自我称重频率与体重变化:1万名智能秤用户的队列研究

介绍

自我监测体重是行为减肥干预的基石[1]。通过自我称体重而获得的意识增强，预期会引发一个自我评估过程，包括根据自己的目标来解释体重数据，随后导致促进减肥的行动[2，3.]。定期自测体重一向与减重、维持减重及预防增重有关[2-7]。也有证据表明，更频繁的自我称重和更大的体重减轻与剂量-反应关系[8-11]。目前，人们对自我称重的做法及其独立于减肥干预背景下的有效性知之甚少。

迄今为止，大多数研究都是通过自我报告的方法来调查自我称重行为。自行称重的频率通常以预先设定的类别(例如“每日称重”、“每周称重”或“每月称重”)进行回顾性报告和评估。[9，12，13]。有些研究从实际的自重数据中确定了自重频率，但进一步将其简化为单一的汇总频率值[10，14，15]。虽然在研究中有价值，但自我报告的数据收集方法也有其局限性，包括选择性报告和对回忆偏差的敏感性[16，17]。此外，单一的汇总分类可能无法反映长期的称重实践，因为自称重频率往往会随着时间的推移而改变或下降[18-20.]。

现代智能秤可以自动将体重数据传输到网络服务器，用户可以在线或通过智能手机应用程序访问网络服务器，因此自我监测体重变得越来越容易和流行。因此，从大量用户那里积累了带有日期和时间戳的体重记录数据，为了解体重跟踪个人的行为模式提供了独特的见解。在卫生研究中使用这些数据的优点包括它们提供的信息的客观性和准确性[16，21]。此外，它们还提供纵向体重测量数据，这些数据虽然越来越多，但很少在研究中获得或使用。然而，虽然这是一种优势，但智能秤的自我称重是由个人在日常生活中(即在不受控制的自由生活环境中)完成的，这给数据的分析和解释带来了挑战。其中包括体重测量异常值的可能性、每日变化和背景信息不足等[21-25]。

在我们之前的工作中，我们证明了自我称重频率和体重变化之间的剂量-反应关系，以及停止体重监测后体重增加的风险[8]。然而，由于样本量小(n=40)，并且样本由参与工作场所健康促进计划的超重个体组成，因此研究结果的推广受到限制。本研究的目的是在自由生活环境中调查大量国际智能秤用户的自我称重模式及其与体重变化的关系。我们将样本分为3组，以进一步研究正常体重、超重和肥胖个体之间的差异。

方法

设计与数据来源

本研究中使用的数据是从2009年5月至2015年6月期间，Withings (Withings Ltd, Paris, France)智能秤用户数据库中随机抽取的10,000名匿名Withings智能秤用户中收集的。用户被定义为可以访问智能秤并拥有与其测量值相关联的用户帐户的人。在设立用户帐户方面，用户接受使用资料的条款及条件，即表示同意其资料被用作研究用途[26]。对于每次测量，秤自动保存重量记录和测量的日期戳和时间戳，并将信息发送到网络服务器。多个用户可以共享相同的规模;然而，他们被建议创建一个个人用户帐户。秤自动检测出称重属于哪个用户。用户可以通过基于web的应用程序界面手动删除权重观察值或将未知观察值附加到其帐户。研究中使用的数据在数据检索之前是假名的，并且包含了与单个用户帐户相关的所有体重测量值。

为了研究长期和短期的体重变化，在2015年6月之前满足以下纳入标准的智能秤用户有资格随机抽样:从事自我称重至少1年(基于第一次和最后一次体重测量之间的时差)，并且与用户账户相关联的体重测量≥30次。

智能秤用户的背景信息包括以下自我报告的措施:年龄，身高，性别，以及自动记录的位置信息(即国家和时区)。

研究对象

除了用于数据提取的纳入标准外，本研究还纳入了符合以下标准的智能秤用户:第一次测量体重时年龄在18至100岁之间，身高在1.40米至2.10米之间(定义为排除身高记录可能导致BMI值错误的错误)，BMI≥18.5 kg/m²根据第一个随访周的体重测量。

