科研 Skill

运动营养与体成分评估

sport-nutrition-body-composition

比较DXA、BIA等体成分测量方法一致性,评估膳食摄入与能量可用性风险。适用于运动员体成分监测,不提供个体膳食处方。

发布者 Codar安全审核通过v0.1.0更新于 2026-11-18

SKILL.md

运动营养与身体成分评估(Sports Nutrition & Body Composition Assessment)

适用场景

  • 比较不同身体成分测量方法(DXA、BIA、皮褶厚度、空气置换体积描记法 ADP)在运动员人群中的一致性与效度。
  • 监测训练周期或赛季中运动员体脂率、瘦体重、骨密度的变化趋势。
  • 评估运动员膳食摄入是否满足训练负荷需求,计算能量可用性(Energy Availability, EA)并筛查相对能量缺乏综合征(RED-S)风险。
  • 研究营养干预(如蛋白质补充时机、碳水化合物周期化)对体成分或体能指标的影响,衔接 sport-exercise-intervention 的试验设计方法。
  • 特定项目(体重分级类项目、美学类项目)的体重管理行为流行病学调查(不涉及个体干预方案)。

边界与不适用

  • 不为个人提供膳食处方、减重/增重建议或临床营养治疗方案;涉及饮食失调、RED-S 高风险个体的识别后应转介注册营养师或临床团队处理,本 Skill 仅用于群体层面的科研测量与分析。
  • 不替代临床营养评估(如电解质、激素水平的医学检验);本 Skill 聚焦体成分测量方法学与膳食摄入的研究性评估工具。
  • 不同体成分测量方法基于不同假设(双室模型、多室模型),结果不能跨方法直接等同比较,必须报告方法学差异。
  • 未成年运动员、孕产期运动员的体成分与营养研究需额外的伦理考量与专门人群参考值,本 Skill 的通用方法可能不直接适用,须结合专门文献。

工作流

  1. 研究问题与测量方法选择

    • 输入:研究目的(横断面描述/纵向监测/方法学比较/营养干预评估)、人群(项目、性别、年龄、训练水平)。
    • 决策点:DXA(双能X线吸收法)被广泛视为运动人群体成分测量的参考方法之一(三室模型,可分骨矿、瘦组织、脂肪),但非金标准(金标准通常指多室模型如 Siri/Brozek 方程结合水下称重或 ADP);BIA 与皮褶厚度更便携但误差受水合状态、测量者技术影响更大,需在方法中如实定位各方法的证据层级。
    • 产出:测量方案(方法、设备型号、测量时点、测量者培训记录)。
  2. 测量标准化

    • DXA:统一检测前禁食、排空膀胱、近 24 小时内无剧烈运动与大量饮水的标准化准备;记录设备型号、软件版本、扫描模式(全身/区域);同一研究全程使用同一设备与软件版本,跨设备比较需交叉校准。
    • BIA:统一测量时间(晨起空腹)、体位、电极位置;记录设备频率(单频/多频)、所用预测方程及其验证人群(运动员专用方程与普通人群方程结果可能系统性偏差)。
    • 皮褶厚度:由经培训且报告测量者内/测量者间信度(技术误差 TEM)的测量者使用标定卡钳,在标准解剖位点测量,报告所用部位组合(如 Jackson-Pollock 3/7 点法)与换算公式。
    • 决策点:女性运动员需记录月经周期阶段(体液潴留影响 BIA 与皮褶结果);统一测量条件优先于事后统计校正。
  3. 方法间一致性研究

    • 操作:同一受试者同时或近期接受两种方法测量,用 Bland-Altman 一致性界限、ICC(注明模型类型)评估一致性,而非仅报告相关系数(高相关不代表一致)。
    • 决策点:发现系统性偏倚(如 BIA 在高体脂人群中系统低估)时需报告偏倚方向与大小,不能简单给出"校正系数"而不讨论适用范围。
  4. 膳食摄入评估

