未来健身创新
Linas Juozėnas分享
健身领域的未来创新
人工智能和基因检测能够提供什么,以及哪些方面仍有待证明。
训练计划可能因为知道你的姓名、读取你的手表数据或包含 DNA 报告而让人觉得很个性化。更有用的问题是:这些信息是否能针对你的目标、健康和日常生活带来更好的决定。
本指南解释这些技术,审视其相关说法背后的证据,并提供一种实用方法,帮助你决定它们何时值得获得你的关注、信任和数据。
在增加另一项测量之前,先明确你希望获得帮助的决定。
准确的数据、合理可信的预测和有效的建议是不同的成果。
有用的工具应帮助你理解、质疑并调整计划。
个性化应当意味着什么
个性化意味着根据特定个人进行调整。在健身中,这可能包括选择易于完成的运动、围绕工作安排训练、在生病后调整计划,或以这个人能够理解的方式解释不熟悉的动作。
这些任务都不一定需要基因检测。有些甚至几乎不需要技术。起始信息可能包括这个人的目标、经验、偏好、器材、可用时间以及对以往训练的反应。
在选择工具前明确问题
“帮助我取得进步”是一个合理的目标,但它留下了许多未解答的问题。要朝什么方向进步?是什么在阻碍你?如果掌握更多信息,哪项决定会变得更容易?
考虑三个人。其中一人因为日程安排不现实而不断错过训练。另一人希望获得刚学会的动作的反馈。第三人在锻炼时反复出现症状。日历助手、合格的教练和临床评估分别应对不同的需求。标榜个性化健身的产品不应混淆这些区别。
将描述与建议分开
报告可以描述一种模式,而不必确定应如何应对。它可能发现某种基因变异与某项特征之间的关联,或记录的训练负荷与之后结果之间的关联。下一步——选择干预措施——需要额外的依据。
准确测量某项特征,与证明该特征在明确场景中的相关性之间的区别,是数字测量工具 V3 框架的核心。该框架还承认,有效部署涉及测量之外的问题,包括可用性和临床实用性。[1]
对读者而言,这意味着要思考三个实际问题:信息可靠吗?它回答的是我真正想问的问题吗?使用它会改善我的决策吗?第一个问题的答案即使令人印象深刻,也不能解决另外两个问题。
为不止一套好计划留出空间
一个人可能有多种合理方式来追求同一个目标。兴趣、成本、交通和家庭责任,都可能影响哪种计划切实可行。忽视这些现实因素的系统,可能会生成一套复杂详尽、却很少有人真正执行的计划。
目标并不是从仪表板中的某个隐藏位置找出一套完美的训练计划。而是做出明智的选择,观察结果,并在有明确理由的情况下进行调整。当技术让这一过程更轻松或更有效时,它才真正发挥了价值。
人工智能在健身产品中究竟做什么
人工智能是一个笼统的术语。使用同一标签的两个应用可能以完全不同的方式工作,而单个产品也可能结合多种方法。了解哪一部分负责哪项任务,有助于更容易地评估其宣传内容。
| 方法 | 它可能做什么 | 可以问什么 |
|---|---|---|
| 规则和普通自动化 | 应用预先设定的指令,例如当你选择“时间更少”时提供较短的训练课程。 | 是什么触发了变化?我能否检查或覆盖这一变化? |
| 机器学习预测 | 利用从数据中学到的模式来估计结果、对活动进行分类或为建议排序。 | 是否在与我相关的环境中用新用户进行了评估? |
| 生成式人工智能 | 根据指令生成对话式解释、摘要或计划草案。 | 事实性陈述和计算结果是否经过核查?系统是否遵守我的限制条件? |
| 计算机视觉 | 根据图像和视频估计身体关键点或动作特征。 | 验证中包含了哪些动作、摄像条件和用户? |
| 自动设备控制 | 改变设备的阻力、速度或其他设置;控制方式可能使用人工智能,也可能不使用。 | 这个特定系统需要哪些限制、停止控制和监督? |
新输入不一定意味着新的学习