数据处理

由于体重测量数据不是通过结构化协议收集的，而是在自由生活的环境中积累的，因此需要对数据进行预处理，以排除当前分析中可能的外围测量和多次日内测量。异常值可能来自不同用户使用相同设备或由于外部不受控制的影响，例如异常重的衣服或在称重时携带物体。我们使用以下步骤识别和删除异常值。首先，所有低于30公斤的测量都被移除。其次，使用中位数绝对偏差法(窗口=30个样本，阈值=4)识别外围测量值并随后去除。第三，使用特定的算法识别和排除导致前一次测量不现实的重量变化的重量测量:如果在前两次和连续两次测量中被3次投票为异常值，并且每次测量包含1票，则认为重量变化是不现实的。投票被定义为连续两次超过每日3%阈值的体重测量值之差加上测量值之间的日差0.1%。通过每次删除1个观测值，从具有最高票数的异常值开始，然后是绝对权重差的最高总和，迭代地删除测量值。重复这个过程，直到没有检测到异常值。去除异常值后，确定每天的最小权重值，并从分析中排除其他重复的日期，以减少权重的日变化。 Finally, if more than 10 original daily minimum weight values were removed as a result of the outlier detection algorithm (compared to before any processing) or if less than 30 observations were left after preprocessing, the user was excluded from the final analyses.

变量

随访时间

每个用户的个人随访时间定义为第一次和最后一次体重测量之间的时间差。

体重变化

随访期间体重变化定义为最后7天的平均体重与前7天的平均体重之差(最初的重量)，除以初始权重。Zheng等人采用了类似的方法[19]。负和正的体重差异分别表示体重减轻和体重增加。

时间权重变化

每天的时间体重变化是通过将连续两次测量之间的体重变化除以测量之间相应的天差来计算的。

身体质量指数

身高是从Withings研究数据库中检索的。基线BMI是根据自我报告的身高和初始体重计算的。根据BMI阈值将个体分为3类:正常体重(18.5 kg/m)²<25.0 kg/m²)、超重(25.0 kg/m)²至<30.0 kg/m²肥胖(≥30.0 kg/m)²）.

自重频率

自称频率定义为记录体重测量的随访天数的百分比。我们还计算了每周体重测量的次数，通过将所有体重测量的次数除以随访周数来定义，作为每周自我称重强度的代理。

为了分析时间体重变化，我们使用了一个分类自重频率，该频率是根据两次连续测量之间的天数来定义的。这些类别是基于常用的自重类别。这种分类还受到这样一个事实的推动，即大多数测量是在每周或更频繁的基础上进行的，因此，分布是严重倾斜的。自重分类如下:每日-连续两次称重间隔0天;每隔一天-连续两次体重测量之间的一天;每周2-4次-连续两次体重测量之间的2天;每周1-2次-连续两次体重测量间隔3-7天;每隔一周-连续两次体重测量之间的8-14天;每月-连续两次体重测量之间的14-29天;连续测量间隔少于每月-≥30天。

自行称重中断

自称中断的定义为连续两次体重测量间隔≥30天。休息期间的体重变化计算为前一次体重测量与休息后第一次体重测量之间的差异。如果用户有多次休息，则计算所有休息的平均体重变化和平均持续时间。

一天中的时间和工作日

为了控制时间效应，体重测量都是根据它们的时间戳进行分类的，要么是早晨(在早上5点到下午1点之间进行测量)，要么是晚上(在下午1点到第二天早上5点之间进行测量)。我们进一步定义了一个组合变量，用于计算当前和以前的权重测量的时间戳，有4个可能的类别:早上-早上，早上-晚上，晚上-晚上，晚上-早上。该变量用于分析时间权重变化。同样，工作日也会影响体重变化[24，27]，我们定义了测量体重的工作日，并将该变量用于分析体重的时间变化。

统计分析

参与者的特征用平均数(SDs)或频率和百分比表示。如果分布严重偏斜，则使用卡方检验或方差分析或Kruskall Wallis检验比较3组BMI的特征。在身体质量指数组中，暂停自我称重的参与者也进行了类似的比较。

对整个研究人群和每个BMI组分别计算体重变化(kg)与自我称重频率之间的Pearson相关系数(r)，以测量体重的随访天数的百分比来测量。然后，我们用BMI组和自我称重频率之间的相互作用项建立了线性模型，以调查BMI组之间的关联是否不同。校正后的模型进一步纳入以下协变量:性别、年龄、初始BMI和随访时间。