    • 方法:24 小时膳食回顾法(建议多日、含非连续日以捕捉变异,多轮回顾可用多重步骤法 multiple-pass method 提高完整性)、食物频率问卷(FFQ,需用经信效度验证的中国人群版本或所在人群的本地化版本)、称重法(金标准但负担重,适合小样本精细研究)。
    • 操作:用食物成分数据库(如《中国食物成分表》)将摄入量换算为能量与营养素;记录运动员是否存在社会期望偏差导致的漏报(常见于低报高热量食物)。
    • 决策点:单日 24 小时回顾波动大,不能用于估计个体习惯摄入,需多日平均或建模处理日间变异(如 NCI 方法)。
  5. 能量可用性与RED-S风险筛查

    • 计算:能量可用性 EA = (膳食能量摄入 − 运动能量消耗) / 瘦体重(kcal/kg FFM/day);运动能量消耗估算需结合心率、加速度计(见 sport-wearable-gps-imu)或双标水法(金标准,成本高)。
    • 参考阈值:EA 持续低于约 30 kcal/kg FFM/day 常被用作低能量可用性的研究参考阈值(源自实验室受控研究,实际人群阈值仍有争议,须说明来源文献而非当作诊断标准)。
    • 筛查工具:可用已发表的筛查问卷(如 LEAF-Q 女性运动员版)辅助识别高风险个体,但问卷结果仅用于研究分层或建议转介,不作临床诊断。
    • 决策点:识别出高风险个体时的研究伦理责任——应有预先设定的转介流程(告知受试者并建议寻求专业帮助),而非仅记录数据了事。
  6. 统计分析与报告

    • 纵向体成分变化:混合效应模型处理重复测量;报告最小可检测变化(minimal detectable change)以区分真实变化与测量误差。
    • 营养干预研究:按 sport-exercise-intervention 的 FITT-VP 思路描述营养干预的"剂量"(营养素种类、摄入量、时机),并报告依从性。

工具与数据源

  • 测量设备:DXA(如 GE Lunar、Hologic 系列)、生物电阻抗设备(InBody、Tanita 等,需注明型号与预测方程来源)、空气置换体积描记法(BOD POD)。
  • 膳食评估:Nutrition Data System for Research (NDSR)、中国营养学会《中国食物成分表》、FFQ 中文版信效度研究文献。
  • 筛查问卷:Low Energy Availability in Females Questionnaire (LEAF-Q)。
  • 统计:R lme4(混合模型)、BlandAltmanLeh、irr(ICC);Python pandas、pingouin。
  • 共识声明:国际奥委会(IOC)关于 RED-S 的共识声明;国际运动营养学会(ISSN)立场声明系列。

最小示例:Bland-Altman一致性分析(Python)

# pip install pandas numpy matplotlib
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_csv("bodyfat_two_methods.csv")  # 列:subject, dxa_bf, bia_bf(体脂率%)
df["mean"] = (df["dxa_bf"] + df["bia_bf"]) / 2
df["diff"] = df["bia_bf"] - df["dxa_bf"]
bias = df["diff"].mean()
sd = df["diff"].std(ddof=1)
loa_upper, loa_lower = bias + 1.96 * sd, bias - 1.96 * sd

fig, ax = plt.subplots(figsize=(6, 4))
ax.scatter(df["mean"], df["diff"], alpha=0.6)
ax.axhline(bias, color="black", label=f"bias={bias:.2f}")
ax.axhline(loa_upper, color="red", ls="--", label=f"+1.96SD={loa_upper:.2f}")
ax.axhline(loa_lower, color="red", ls="--", label=f"-1.96SD={loa_lower:.2f}")
ax.set_xlabel("平均体脂率 (%)"); ax.set_ylabel("BIA - DXA (%)"); ax.legend()
plt.tight_layout(); plt.savefig("bland_altman_bodyfat.png", dpi=200)
print(f"Bias={bias:.2f}, LoA=[{loa_lower:.2f}, {loa_upper:.2f}]")

