Д-р Брайън Уансинк

ритми

Училището по приложна икономика и мениджмънт на Чарлз С. Дайсън, Университет Корнел

15 Уорън Хол, Итака, Ню Йорк 14850 (САЩ)

Сродни статии за „“

  • Facebook
  • Twitter
  • LinkedIn
  • електронна поща

Резюме

Предистория/Цели: Цикълът от седмицата влияе на съня, упражненията и хранителните навици. Все още не е докладвано точно описание на седмичните ритми на тегло - особено при хора, които отслабват, в сравнение с тези, които поддържат или наддават. Методи: Ежедневното тегло при 80 възрастни (ИТМ 20.0-33.5 kg/m 2; възраст, 25-62 години) е записано и анализирано, за да се определи дали има колебания на тегло на ниво група. Това беше ретроспективно проучване на 4657 измервания през 15-330 мониторингови дни. За моделиране на ритъма е използвана полупараметрична регресия. Резултати: Намерен е модел на дневни промени в теглото (стр

Въведение

Затлъстяването е мощен, преобладаващ предиктор за лошо здраве. През 2010 г. 475 милиона възрастни са били със затлъстяване (ИТМ ≥ 30 kg/m 2) [1] и броят се очаква да нарасне до 1 115,8 милиона до 2030 г. [2]. Вредните последици за здравето са многобройни: Затлъстяването увеличава риска от диабет тип II и сърдечно-съдови заболявания [3], остеоартрит [4], камъни в жлъчката [4], рак на дебелото черво и гърдата [5] и честотата на психични разстройства [6]. Въпреки че се движи от излишния прием на енергия и бездействие [7,8], по-доброто разбиране на моделите на наддаване на тегло би могло да предостави полезна информация за профилактиката и лечението на затлъстяването.

Поведението и физиологията на човека показват вариации в зависимост от биологичните и екологичните фактори. Например, циркадните ритми, които се наблюдават при повтарянето на ежедневната ни активност и почивка, се откриват и при колебанията на няколко физиологични променливи като телесна температура, кръвно налягане [9] и метаболизъм на глюкозата [10]. Менструалните цикли са пример за биологични месечни ритми. Последните проучвания подчертават значението на някои ритми за здравето. Те включват как нарушенията в циркадния ритъм влияят върху развитието на диабет тип II [11] заедно с други неблагоприятни последици за здравето [12].

Седмичният цикъл от седмица също оказва силно въздействие върху живота [13], който е по-скоро екологичен и поведенчески, отколкото биологичен. Например, дните от седмицата са известни, че определят нашите модели на сън [14], физическа активност [15,16,] и хранителни навици [16,17]. Има ранни индикации, че теглото е по-високо през почивните дни и по-ниско през делничните дни [18,19,20]. Не е ясно обаче дали това явление е видимо на ниво популация и как е свързано с успешното управление на теглото в дългосрочен план.

Това изследване изследва варирането на теглото през дните от седмицата и също така изследва този модел при три сегмента от хора - тези, които поддържат теглото си, наддават и отслабват. По-конкретно, чрез комбиниране на самоконтролни измервания на теглото от четири по-ранни проучвания, ние се постарахме i) да разберем дали има вариации в теглото на ниво група в рамките на една седмица или варирането на теглото е независимо от дните от седмицата; ii) да се изследва формата на зависимостта между теглото и дните от седмицата; и iii) първоначално да проучи как това може да варира в зависимост от загубилите тегло, набиращите тегло и поддържащите тегло.

Материали и методи

Ретроспективно събрани данни за теглото

Самозаписаните измервания на теглото са обобщени от четири по-ранни усилия за събиране на данни [18,20,21,22], при които хората са инструктирани да се самонаблюдават и записват дневното си тегло, веднага след събуждане и преди закуска. Проучвания 1, 3 и 4 включват намеса в управлението на здравето и са одобрени от местните комисии по етика. Фокусът на проучване 2 беше използваемостта и осъществимостта на приложението за мобилен телефон и следователно не беше необходимо одобрение. Таблица 1 описва целите и продължителността на четирите проучвания, както и демографията и размера на изследваните популации.

маса 1

Обобщение (средно, стандартно отклонение, обхват или честота (процентил)) на обобщените данни за теглото в тази ретроспективна настройка

Общо четирите проучвания обхващат 178 субекта и водят до 7 408 самостоятелно записани измервания на теглото (от 154 лица). За данните бяха установени два критерия за включване по отношение на честотата на измерванията на теглото и продължителността на периода на мониторинг. Бяха включени само измервания, направени в продължение на минимум 7 последователни дни, за да се предотврати описването на пристрастен ритъм, който може да се получи от неотчетени измервания. Минималната приемлива продължителност на мониторинга беше 14 дни. Тези ограничения доведоха до включването на 80 възрастни и 4657 измервания на теглото. Продължителността на времевите редове на всеки индивид варира от 15 до 330 дни.