在二次分析中，我们将重点放在时间权重变化上，利用线性混合效应(LME)模型分析时间权重变化与相应日差的关系。连续两次体重测量的日差作为固定效应加入模型，参与者作为随机效应加入模型。每个参与者被允许有一个特定于受试者的截距和斜率。调整后的分析包括以下协变量:性别、年龄、初始BMI、工作日和一天中的时间组合。时间体重变化也采用分类自重频率变量作为因变量，并进一步加入模型中自重类别与BMI组之间的相互作用作为固定效应。

采用R版本3.6.2进行统计分析[28使用dplyr [29]和nlme [30.)包。所有统计分析均采用0.05的α水平，所有统计检验均为双侧检验。

结果

参与者的包容性和背景特征

参与者包含和数据预处理流程描述于图1．在10000名智能秤用户中，9768人(97.7%)参与了研究。参与者总共记录了4,230,928次体重测量。

‎ 查看此图

参与者的背景特征和自我权衡相关信息总结于表1．男性占多数(6515/9768,66.7%)。平均年龄为41.52岁，平均BMI为26.78 kg/m²．在所有参与者中，4003人(4003/9768,42.0%)体重正常，3748人(3748/9768,38.4%)超重，2017人(2017/9768,20.7%)在随访开始时肥胖。超重和肥胖组男性参与者的比例高于正常体重组(2969/3748,79.2%;1551/2017, 76.9%;1995/4003，分别为49.8%;P<措施)。在纳入的参与者中，4837人(4837/9768,49.5%)来自欧洲，3744人(3744/9768,38.3%)来自美洲，887人(887/9758,9.1%)来自亚洲，其余300/9768,3.0%)来自其他大洲。最具代表性的国家是美国(3332/9768,34.1%)、德国(1230/9768,12.6%)、法国(811/9768,8.3%)、日本(600/9768,6.1%)和英国(585/9768,6.0%)。

平均随访时间为1085天，这在3个BMI组之间没有差异(P =.35点)。自我称重的中位数为352次，相当于每周测量2.80次体重。超重个体的自我称重强度最高;然而，两组之间的差异很小，尽管有统计学意义，从肥胖者的38.99%到超重者的40.86% (P =.006)。平均测重天数为39.98%。

自重频率和体重变化

在平均1085天的随访期间，参与者的初始体重减少了0.59公斤(表1）.体重变化的平均百分比为-0.37%。体重变化在BMI组之间有所不同，正常体重组增加0.78 kg，超重组和肥胖组分别减少-0.58 kg和-3.35 kg。

自称次数(以自称天数的百分比来衡量)与体重变化(r= -0.111,P<措施)。在BMI指数最高的人群中，这种相关性更强:r= -0.100 (P<.001);r= -0.125 (P<.001)r= -0.148 (P<.001)。包括BMI组与自我称体重频率交互项的线性模型显示，超重和肥胖组与自我称体重频率(β= -0.015,P =组成β= -0.053,P<措施，respectively); see Table S1 in多媒体附录1对于所有模型系数。结果表明，与正常体重组相比，肥胖和超重个体的自我称重频率与体重变化之间的关系有所不同。从调整后的模型(β= -0.017,P =超重组为。01β= -0.057,P<措施for the obese group).

图2表示通过每周称重频率预测的3个BMI组的体重变化(kg)。与正常体重组相比，肥胖组的斜率略陡，说明了相互作用。在肥胖组中，自我称体重的频率越高，体重减轻的幅度越大。在超重组中，这种相互作用的幅度较小。图表显示，在肥胖组中，每周至少称一次体重与体重的负变化有关，而在超重和正常体重组中，置信区间与0线重叠或保持在0线以上。在超重组中，每周自我称重2-3次或更频繁的频率似乎与体重的负变化有关。然而，在正常体重组中，95%置信区间的上限根本不低于0。

‎ 查看此图

时间权重变化与自重频率

在计算时间体重变化变量后，我们排除了每天体重变化超过20%阈值的测量(n=35)。分析中的个体数量保持在9768。LME模型显示，连续两次体重测量之间的天数是时间体重变化的重要预测因子(β= 0.001,P<措施);重量增加的天数之间的重量测量。调整后的模型没有改变参数估计(β= 0.001,P<措施)。