质量检查

  • 测量方法、设备型号、软件版本、预测方程来源已完整报告。
  • 测量标准化条件(空腹、水合状态、月经周期阶段)已记录并一致执行。
  • 测量者内/测量者间信度(TEM 或 ICC)已报告(尤其皮褶厚度法)。
  • 方法间比较使用 Bland-Altman 与 ICC,而非仅报告相关系数。
  • 膳食摄入评估报告天数、是否含非连续日、所用食物成分数据库版本。
  • 能量可用性计算的能量消耗估算方法已说明,阈值引用来源明确且未当作诊断标准。
  • 高风险个体(RED-S/饮食失调风险)的转介预案已在伦理方案中说明。
  • 纵向比较报告最小可检测变化,区分真实变化与测量误差。
  • 数据已去标识化,未成年或敏感人群研究有额外伦理审查。

输出格式

  • 方法学表:测量方法 | 设备 | 预测方程/模型 | 标准化条件 | 测量者信度。
  • 一致性结果表:方法对比 | bias | 95% LoA | ICC(95% CI)。
  • 体成分结果表:受试者/组 | 时点 | 体脂率 | 瘦体重 | 骨密度(如测量)。
  • 膳食与能量可用性表:受试者 | 平均摄入能量 | 运动能量消耗 | 瘦体重 | EA(kcal/kg FFM/day)| 风险分层。
  • 报告章节:测量方法与标准化 → 一致性/效度结果 → 体成分或营养变化结果 → RED-S 风险讨论 → 局限与转介说明。

参考规范与文献

  • Mountjoy M, et al. (2018). IOC consensus statement on relative energy deficiency in sport (RED-S): 2018 update. British Journal of Sports Medicine.
  • Nana A, et al. (2015). Methodology review: using dual-energy X-ray absorptiometry (DXA) for the assessment of body composition in athletes and active people. International Journal of Sport Nutrition and Exercise Metabolism.
  • Bland JM, Altman DG (1986). Statistical methods for assessing agreement between two methods of clinical measurement. The Lancet.
  • Jackson AS, Pollock ML (1978). Generalized equations for predicting body density of men. British Journal of Nutrition.
  • Melin A, et al. (2014). The LEAF questionnaire: a screening tool for the identification of female athletes at risk for the female athlete triad. British Journal of Sports Medicine.
  • 中国营养学会,《中国食物成分表》(标准版)。
  • Thomas DT, Erdman KA, Burke LM (2016). American College of Sports Medicine Joint Position Statement: Nutrition and Athletic Performance.

示例提示词

请帮我比较DXA和生物电阻抗对这批举重运动员体脂率测量的一致性,并计算其能量可用性评估风险。

所属插件

体育学面向体育学研究:训练负荷监控、可穿戴 GPS/IMU 数据、运动生物力学、竞技表现分析、国民与学生体质健康数据、身体活动测量、运动干预研究设计,以及体育人文社会学与政策研究。

安装该插件会一并获得同领域的 9 个 Skill / MCP。

同插件的其他科研 Skill

常见问题

运动营养与体成分评估能做什么?

比较DXA、BIA等体成分测量方法一致性,评估膳食摄入与能量可用性风险。适用于运动员体成分监测,不提供个体膳食处方。

如何安装运动营养与体成分评估?

在科搭 Codar 左侧点击「插件」,在「组件」页签搜索「运动营养与体成分评估」并安装;在 Claude Code 或 Codex 中可以发送本页的安装提示词,或下载 Skill 包后解压到 ~/.claude/skills 或 ~/.codex/skills。

运动营养与体成分评估需要哪些权限?

该科研 Skill没有声明额外权限;执行具体操作时仍由 Agent 按自身规则请求确认。

运动营养与体成分评估经过官方审核吗?

是。SpeedSkills 收录的每个版本都会记录内容摘要与权限声明,当前版本已通过安全审核。