel, azaz lineárisan büntetett spline modellekkel (M3) teszteltük, amelyek korrigálják a linearitástól való eltéréseket. A következő hipotézist teszteltük:

RLRT-t használtunk az M2 és M3 modell közötti különbség szignifikanciájának felmérésére. Az összehasonlítás azt vizsgálta, hogy az M3 mind a hat csonka egyenes együtthatója különbözik-e nullától. Ez egyenértékű a teszteléssel, ha σb 2 jelentősen eltér a nullától. Így a hipotézist az alábbiak szerint egyszerűsítettük:

A tesztelési probléma nem szabványos, mert a súlymérés nem független, és mivel a nullhipotézis alatti RLRT-statisztika nulla, amely a paraméterterének határán van [29]. Ennek a problémának a leküzdéséhez RRRsim könyvtárat [30] használtunk R-ben, amely a paraméteres bootstrap-ot 10 000 ismétléssel hasznosítja a hipotézis szimulálására és tesztelésére.

Az adatok hosszanti jellegének hatása

Az adatok longitudinális jellegének figyelembevétele érdekében a 2B-ben figyelembe vettük az egyén által végzett mérések függőségét. Az illesztett népességi görbéket egyedspecifikus elfogásokkal és lejtőkkel bővítettük. A véletlenszerű hatásszerkezetükbe beágyazott következő modelleket illesztették:

A modellek hipotézise az volt, hogy a hozzáadott véletlenszerű komponens javítja-e az illeszkedést. Az összehasonlítást az RLRT végezte. A két modell közötti különbség jelentőségét Self-Liang közelítéssel teszteltük [31], amely szerint aszimptotikus RLRT következik ½ χ 2 q + ½ χ 2 q + 1 - eloszlás, ahol q a fix effektusok száma. Az eloszlás azonban abban a feltételezésben áll fenn, hogy y-k függetlenek, ami a hosszanti adatoknál nem így van. Ezért az eredményeket megerősítettük a legmegfelelőbb modell és a populáció átlag modell összehasonlításával az RLRsim könyvtár segítségével. A megfigyelt RLRT-ket összehasonlítottuk a 95. percentilisével ½ χ 2 0 + ½ χ 2 1 - eloszlás, ami 1.921.

Eredmények

A teljes minta és az egyes alcsoportok, azaz a súlycsökkentők, a súlygyarapodók és a súlymegőrzők leíró adatait a 2. táblázat tartalmazza, az egyénektől kapott mérések számával együtt. A 3. táblázat bemutatja, hogy a minimális és maximális súly megfigyelések milyen gyakran fordultak elő a hét különböző napjain. A LOSS csoportban egyértelmű különbség volt a hét azon napja között, amelyekben a legmagasabb arány van a minimális és a maximális súly tekintetében. A hét minimális súlyát pénteken figyelték meg leggyakrabban, és az esetek 60% -ában a hét minimális súlya pénteken vagy szombaton következett be. Ennek megfelelően a maximális súlyt leggyakrabban vasárnap vagy hétfőn érték el, vagyis az esetek 59% -ában. A GAIN és a MAINTAIN csoportban nagyobb volt a variabilitás. A hét minimális és maximális súlyát egyaránt vasárnap mértük mindkét alcsoportban. A maximális tömegben a második legnagyobb előfordulást hétfőn tapasztalták. A megoszlás a hét más napjain is hasonló volt.

2. táblázat

Adatok leírása és kiindulási jellemzői (átlag, szórás, tartomány vagy átlag (szórás)) a teljes mintára és az alcsoportokra

3. táblázat

A hét minden napjának százalékos aránya a minimális és maximális súlyméréshez

Amikor a hét napjának hatását lineáris regressziós modellel vizsgáltuk, a hét napja szignifikáns előrejelző volt a testsúlynak minden vizsgálati csoportban (p 3%. Elhízott embereknél (BMI> 30 kg/m 2) mérsékelt súlycsökkenés Az 5% -ot általában jótékony hatásúnak tekintik az egészségre [40]. Ebben a vizsgálatban az egyének átlagosan túlsúlyosak voltak (átlagos BMI 27,3 kg/m 2), de nem voltak elhízottak, és a megfigyelési idő viszonylag rövid volt, azaz átlagosan 80 nap. Ezért kisebb súlyvesztésre számítottunk, és 3% -os csökkenést tekintettünk elegendőnek. Ezt a küszöböt Stevens és mtsai is alátámasztják [41].