Извеждане на променливи

Въз основа на първоначалния набор от данни, индивидите бяха разделени на три подгрупи според относителната им промяна в теглото. Относителните промени в теглото бяха изчислени като разлика между средните стойности на самоизмерваните тегла през първата и последната седмица на мониторинга. Категориите на съответната променлива на групата бяха следните: „ЗАГУБА“ - промяна на теглото над -3%; ‘GAIN’ - промяна на теглото повече от 1%; „ПОДДРЪЖКА“ - промяна на теглото между -3 и 1%.

Компонентът на тенденцията за тегло е оценен чрез прилагане на двустранен филтър с плъзгаща средна стойност [23] с продължителност 7 дни. Измерванията на измереното тегло бяха нормализирани по отношение на всеки индивид чрез средно центриране според средното тегло. Променливата на отговора беше получена чрез изваждане на тенденцията от времевите редове на теглото на всеки индивид, за да се елиминират ефектите от линейно наддаване на тегло или линейна загуба на тегло. Бързо намаляващата тенденция може да накара теглото да изглежда по-високо в началото на всеки едноседмичен период, което може да обърка основния „истински“ ритъм. За променливата за деня от седмицата дните бяха обозначени в порядъчен мащаб, както следва: 1 = неделя, 2 = понеделник, 3 = вторник, 4 = сряда, 5 = четвъртък, 6 = петък, 7 = събота.

Статистически методи

Полупараметричната регресия [24] беше използвана за анализ на седмичния ритъм в данните за измерване на теглото. Методът се основава на комбинацията от непараметрично изглаждане и параметрични модели на линейни смесени ефекти (LME) [25]. LME моделите се използват широко при анализа на надлъжни данни поради способността им да отчитат вариациите в рамките на обекта. Сплайновете са непрекъснати детайлно дефинирани линейни функции, които се формират чрез разделяне на обхвата на ковариата на стр подинтервали и моделиране на всеки от интервалите с подходящ наклон [26]. Подинтервалите са свързани в точките на среза, за да направят крайната крива съседна. Сплайновете не са ограничени до параметрични предположения и по този начин позволяват гъвкави форми за кривите. Като полупараметричен метод сплайните бяха формулирани като LME модели и допълнително оценени в LME рамката, използвайки метода с ограничена максимална вероятност (REML).

За сравнение на модели бяха използвани t-тест на Student и тест за ограничение на максимално вероятност (RLRT). RLRT е конструиран чрез сравняване на максимално увеличени вероятности за два модела. Колкото по-голяма е разликата между вероятностите, толкова по-силни са доказателствата, че по-малкият модел е неадекватен. Проведени са тестове за значимост с ниво на риск α = 0,05. Анализите бяха направени с R версия 2.15 [27].

Приложение

Общата формула за моделиране на зависимостта между теглото и деня от седмицата беше следната:

тегло = f (ден от седмицата) + ε (1).

Първо, f (ден от седмицата) се определя като линейна функция на деня от седмицата и по-късно се разширява до линеен наказан сплайн. Формулата на сплайн модела беше:

От дясната страна първите два члена формират линейната основа за сплайна (формулата е подобна на обикновения модел на линейна регресия). br + 1 са оценките на наклона за функциите на пресечена линия, които обработват отклоненията от линейността, за да се получи подходящата форма за кривата. В нашите модели дните от седмицата бяха използвани като разположения за точките на отрязване (τ), водещи до шест подинтервала, които да бъдат моделирани с различен наклон.

Представянето на LME модел, y = Xβ + Zb [25,] за сплайн кривата е получено чрез разделяне на компонентите на сплайн модела във формула (2) на два компонента на LME модел, т.е. фиксирани ефекти (Xβ) и случайни ефекти (Zb). Едно от предположенията за LME модел твърди, че оценките на наклона на произволната част се разпределят с нулева средна стойност [25]. Това свойство се използва при оценката, за да се контролира грапавостта на кривата. Предимството на представянето на LME е, че е лесно да се разшири моделът на сплайн, за да се отчете вариацията в рамките на обекта, която присъства в данните за повтарящи се измервания. Структурата на случайния ефект беше разширена до индивидуално специфични прихващания и наклони чрез разширяване на Zb компонента и съответната му ковариационна матрица [28]. Като първа стъпка към модела на ниво група беше добавен индивидуално специфичен прихващане, където компонент ui1 е прихващане за i-ти индивидуален:

Освен това моделът беше разширен с индивидуални специфични линейни линии с ден на седмицата като ковариативен. Като последна стъпка моделът беше разширен с индивидуални специфични сплайнове, което означава, че всеки индивид имаше своя собствена сплайн крива, която описва отклонението от кривата на ниво група. Кривата на отклонението не беше ограничена до линейна; може да бъде с всякаква форма. Този модел беше изразен като

тегло = f (ден от седмицата) + gi (ден от седмицата) (4).

