Med Research | 新加坡国立大学尤彦伟提出AI赋能精准身体活动指导框架
人工智能赋能精准身体活动指导
2026年11月10日,新加坡国立大学尤彦伟在《Med Research》在线发表题为“Artificial Intelligence for Precision Physical Activity Guidance: Connecting Cohort Evidence With Practice”的通信文章(Correspondence)。文章提出连接大型队列证据与个体化身体活动指导的概念框架和研究议程。

文章围绕大型队列证据如何服务个体化身体活动指导,提出由AI支持证据组织、由专业人员审核建议的转化框架。本文将24小时行为特征识别、多模态健康信息整合与可追溯的证据组织相连接,并提出“数据对齐—模型开发—决策支持设计—实践转化”四阶段路径。该框架仍需外部验证、因果评估及前瞻性研究检验。
期刊:Med Research
第一作者及通讯作者:尤彦伟(yyw22@tsinghua.org.cn)
主要单位:新加坡国立大学;清华大学
DOI:https://doi.org/10.1002/mdr2.70099
原文链接:https://onlinelibrary.wiley.com/doi/10.1002/mdr2.70099
摘要
大型人群队列已积累身体活动、久坐和睡眠与多种健康结局相关的证据,但许多研究仍依赖预设变量和人群平均模型,较难直接回应个体在行为模式、健康状况及功能限制上的差异。本文讨论AI如何分析日常运动行为、结合可穿戴与临床信息,并组织和更新支持活动指导的证据。文章提出数据对齐、模型开发、决策支持设计和实践转化四个相互衔接的阶段,同时强调预测性能的提升不能消除测量异质性、模型迁移受限和残余混杂等问题。相关应用需要经过流行病学评估,才能为实践提供依据。
引言
我们可以假设一个场景,对于一名睡眠不足、久坐较多且体能下降的老年人,应该优先增加哪类活动,如何安排时间,又该从多大的改变开始?大型队列能够提供活动水平与健康结局之间的关联证据,但将这些结果用于具体的个人,还需要结合其行为模式、健康背景与现实条件。
文章关注的正是这一转化环节:如何利用AI,将分散在队列、可穿戴设备、临床记录、文献和指南中的信息连接起来,帮助判断哪些行为值得优先调整,并让建议能够被理解、执行和持续评估。
01 连接人群证据与个体活动指导
本文提出的框架包括三个相互连接的部分:更完整地描述运动行为与健康状态,组织来源清晰、能够追溯的证据,以及在专家监督下形成符合个体情境的活动建议。年龄、睡眠模式、慢性病、功能能力和生活条件共同参与决策,使相同的人群证据能够用于讨论不同个体的行动选择(图1)。

图1. 从大型队列证据到智能身体活动处方的概念路径
02 AI如何帮助理解运动行为并组织证据
2.1 识别活动总量背后的24小时行为模式
身体活动具有总量、强度、发生时间、日内分布和规律性等多个维度,并与久坐和睡眠相互关联。将连续数据汇总成每日步数或活动分钟数,便于比较,却也可能遗漏有用的时间信息。AI可通过时间序列建模和表征学习,从分钟级可穿戴数据中提取更细致的行为特征。
文章用一个假设情境说明这一点:两名老年人每天均完成30分钟中高强度身体活动,久坐约9小时。其中一人规律晨间步行、作息稳定,另一人则晚间活动零散、连续久坐较长且睡眠不规律。每日总量相近,行为模式却存在差异。这些差异可帮助提出待检验的行为调整方向,但不能据此判断哪种模式会带来更好的健康结局。
2.2 将多种健康信息纳入同一分析框架
原始加速度计信号、行为日志、电子健康记录、功能状态描述、影像和生物标志物,能够从不同角度反映个体状况。AI支持对这些信息进行联合分析,使活动模式能够与健康背景相联系。文章还讨论了单细胞测序等新技术的潜力,例如识别运动响应细胞群体,为精准运动生物标志物研究提供线索。
2.3 让建议能够追溯到具体证据
生成式AI可辅助从文献、指南、数据库说明和模型输出中提取知识,整理适用人群、行为建议及其依据,并参与建议草拟。其应用需要明确的规则和审核程序,使使用者能够了解建议来自哪些证据、适用于什么情境,以及哪些信息仍需进一步验证。
03 构建智能身体活动处方的四阶段路径
文章将框架落实为四个连续阶段,覆盖数据准备、模型建立、建议形成与实际应用(图2)。
3.1 数据对齐
统一不同队列中身体活动、久坐和睡眠的定义,协调设备处理流程、时间尺度和结局报告方式。以24小时运动行为结构为核心,在质量控制下纳入原始信号、临床文本及功能描述,保留与个体决策有关的信息。
3.2 模型开发
结合行为特征识别、多模态整合和知识提取,建立可解释、可更新的模型。通过独立人群的外部验证与校准,检验模型能否适应不同人群和健康状态,并在专家规则约束下生成建议。
3.3 决策支持设计
综合活动模式、睡眠、慢性病、功能能力和现实约束,对增加活动、开展力量训练、改善睡眠或规律中断久坐等候选方案进行排序。专业人员审核方案的安全性、可行性及其与整体健康管理计划的一致性。
3.4 实践转化
将建议嵌入临床或公共卫生服务,跟踪实施情况和个体反应,持续更新证据并调整方案。评价重点包括建议是否易于理解、能否坚持执行,以及是否改善预先设定的行为或健康结局。

