打开文本图片集

摘要：本研究基于机器学习技术，构建并验证个性化三维运动处方对老年CVM患者的生理改善效果和适用性。采用随机对照试验（RCT）设计，纳入105例CVM患者，随机分为实验组（机器学习指导的三维运动处方）和对照组（传统医生制定运动处方）。12周后，实验组6MWT距离提升42.3±15.1米，显著高于对照组（28.7±12.6米，p<0.01）；HDL水平上升4.5 mg/dL，较对照组（2.1 mg/dL）提高2.1倍（p<0.01）。实验组运动依从性达78%，高于对照组（61%，p<0.05）；模型处方分类准确率达89.2%，处方生成时间仅2.3秒/例。该方法为精准康复提供了创新路径，具有较高临床推广价值。

关键词： 机器学习；三维运动处方；抗阻训练；心血管多重风险疾病

Abstract：This study， based on machine learning technology， constructs and validates the physiological improvement effects and applicability of personalized three-dimensional exercise prescriptions for elderly patients with cardiovascular multiple risk factors （CVM）. A randomized controlled trial （RCT） design was adopted， involving 105 CVM patients who were randomly divided into an experimental group （machine learning-guided three-dimensional exercise prescription） and a control group （traditional doctor-prescribed exercise）. After 12 weeks， the 6-minute walk test （6MWT） distance in the experimental group increased by 42.3±15.1 meters， significantly higher than the control group （28.7±12.6 meters， p<0.01）; high-density lipoprotein （HDL） levels rose by 4.5 mg/dL， 2.1 times higher than the control group （2.1 mg/dL， p<0.01）. Exercise compliance in the experimental group reached 78%， higher than the control group （61%， p<0.05）; the model’s prescription classification accuracy was 89.2%， and the prescription generation time was only 2.3 seconds per case. This method provides an innovative path for precise rehabilitation and holds high clinical promotion value.

Keywords： machine learning; three-dimensional exercise prescription; resistance training; cardiovascular multiple risk factors

1.研究背景与意义

随着全球人口老龄化进程的加速，心血管多重风险疾病（Cardiovascular Multimorbidity， CVM）的健康管理已成为公共卫生领域亟待解决的重要挑战。心血管多重风险疾病包括两个主要类别：一是心血管共病（Cardiovascular Comorbidity），即患者同时存在两种或以上相互关联的心血管疾病（如高血压、冠心病、慢性心力衰竭等）；二是心血管高风险疾病（Cardiovascular High-Risk Conditions），即显著增加患者发生心血管事件风险的代谢性或系统性疾病（如糖尿病、高脂血症、慢性肾病等）。这两类疾病在人群中往往相互交织，形成复杂的病理生理网络，导致治疗难度显著增加，患者预后较差，且医疗资源消耗巨大。优化管理策略对于改善老年人群健康结局具有重要意义，传统治疗模式以药物干预为主，但长期用药可能加重肝肾负担并引发副作用，运动干预作为心血管疾病管理的核心手段，已被证实可通过改善血流动力学、增强心肺功能、调节代谢通路等多途径改善患者预后[1]。近年研究进一步表明，抗阻训练（Resistance Training， RT）在心血管共病管理中展现出独特价值[2]。Meta分析显示，抗阻训练可使2型糖尿病患者的各项检验指标好转[3]。此外，弹性带抗阻训练可提升老年人上下肢肌力（30秒椅立次数增加21.1%[4]、平衡能力（计时起立行走时间减少15%）[5]及心理健康评分（抑郁量表得分下降28%）[6]，且安全性高、依从性强[7]。然而，现有研究多聚焦单一疾病或单一运动模式，缺乏针对老年共病患者多维需求的个性化运动处方设计，导致干预效果受限。基于此，本研究提出“三维运动处方理论”框架，旨在突破传统单一维度（如心率或代谢当量）的运动处方模式，通过整合“主观感受-客观指标-社会心理”三维数据，探索抗阻训练对老年 CVM患者的实践运用。

2  研究设计

2.1 研究对象

采用便利抽样法，选取2024年7月-2024年10月期间曾在成都市某三级甲等医院急诊科就诊的 CVM患者，就诊就诊结束后回到社区的自愿参加此次研究的老年共病老年人120人（每组各60人）实施过程中自动退出15人，最终收集到实验组55人，对照组50人。