自称频次类别平均每天体重变化情况如下:每日，-0.058 kg;每隔一天0.012公斤;每周2-4次，0.036 kg;每周1-2次，0.028 kg;每隔一周0.026公斤;每月0.022公斤;每月小于0.016公斤。每个类别的时间权重变化与作为参考类别的“每日”值有显著差异(多媒体附录1，表S2)。图3显示了自我称重类别和BMI组之间的相互作用。模型的参数估计见多媒体附录1表S3。在所有BMI组中，只有每日自我称重与每日负时间体重变化有关。

‎ 查看此图

自我称重中断

大多数参与者(7085/9768,72.5%)在随访期间至少有一次自我称重中断≥30天(表2）.在正常体重组、超重组和肥胖组中，分别有73.5%(2941/4003)、70.7%(2648/3748)和74.2%(1496/2017)至少有一次断裂。休息次数中位数为3次，平均持续时间为58.83天。在休息期间，参与者平均增重0.85公斤。肥胖组(1.37公斤)的中位数增幅大于超重组(0.93公斤)和正常体重组(0.58公斤)。P<措施)。断裂时间与体重变化(kg)之间的Spearman相关系数为ρ= 0.153 (P<.001)ρ= 0.090 (P<措施),ρ= 0.161 (P<措施)ρ= 0.245 (P<.001)，分别为正常体重组、超重组和肥胖组。

讨论

主要研究结果

本研究通过使用9768名长期智能秤用户的大型国际样本，在不受控制的自由生活环境中跟踪他们的体重，将频繁的自我称重与有利的减肥结果之间的既定关系扩展到特定的减肥干预措施之外。我们发现，自我称重的强度与体重变化呈负相关，与正常体重的个体相比，频繁自我称重的有益关联在肥胖和超重个体中更为明显。每天自我称重尤其与减肥有关。

在平均1085天的随访期间，参与者每周测量2.8次体重，这明显高于美国普通人群的报道[15]。然而，心脏电子健康(HeH)研究报告了类似的自我称重强度[19]，一项关于健康行为与心血管风险的前瞻性观察队列研究。同样，HeH的研究反映了自由生活的行为，因为研究参与者没有收到任何自我称重练习的建议，但那些拥有智能秤的人将他们连接到HeH的研究账户。

虽然自称频率相当高，但超过三分之二的研究参与者在随访期间至少有一次较长时间的自称中断(≥30天)。自我称重的中断与体重增加有关，并与中断时间的长短呈剂量反应关系:中断时间越长，体重增加的可能性越大。此外，与正常体重的人(+0.58 kg)相比，肥胖个体(+1.37 kg)和超重个体(+0.93 kg)在自我称重中断后的体重增加最多，而3个BMI组的平均中断时间相当相似(从58天到61天不等)。VanWormer等人也报道了类似的发现[12他发现，每月称一次体重的人在24个月的随访中体重实际上增加了。这些结果表明，定期自我称重可能在促进超重个体减肥方面具有特别重要的意义，可能有助于他们养成促进体重管理的行为。

频繁的自我称重与减肥之间的相关性支持体重监测的有益效果，因此，与其他研究一致[3.，8，9，11，13]。正如前面所看到的，这种联系似乎在那些最需要它的人身上更强，即肥胖和超重的人。12]。体重不超重的人追踪体重的动机可能不同，因为他们可能不追求减肥，这至少可以部分解释正常体重组的相关性较低。值得注意的是，相关系数普遍很低，这表明自重对权重变化变化的解释相对较小。其他因素，如长期目标、自我称重的动机、行为因素以及饮食和体育活动，可能对减肥努力有更大的影响，尽管促进减肥的做法很重要。也有人认为，自我称重的一致性比自我称重的频率更重要[31]。

随着时间的推移，自我称重的做法趋于变化和减少[13，20.，32]，我们使用连续体重测量和相应的日差异来分析时间体重变化，以调查短期关联。这些结果与汇总数据一致，显示体重变化与相应的日差之间存在显著关系。自重间隔的天数越长，体重增加的越多。在这些分析中，我们使用每天的体重变化作为一个自变量，通过测量之间的天数调整体重变化，以控制长时间休息期间体重变化较大的可能性。当使用自我称重类别时，我们发现在所有BMI组中，只有每日自我称重与体重减轻有关，而每隔一天或更少的频率称重与体重不变或增加有关。有趣的是，在正常体重和超重人群中，每隔一天称重与体重增加有关，而在肥胖人群中，每隔一天称重与体重不变有关。与我们的研究结果一致的是，每日称重与更大程度的减肥有关。33]，甚至与一周称5天体重相比[11]。然而，并不是所有的研究都表明每日自我称重优于每周监测[5]。在我们的观察性研究中，每天称重与每隔一天或每周称重的积极影响应该谨慎解释。每天和每隔一天的分类之间的差异可能反映了一个持续的减肥过程，而不是每天称重比每隔一天称重更有效。