图2. 构建智能身体活动处方的四阶段路径
04 在具体生活情景中形成并调整建议
以原文设想的一名睡眠不足、伴有焦虑症状和认知功能下降的老年人为例,连续数日的可穿戴记录可能显示其白天活动少、连续久坐较长、日常节律不稳定。系统可结合其慢性病和功能状态,将逐步增加日间步行、规律中断久坐、稳定日常活动安排列为候选起点,并说明每项建议的依据。
建议实施前,由医生、物理治疗师、运动专业人员或其他经过适当培训的人员进行审核。随后,结合可穿戴数据、睡眠变化、症状、功能测量及依从性,判断是否维持或调整方案。由此形成“数据采集—行为理解—建议草拟—专家审核—实施—随访评估”的持续过程。
05 让精准指导经得起验证并适应现实条件
文章强调,模型在单一数据集中的良好表现,需要接受独立人群和不同测量环境的检验。设备类型、佩戴位置、数据处理及人群构成的差异,都会影响模型能否推广。对于生成式AI提出的建议,还应核查其证据来源和适用范围。
AI识别出的行为模式和候选建议,也需要更强的研究设计进行评估。纵向分析、时间再分配方法和适当条件下的目标试验模拟,可为后续验证提供依据;随机试验或实际应用研究则用于检验建议是否带来预期改变。行动能力、工作安排、社区安全和设施可及性同样应纳入决策,使不同条件下的人都能获得可行的选择。
结论
本文为大型队列证据向精准身体活动指导的转化提出了初步方案:通过AI更充分地利用行为与健康信息,组织可追溯证据,并在专家监督和随访反馈下持续优化建议。作者提出,未来3—5年可着力开发由专家监督的决策支持原型,在独立人群及相关亚组中完成外部验证与校准,再通过前瞻性研究,与常规指导比较其安全性、可行性、可接受性、依从性及预设行为或健康结局。文章提供的是有待检验的研究路径,尚未报告此类系统的临床验证结果。
代码和数据可用性
本文未生成或分析数据集,因此数据共享不适用。
引文格式
You Y. Artificial Intelligence for Precision Physical Activity Guidance: Connecting Cohort Evidence With Practice. Med Research. Published online November 10, 2026. doi:10.1002/mdr2.70099.
作者简介

尤彦伟(第一作者及通讯作者)
• 尤彦伟,清华大学博士,现于新加坡国立大学从事博士后研究。近年来,围绕身体活动、睡眠、认知与脑健康及生物学衰老的研究方向,综合运用人群队列、运动干预、神经影像与脑功能检测、生物标志物分析及动物实验开展研究,以第一作者发表SCI Q1区论文20余篇,入选2025、2026年度的Elsevier全球前2%顶尖科学家榜单。
期刊简介

《Med Research》是由 Wiley 与本领域数十位杰出华人科学家共同合作出版的综合性医学期刊, 期刊由香港大学袁硕峰教授和中南大学刘志雄教授担任主编,致力于推动基础科学、转化研究与临床实践的深度融合。
作为 Wiley 出版集团旗下的全新医学综合类期刊,《Med Research》对标国际一流医学期刊如Nature Medicine 和 JAMA Internal Medicine, 涵盖临床医学与基础医学的各个学科领域。 期刊预计将获得超过30分的影响因子。其核心目标是发表全球医学研究领域前 5% 的高影响力论文,推动医学前沿研究的发展。《Med Research》旨在通过提供高水平的学术平台,传播创新性研究成果、临床观察以及深入的学术讨论,从而提升全球患者的医疗护理质量。期刊将刊登多种类型的文章,包括原创研究、综述、评论和通讯, 涵盖生物医学科学的各个领域,重点关注对人类健康和疾病具有重大影响的研究成果。为鼓励和支持更多高质量研究的发表,在期刊成立的前三年,作者无需支付任何版面费用, 即可发表其研究成果。
期刊信息
- • 🔗 期刊主页: https://onlinelibrary.wiley.com/journal/29984971
- • 🌐 出版社: https://www.wiley.com
- • 📧 邮箱: office@medresearch.org.cn
- • 💬 公众号:Med Research

















