产品可以使用一个保持不变的模型来响应今天的信息。将一次新的锻炼输入现有算法,与重新训练该算法是两回事。有些系统会定期更新;有些使用固定规则;还有些会调整选定的参数。“它从每次锻炼中学习”需要清楚解释实际发生了什么变化。
更多数据可以带来更多分析机会,但数量本身并不能证明质量。反复出现的错误、缺失的上下文,或不能很好代表目标用户的数据集,都可能削弱结果。新版本模型同样需要经过评估;更新并不一定会让每个人或每项任务都得到改善。
流畅的解释仍然可能是错误的
生成式系统可能会自信地生成错误信息、违背指令,或编造支持性引用。NIST 的指南将这一问题称为虚构。该指南还提醒,不应根据狭窄或带有轶事性质的演示,就对系统的广泛能力作出判断。[2]
例如,助手可能会将某个训练计划描述为适合在家进行,但其中包含你没有的器材。它可能会在没有核实之前几次训练情况的情况下,为训练量增加提供一个令人安心的解释。请阅读实际建议及其依据,而不要只依赖解释的语气。
有用的问题往往很普通:它使用了哪些信息?缺少什么?计划为什么发生了变化?如果我拒绝,会发生什么?你不应该需要计算机专业资格才能理解答案。
测量值、估算值和准备度评分
AI 系统通常会接收传感器信号、计算指标和用户输入信息的混合数据。一次已完成训练的记录、估算的卡路里总量,以及一条写着“感觉异常困难”的备注,其含义和误差来源并不相同。
了解设备测量了什么
腕戴式传感器可能会检测反射光的变化,并使用算法估算心率。设备在不同活动中的表现可能不同。对光学传感器进行的研究发现,准确性取决于设备和具体条件;某种设置下的验证结果不应被视为对每种动作或每位佩戴者的保证。[3]
进一步的计算可能会将可用信号转换为能量消耗、睡眠阶段、有氧适能或恢复情况的估算值。屏幕上显示一个精确的数字,并不意味着这些量都是直接测得的。
一项将七种较早的消费级睡眠追踪设备与多导睡眠图进行比较的研究发现,这些设备的表现各不相同,包括在睡眠阶段分类方面存在局限。这说明睡眠阶段显示需要经过适当验证;但这并不能证明当前所有设备的准确性。[4]
综合评分是模型的一种解读
准备度评分通常会根据提供商的方法,将选定的输入数据综合起来。在不知道该方法及其验证情况的前提下,不能假定一个平台上的 80 分与另一个平台上的 80 分含义相同。同样,分数变化几分也不一定代表你的能力发生了有意义的变化。
询问某个分数反映的是测量结果、预测结果,还是行动指令。这些是不同的功能。绿色指示灯不是临床评估,不应被用来忽视新出现的症状,也不应凌驾于与治疗专业人员商定的限制之上。
更改计划前先核对背景
设想某款可穿戴设备记录到的活动量远低于平时。可能是本人确实不活跃、忘记佩戴设备、在训练期间给设备充电,或者进行了系统捕捉效果不佳的活动。每种解释的含义都不同。自动开具额外运动计划,等于未经核实就假定了第一种解释。
有时,一条简短备注比另一个计算指标更有信息量:设备没有佩戴、训练中断了、路线不同,或本人身体不适。一个有用的系统应让用户能够轻松纠正这些假设。
避免精确的热量补偿
一项比较腕戴设备的研究发现,心率和能量消耗的准确性存在很大差异。该研究测试的是较旧的产品,因此这里的价值在于区分不同指标,而不是对当前设备进行排名。[5]
不要把估算出的运动消耗热量总数,当作必须准确摄入或减少同等食物的指令。如果关注的是食物摄入,应审视整体模式以及做出改变的原因。增加小数位数并不能解决输入数据存在的不确定性。
人工智能辅助教练的实用场景
人工智能有些有价值的用途并不复杂,而且很具体。工具可以整理训练日志、总结已达成一致的计划、建议向教练提出的问题,或帮助比较如何将熟悉的训练安排进不断变化的一周日程中。这些用途值得根据其自身价值进行评估。
减少训练前后的琐碎工作
假设某人已经有一套合适的训练计划,但总是弄不清自己完成了哪些训练。一份清晰的每周总结可以帮助他们和教练查看出勤情况,并找出日程安排上的问题。这样做的好处是组织得更井然有序,而不需要声称软件发现了他们的生理最佳状态。