където жi'с са конструирани, както е представено във формула (2), но с по-малко точки на изрязване, т.е. четири в нашите модели.

Хипотези

Фигура 1 показва първоначалната илюстрация на кривите на седмичния профил, получени като осреднено отклонено нормализирано тегло за всеки ден от седмицата. Въз основа на фигурата бяха формулирани три хипотези. Това доведе до изграждането на шест различни модела. Основно моделирахме данните на ниво група, които включваха цялата извадка от 80 субекта. Тези модели бяха обозначени като M1ALL до M6ALL. Освен това всяка хипотеза е тествана в подгрупите на губещи, спечелили и поддържащи тегло. Моделите бяха обозначени като M1LOSS до M6LOSS, M1GAIN до M6GAIN и M1MAINTAIN до M6MAINTAIN.

Фиг. 1

Кривите на първоначалния седмичен ритъмен профил, получени като средно тегло за всеки ден от седмицата.

Ефект от деня на седмицата

Първата хипотеза включваше проверка дали денят от седмицата е имал линеен ефект върху теглото, започвайки от неделя, или очакваното тегло е постоянно и не зависи от деня от седмицата. Проверена е следната хипотеза:

За да се оцени превъзходството на M2, значимостта на β1 беше тествана с помощта на t-статистиката.

Форма на зависимостта

Вторият въпрос се състои от две части, 2A и 2B. В 2А беше изследвана формата на зависимостта между теглото и деня от седмицата. Тествано е дали линейната крива е адекватна за описване на седмичния ритъм или, като алтернатива, има ли някаква степен на нелинейност. Моделите M2 бяха тествани спрямо техните разширения, т.е.линейни наказани сплайн модели (M3), които коригират отклоненията от линейността. Проверена беше следната хипотеза:

RLRT е използван за оценка на значимостта на разликата между моделите M2 и M3. Сравнението включваше тестване дали всичките шест коефициента на пресечена линия br в M3 се различават от нула. Това е еквивалентно на тестване, ако σb 2 е значително различен от нулата. По този начин хипотезата беше опростена, както следва:

Проблемът с тестването е нестандартен, тъй като измерванията на теглото не са независими и тъй като RLRT статистиката при нулевата хипотеза е нула, която е на границата на пространството на параметрите му [29]. За да преодолеем този проблем, използвахме RLRsim библиотека [30] в R, която използва параметричен bootstrap с 10 000 повторения, за да симулира и тества хипотезата.

Ефект от надлъжния характер на данните

За да се вземе предвид надлъжният характер на данните, зависимостта в измерванията, направени от същия индивид, беше отчетена в 2B. Вградените криви на нивото на популацията бяха разширени с индивидуални специфични прихващания и наклони. Бяха монтирани следните модели, вложени в техните структури с произволен ефект:

Хипотезата относно моделите беше дали добавеният произволен компонент подобрява пригодността. Сравнението е направено от RLRT. Значимостта на разликата между двата модела е тествана с помощта на приближение на Self-Liang [31], което казва, че следва асимптотичен RLRT ½ х 2 q + ½ х 2 q + 1 - разпределение, където q е броят на фиксираните ефекти. Разпределението обаче се прилага при предположението, че y са независими, което не е случаят в надлъжните данни. Следователно, резултатите бяха потвърдени чрез сравняване на най-адекватния модел със средния модел на популацията чрез използване на RLRsim библиотека. Наблюдаваните RLRT са сравнени с 95-ия процентил на ½ х 2 0 + ½ х 2 1 - разпределение, което е 1.921.