2.2 纳入排除标准纳入标准

纳入标准：（1）年龄≥18岁，（2）依据诊断标准确诊为至少以下两种心血管 CVM（高血压、冠心病、慢性心力衰竭、脑卒中、糖尿病、高血脂、肾病等），（3）6分钟步行距离（6MWD）≥150米，或能在无辅助下完成坐立转移动作，（4）认知正常或者或轻度认知障碍但能理解并配合训练。排除标准：（1）运动处方一级指标[8]中提及的极高风险因素（2）运动禁忌症[9]。

2.3 研究方法

随机对照试验（Mixed-Methods Randomized Controlled Trial， RCT）将老年 CVM患者随机分为干预组（三维运动处方抗阻训练）与对照组（单一抗阻训练运动处方），实施者和评估者不是同一个人，减少测量结果偏倚。实验组h和照组在基本资料比较上除了“运动恐惧”外，均没有差异，见表1。

3 运功处方实践

3.1 实验设计与数据架构

本研究采用随机对照试验（RCT）设计，纳入105例老年心血管多重风险疾病（CVM）患者，随机分为实验组与对照组。实验组基于机器学习生成运动处方，对照组由心血管医生依据临床指南制定传统处方[10]。数据采集周期为12周，每4周更新生理指标与运动功能数据。

3.1.1数据字段分类：

基础信息：年龄、BMI、吸烟史、饮食习惯、运动恐惧（恐惧-回避信念问卷、社会支持问卷、运动自我效能问卷、抑郁自评问卷），见表2。

（2）生理指标：空腹血糖、随机血糖、高密度脂蛋白（HDL）、甘油三酯、总胆固醇、血压（收缩压/舒张压）、肾小球滤过率（eGFR）。

（3）运动功能与症状：体力活动类型（有氧/抗阻/混合）、运动当量（MET值）、运动自我效能（0-10分）、6分钟步行试验（6MWT）、静息/运动心率、Borg评分（6-20分）、头晕/胸闷/呼吸困难（发生频率）。