同样,助手可以把一段长篇说明改成简短提醒,整理教练提供的器械替代方案,或准备一份下次预约时要问的问题清单。用户可以根据原始信息核对输出结果。
适应明确的限制条件
有用的请求应当具体:“我今天有二十分钟空闲。请帮我复习一下训练计划中已经包含的较短方案。”这样系统就有了明确的任务和参考点。“优化我健身的方方面面”则会引发一些可能始终不透明的假设。
计划发生变化时,应查找一段简短说明,了解变化及其原因。是因为时间有限、错过了一次训练、本人反映有困难,还是某项指标跨过了阈值而进行了调整?这些解释应当彼此区分。
保持连续性,同时保有灵活性
不断变化的建议可能让人感觉受到了重视,但变化本身并不能证明指导质量更高。如果练习、目标和安排都被反复替换,就会更难了解实际上尝试了什么,以及当事人作出了怎样的反应。
一个合理的设计目标,是在允许根据相关信息进行调整的同时,保持计划的一致性。忙碌的一周可能需要更简单的安排,但不一定需要采用全新的训练理念。调整的理由应当比只是生成一个看起来焕然一新的界面更加充分。
利用解释来支持沟通
要求工具列出假设、指出缺少的信息,并解释哪些变化会导致它改变建议。然后检查这些回答。人工智能生成的解释本身也可能包含错误,因此它应作为审查的起点,而不是独立的验证依据。
教练或临床医生也应评估基础信息,而不是未经核查就接受生成的摘要。当人工参与能够加入相关专业知识、责任意识以及对当事人具体情况的理解时,这种参与就很有价值。
一个范围明确的请求示例
“总结这些已完成的训练课程和我的笔记。将已记录的事实与可能的解释分开。指出需要与我的教练讨论的问题。不要推断诊断结果,也不要编造缺失的测量数据。”
这是一个关于如何更清晰地设定任务的示例,并不保证特定模型一定会正确回应。在使用摘要前,请将其与原始记录进行核对。
值得关注的结果可能是节省时间、减少安排错误,或让沟通更加清晰。当这些结果解决了真实问题时,即使没有承诺能提升运动表现,也都是有意义的益处。
动作反馈与损伤预测
视频分析提供了一种很有吸引力的可能性:无需每次进行动作都前往实验室,就能获得反馈。它的实用性取决于系统估计的内容、测试方式,以及人们如何解读结果。
基于摄像头的系统可以估计什么
OpenCap 是一个研究示例,它结合来自两部或更多智能手机的视频、姿态估计和生物力学建模,来估计动作及相关动态。其验证结果支持的是所定义的系统和所研究的任务,并不能验证每一个单摄像头运动应用。估计的肌肉力量是模型输出,而不是直接从体内测量得到的结果。[6]
摄像机的位置、光线、可见度以及正在进行的动作,都会影响解读。如果某个关节被遮挡,或系统尚未针对辅助设备进行评估,那么看似精确的叠加显示可能会误导人。请询问:当应用无法获得可靠估计时,它会怎么做。
不同的动作并不自动意味着动作存在错误
深蹲在不同的身体比例、负荷、站姿和任务指示下可能呈现不同样子。仅凭躯干前倾并不能证明存在错误,也不能解释疼痛。视频中的彩色线条无法替代对个人意图、动作感受以及反馈是否相关的评估。
反馈应明确指出具体观察结果,以及任何拟议改变的预期益处。“你的膝盖不安全”比“摄像头估计出你在这些次重复动作中的膝盖位置有所不同”强烈得多。负责任的解读应尊重这一差异。
伤病预测是一个活跃的研究领域
一项2026年的研究对142名竞技耐力跑者进行了为期12个月的前瞻性监测,并据此开发了伤病预测模型。这项研究有助于探索可能的预测因素,但并不能证明该模型适用于不同人群,也不能证明提供其反馈能够预防伤病。[7]
当消费产品声称能在伤害发生前预测受伤风险时,这一区别就很重要。模型可以从记录的结果中发现模式,但不能证明其建议的应对措施会改善之后的结果。
误报和漏掉问题都很重要