Az elemzés során szembesült kihívás az adatok kimerülése volt. Az adatok kiegyensúlyozatlansága és a súlymérés önállóan kiválasztott jellege érzékeny az elfogultságra. Az általánosítható eredmények elérése érdekében bizonyos követelményeket állapítottak meg a mérés gyakoriságára és konzisztenciájára a súly legkisebb ingadozásainak elkerülése érdekében. Ennek eredményeként a súlymérések száma 7 408-ról 4657-re csökkent. A GAIN és a LOSS csoportok kis mérete miatt (10, illetve 18 fő) a heti ritmus és a súlykezelés sikere közötti javasolt kapcsolatot előzetesnek kell tekinteni.

E tanulmány megállapításai azt sugallják, hogy a testsúlynak nem szabad állandónak lennie a hét folyamán. A hétvégi enyhe növekedés normális súlyváltozásként kezelhető a súlygyarapodás jelei helyett. A hétvégi enyhe súlygyarapodást azonban a hétköznapokon kompenzálni kell a növekvő hosszú távú trend elkerülése érdekében. E tanulmány mutatói alapján a tiszta heti ritmus kedvező lehet, amely rugalmasabb étkezési szokásokat tesz lehetővé. Több kutatásra van azonban szükség ezen eredmények megerősítéséhez az életkor és az életkörülmények szélesebb körében. Az eredményeket egy retrospektív felépítésből örökölték, és egyik vizsgálatot sem elsősorban a heti heti variáció elemzésére tervezték. A jövőbeni tanulmányok alapos megfontolást igényelnek ahhoz, hogy elegendő mennyiségű adat álljon rendelkezésre a súlygyarapodókkal kapcsolatban, ugyanakkor megtartják a szabad életmódot az általánosítható eredmények elérése érdekében.

Következtetés

Ez a tanulmány megállapította, hogy a súlyváltozás egyértelmű heti ritmusban van. A súly a hétvégék után volt a legmagasabb, vasárnap és hétfőn, és a hét vége felé csökkent. A hétvége kezdete megállította a csökkenést, és a súly péntek után növekedni kezdett. Ezenkívül vannak előzetes bizonyítékok arra, hogy azok az emberek mutatják a legnagyobb kompenzációs változást hétvégétől hétköznapig azok, akik - idővel - nagy valószínűséggel fogynak vagy fenntartják a súlyukat. Úgy tűnik, hogy a hosszú távú szokások nagyobb különbséget jelentenek, mint a rövid távú fröccsök.

E tanulmány megállapításai alapján számíthatunk arra, hogy a súly hétvégén emelkedni fog, és normális eltérésként kezelhetjük. Eredményeink tudományos támogatást nyújtanak annak a tételnek, amely szerint a súlykezelésben a nagyobb rugalmasság megengedése hétvégén és ünnepnapokon reálisabb és hosszú távon sikeresebb lehet, mint a szigorú rend.

Köszönetnyilvánítás

AO, EM, ME, MV, BW és IK tervezte és tervezte a vizsgálatot. AO, EM, ME, MV és IK adatokat gyűjtött és elemzett. AO, BW és IK írta a kéziratot. Julia Hastings-Black szerkesztői segítséget nyújtott.

Közzétételi nyilatkozat

Ezt a munkát az ITEA2 Care4me projekt részeként hajtották végre. A projektet a Finn Technológiai és Innovációs Finanszírozó Ügynökség (Tekes) és a Finn VTT Műszaki Kutatóközpont (VTT) finanszírozza.

A szerzőknek nem áll fenn összeférhetetlenségük.