限制

本研究的结果应根据以下局限性来解释。首先，作为一项观察性研究，不能建立自我称重与体重变化之间的因果关系。自我称重的努力可以促进体重减轻或成为有利的体重变化的结果。事实上，Frie等人最近的一项研究[25研究人员发现，控制体重的动机下降，以及在利用负面体重反馈(即鸵鸟效应)方面可能存在的困难，都会导致自我称重的中断。因此，体重增加的风险可能不是自我称重的中断，而是体重增加导致的自我称重行为的减少。与此相一致，Tanenbaum等[34研究表明，某一天摄入的卡路里增加了第二天不自我称体重的风险;在另一项研究中，BMI的降低与更多的自我称重是独立相关的[21]。根据这些研究，目前的研究结果也可能表明，这种关系描述了减肥的过程，而不是促进了减肥。

其次，参与者的背景信息仅限于人口统计变量，这使我们无法控制重要的变量，例如体重管理的目标或使用智能秤的潜在动机。例如，在体重正常的个体中，他们可能不追求减肥，而是维持体重，这可能解释了在这一亚组中看到的较弱的相关性。另一方面，肥胖的人可能更倾向于用体重秤来减肥。

第三个限制是选择偏差。我们的样本主要是男性(66.7%)，体重超重(BMI为26.8 kg/m)²)，更重要的是，他们长期定期自我监测体重。样本不能代表一般人群;Sperrin等[21，他使用了来自同一家公司的可比数据，结果显示，那些自我称体重的人的特征与普通英国人不同。在我们的研究中，参与者的特征与Sperring等人的研究非常相似[21]，尽管他们只需要对每个受试者进行一次体重测量，并使用来自单个国家的数据。另一项研究发现，在无线环境中使用智能秤的人大多受过良好教育，白人和男性[19]。此外，由于我们采用的抽样纳入标准，我们的队列可能不能代表智能量表用户，因为那些使用该量表的时间较短(不到一年)且测量次数少于30次的人被排除在外。然而，这是一个庞大的国际队列，包括来自109个不同国家的近10,000人，他们提供了大约3年的自我称重测量。这些人没有参加特定的减肥计划，但数据反映了现实环境中的自我称重行为。我们认为男性的过度代表是这项研究的一个优势。通常，体重管理干预的参与者是女性。因此，这项研究的发现揭示了男性的自我称重模式和减肥尝试，而这些研究较少。此外，与其他基于智能秤的研究一起，研究结果表明，包括支持减肥的技术可能会吸引男性参与体重控制试验。

第四，测量自称行为的纵向变化仍然是一个挑战。正如我们在第一次分析中所做的那样，汇总数天或数周的数据并不能解释行为模式的变化。为了应对这一挑战，我们通过分析连续的体重测量来研究短期体重变化。然而，这些结果可能受到减肥过程的潜在趋势的影响;减肥的人可能更有可能每天称重，因此，即使是每天自我称重的一天休息也可能出现短期体重增加。由于这两种分析方法得出的结果存在一定差异，未来的研究应注意，在调查自我称重频率对减肥的影响时，随访时间的长短可能会影响结果。分析与我们类似数据的另一种替代方法是识别自称重模式不变的槽位，如Frie等人所做的[25并分析相关的体重变化。

结论

这项研究表明，在不受控制的自由生活环境中，频繁的自我称重与有利的减肥结果有关，而不管具体的减肥干预措施是什么。对于那些最需要自我称重的人，即超重和肥胖的人来说，定期自我称重的积极联系更为明显。我们发现，每天自我称重与体重减轻有关，而休息30天或更长时间则与体重增加有关。然而，尽管自称强度与体重变化之间存在剂量-反应关系，但相关性仍然很低，这表明自称只能解释体重变化的一小部分。然而，我们的研究结果强调了缺少自我称重数据并非随机发生的证据，这可能是体重增加风险的标志。