（4）安全性指标：运动禁忌症（如严重心律失常、不稳定心绞痛）。

3.2 机器学习模型的工作原理

3.2.1 数据预处理与特征工程

（1）数据清洗：采用KNN插值填补缺失值，剔除异常数据（如6MWT距离<100米或>800米）。

（2）特征构建：

交互特征：BMI与运动当量的比值（反映体重对运动负荷的耐受性）；

时序特征：血压波动率（标准差/均值）与血糖变异系数；

心理-生理复合特征：运动恐惧评分与心率的乘积（量化心理压力对心血管的影响）。

（3）标准化与编码：连续变量（如HDL、eGFR）进行Z-score标准化，分类变量（如运动禁忌症）采用独热编码。

3.2.2 模型训练与处方生成逻辑

（1）算法选择：基于XGBoost与随机森林构建集成模型，目标变量为运动处方类型（有氧、抗阻、混合）及强度分级（低/中/高）[11]。

（2）动态阈值规则：

安全性约束：eGFR<30 mL/min时禁止高强度运动，Borg评分>14时自动降低强度；

个性化适配：对高运动恐惧患者（评分≥7分）推荐低强度渐进式训练（如从每周2次增至4次）。

（3）处方输出：生成包含运动类型、频率、时长、强度及安全预警的JSON格式方案。

3.2.3 模型验证方法

（1）交叉验证：采用5折交叉验证，评估模型在处方分类（类型/强度）中的准确率、召回率与F1分数。

（2）SHAP解释性分析：通过特征重要性排序，验证模型决策是否符合临床逻辑（如eGFR与运动强度的负相关性）。

3.3 评估效果与对比分析

3.3.1 生理指标改善效果，见表3。

3.3.2 模型性能与临床适用性评估

（1）预测准确性：XGBoost模型在处方类型分类中达到89.2%准确率（随机森林：85.6%），强度分级F1分数为0.87。

（2）特征解释性：SHAP分析显示，运动自我效能（23%）、6MWT距离（18%）、eGFR（15%）为前三大决策因子，与临床经验一致。

3.3.3 效率与资源优化

（1）处方生成速度：机器学习模型耗时2.3秒/例，传统医生需15-20分钟/例。

（2）误判率对比：对照组因忽略动态指标（如实时心率）导致6例过度训练，实验组通过模型预警实现零误判 。

4.讨论

本研究表明，基于机器学习的三维运动处方能够有效改善老年心血管多重风险疾病（CVM）患者的运动能力和心血管健康，同时提高运动依从性并减少不良事件。实验组患者的6MWT距离、收缩压和HDL水平改善均优于对照组，表明个性化调整的运动处方具有更好的干预效果。此外，该方法显著降低了暂停训练的比例，说明其安全性更高。相比传统由医生制定的运动处方，机器学习模型能够结合多维生理与心理因素动态优化训练方案，避免运动过度或不足的问题。本研究还发现，运动自我效能和运动恐惧对运动依从性有重要影响，提示在制定运动处方时需充分考虑患者的心理状态。此外，研究结果验证了机器学习模型在处方分类和强度分级上的高准确性，且其自动化程度提高了工作效率，减少了医疗资源消耗。然而，本研究样本量较小，且随访时间较短，未来需进一步开展大规模、多中心研究，以验证本方法的长期效果和广泛适用性。

5.总结

本研究基于机器学习技术，构建了老年CVM患者的个性化三维运动处方，并通过随机对照试验验证了其有效性和安全性。实验结果表明，该方法能有效提升患者的运动能力、改善心血管健康指标，并降低不良事件发生率。同时，机器学习驱动的运动处方优化过程较传统方法更高效，可实现实时个性化调整，提高患者的运动依从性。研究进一步揭示了运动恐惧、运动自我效能等心理因素在运动干预中的重要性，提示未来的运动处方应结合生理与心理因素进行个体化设计。本研究为精准运动康复提供了一种创新路径，具有重要的临床应用价值。未来研究可进一步优化机器学习模型，结合更广泛的人群验证其适用性，并探索与远程健康监测技术的整合，以进一步提升运动处方的智能化水平。

参考文献：

[1]荆志成. 2010 年中国肺高血压诊治指南.中国医学前沿杂志 （电子版）[J].2011： 62-62.

[2]柳立偉， 蔡正育， and 黃惠貞. 運動休閒組織高階管理者之領導風格與組織文化差異與組織內部控制執行成效之關聯性研究[J].發刊詞 （2010）.

[3]靳瑜， 窦丽亚， and 马慧珍. 抗阻力运动对老年 2 型糖尿病伴衰弱患者的应用效果[J]. 护理学报 26.3 （2020）： 51-55.

[4]Lin， Lain-Li. 高齡者肌力運動介入對功能性體適能及肌肉減少症的影響—以台北市某自費安養中心為例[J]. Diss. National Taiwan Normal University （Taiwan）， 2021.

[5]WOEHRLE， JUDITH， and CHRISTINE M. MCDONOUGH. 髋痛与活动度不足-髋骨关节炎： 2017 修订版美国物理治疗协会骨科分会功能， 残疾和健康国际分类相关临床实践指南[J]. J Orthop Sports Phys Ther 47.6 （2017）： A1-A37.

[6]霍婷， et al. 居家弹力带抗阻训练对严重烧伤患儿肌肉功能和步行能力影响的前瞻性研究[J]. Chinese Journal of Burns and Wounds 39.12 （2023）： 1131.

[7]韩月， 王丽， and 王海棠. 渐进式抗阻与肌肉放松训练对胫腓骨骨折患者骨骼康复的效果[J]. 中国医药导报 19.24 （2022）： 159-162.

[8]黄志扬， 李然， and 戴曼婷. 高脂血症患者运动干预指标体系的构建[J]. 中华全科医学 21.9 （2023）： 1523-1527.

[9]邢晓蕊， et al. 糖尿病患者运动前测试与评估临床路径构建的经验启示与实现框架[J].上海体育大学学报 48.5 （2024）： 81-93.

[10]Sun， Yan， et al. Analysis of Influencing Factors in Developing Exercise Prescription for Emergency Patients with Cardiovascular Diseases in the Elderly Based on Machine Learning[C]. 2024 IEEE 6th International Conference on Power， Intelligent Computing and Systems （ICPICS）. IEEE， 2024.

[11]Song， Xiedong， and Vladimir Y. Mariano. Fruit Tree Disease Recognition Based on Residual Neural Network and Attention Mechanism[J]. Journal of Artificial Intelligence and Technology 4.2 （2024）： 145-152.