Резултати

Описателните данни на цялата проба и всяка от подгрупите, т.е. загубители на тегло, набиращи тегло и поддържащи тегло, са показани в таблица 2 заедно с броя на измерванията, получени от индивиди. Таблица 3 представя колко често са наблюдавани минималното и максималното тегло в различни дни от седмицата. В групата LOSS имаше ясна разлика между дните от седмицата, които имат най-високи пропорции за минимално и максимално тегло. Минималното тегло за седмицата се наблюдава най-често в петък и в 60% от случаите минималното тегло за седмицата се появява или в петък, или в събота. Съответно максималното тегло се достига най-често в неделя или понеделник, т.е.в 59% от случаите. В групите GAIN и MAINTAIN имаше по-голяма вариабилност. И минималното, и максималното тегло на седмицата най-често се измерва в неделя и в двете подгрупи. Второто най-голямо събитие в максимално тегло се наблюдава в понеделник. Разпределението в останалите дни от седмицата беше подобно.

Таблица 2

Описание на данните и базови характеристики (средно, стандартно отклонение, обхват или средно (стандартно отклонение)) за цялата извадка и за подгрупи

Таблица 3

Проценти от всеки ден от седмицата, използвани за получаване на мерки за минимално и максимално тегло

Когато се изследва ефектът от деня на седмицата с модел на линейна регресия, денят от седмицата е важен предиктор за теглото във всички проучвани групи (р 3%. За затлъстелите хора (ИТМ> 30 kg/m 2), умерено намаляване на теглото от 5% обикновено се счита за полезно за здравето [40]. В това проучване хората са били със средно наднормено тегло (среден ИТМ 27,3 kg/m 2), но не са били със затлъстяване и времето за наблюдение е било относително кратко, т.е. средно 80 дни. Следователно, очаквахме по-малка загуба на тегло и сметнахме за намаление с 3% за достатъчен.Този праг се поддържа и от Stevens et al. [41].

Предизвикателство, с което се сблъскахме при анализа, беше изчерпването на данните. Неравновесието на данните и самоизбраният характер на измерванията правят данните чувствителни към пристрастия. За постигане на обобщаващи резултати бяха установени определени изисквания за честотата на измерване и последователността, за да се избегнат най-малките колебания в теглото. В резултат броят на измерванията на теглото намаля от 7 408 на 4 657. Поради малките размери на GAIN и LOSS групи (съответно 10 и 18 индивида), предложената връзка между седмичния ритъм и успеха в управлението на теглото трябва да се счита за предварителна.

Констатациите от това проучване показват, че теглото не трябва да се очаква да бъде постоянно през цялата седмица. Леко увеличение през уикендите може да се третира като нормална вариация на теглото, вместо като признаци на наддаване. Лекото наддаване на тегло през почивните дни обаче трябва да се компенсира през делничните дни, за да се избегне нарастваща дългосрочна тенденция. Въз основа на показателите на това проучване, ясен седмичен ритъм може да бъде благоприятен, позволявайки по-гъвкави модели на хранене. Необходими са обаче повече изследвания, за да се потвърдят тези резултати в по-широк диапазон от възрасти и житейски обстоятелства. Резултатите са наследени от ретроспективна настройка и нито едно от проучванията не е планирано предимно за анализ на седмичното изменение на теглото. Бъдещите проучвания изискват внимателно обмисляне, за да се получи достатъчно количество данни относно набиращите тегло, като в същото време се запази настройката за свободен живот, за да се получат обобщаващи резултати.

Заключение

Това проучване установи, че има ясен седмичен ритъм на вариране на теглото. Теглото е било на най-високата точка след почивните дни, в неделя и понеделник, и е намаляло към края на седмицата. Началото на уикенда спря намаляването и теглото започна да се увеличава след петък. Освен това има предварителни доказателства, че тези хора, които показват най-голяма компенсираща промяна от уикенда до делничните дни, са тези, които - с течение на времето - най-вероятно или ще отслабнат, или ще запазят теглото си. Изглежда, че дългосрочните навици правят по-голяма разлика от краткосрочните размирици.

Въз основа на констатациите от това проучване можем да очакваме повишаване на теглото през уикендите и да го третираме като нормална вариация. Нашите резултати предоставят научна подкрепа на принципа, че при управлението на теглото, позволявайки по-голяма гъвкавост през почивните и празничните дни, може да бъде по-реалистично и успешно в дългосрочен план, отколкото строг режим.

Благодарности

AO, EM, ME, MV, BW и IK замислят и проектират изследването. AO, EM, ME, MV и IK събират и анализират данни. AO, BW и IK са написали ръкописа. Джулия Хейстингс-Блек предостави редакторска помощ.

Декларация за оповестяване

Тази работа беше извършена като част от проекта ITEA2 Care4me. Проектът се финансира от Финландската финансова агенция за технологии и иновации (Tekes) и Центъра за технически изследвания VTT на Финландия (VTT).

Авторите нямат конфликт на интереси за разкриване.