一个将许多人标记为“高风险”的系统,可能造成不必要的担忧或限制。一个遗漏相关问题的系统,则可能带来虚假的安心感。评估模型需要了解的不只是成功预测的案例。
校准关注的是,在相关人群中,预测概率是否与实际观察到的频率一致。将一些人的结果发生可能性排在另一些人之上,与提供可靠的绝对概率是不同的能力。[8]
对个人而言,实际问题仍然是:接下来该采取什么行动,以及什么证据支持这一行动?新出现或加重的疼痛、晕厥、胸部不适或其他令人担忧的症状,不应通过让运动应用反复重新计算分数来处理。应寻求适当的临床帮助;严重或急性的症状可能需要紧急护理。
如何判断人工智能工具背后的证据
“有科学依据”可能意味着产品引用了一般性的运动研究、某个传感器与参考方法进行了比较,或完整服务在用户中接受了测试。这些属于不同类型的证据。应询问每项研究支持的是哪一项声明。
| 问题 | 实用信息 | 仍未解决的问题 |
|---|---|---|
| 测试了什么? | 实际功能、模型版本、测量结果或完整的指导服务。 | 对某个组成部分的研究,未必能证明整个产品的有效性。 |
| 纳入了哪些人? | 研究人群的训练经历、年龄范围、相关健康状况及其他特征。 | 结果可能无法推广到未参与评估的用户或未涵盖的场景。 |
| 它与什么进行了比较? | 明确描述的替代方案,例如常规指导,或不含新功能的同一应用。 | 随着时间推移出现改善,并不能确定是哪一个组成部分导致了改善。 |
| 哪项结果有所改善? | 与声明相关的结果:表现、参与度、症状、受伤情况、负担或其他明确界定的结果。 | 更多应用互动本身并不能证明健康状况更好。 |
| 出了什么问题? | 退出、 adverse events、信息缺失,以及建议不恰当的情况。 | 只报告成功用户可能会掩盖重要限制。 |
使用模型尚未见过的信息进行测试
当评估信息泄露到模型开发过程中时,模型可能会显得异常准确。例如,如果同一个人的密切相关记录同时出现在两组数据中,或使用只有在受伤后才能获得的信息来预测受伤,测试结果可能会夸大模型在现实世界中的表现。关于数据泄露的研究将其描述为基于机器学习的科学研究中更广泛的问题。[9]
读者不需要审核代码。他们可以询问评估是否使用了真正独立的人员或环境,以及这些输入信息在实际决策作出时是否已经可获得。
公平比较新增功能
如果一项 AI 服务同时提供提醒、额外的指导交流和新计划,那么效果有所改善并不能说明究竟是哪一部分发挥了作用。要公平比较 AI 的贡献,应明确说明各个替代方案。
DNA 增值服务也是如此。将证据支持充分的遗传学项目与一份宣传单进行比较,无法单独确定遗传信息的价值。问题在于,添加这类信息是否能改善其他方面相当的服务。
将不确定性视为有用信息
一项小型探索性研究可能足以支持进一步研究,但未必能确定某工具是否能在数月或数年内改善结果。多种合理的可能效果不同于精确估计;缺乏统计上明确的益处,也不等于证明未来所有可能的方法都会失败。
寻找愿意说明哪些内容仍属未知的服务提供商。明确的限制有助于你选择适当的依赖程度。用于安排日程的功能和用于提出会产生重要后果的健康建议的功能,不应要求同等程度的信任。
监管状态有明确的适用范围
欧洲关于医疗器械软件的指导意见重视预期用途。软件是否属于医疗器械监管范围,取决于其预期功能和适用标准。不应将 CE 标志理解为每项可选指导功能都能带来理想锻炼效果的证明。[10]
询问一项监管声明涵盖哪种功能及其预期用途。专业人士的背书、实验室资质和产品的受欢迎程度也分别回答不同的问题。任何一项都不应替代支持具体建议的证据。
消费者 DNA 检测究竟测量什么
消费者基因检测通常从唾液样本或口腔拭子开始,随后进行实验室分析并生成报告。这一流程的便利性不应掩盖更重要的问题:检测了什么、准确程度如何,以及结果能够支持什么结论。[11]
检测可能只会检查选定的变异
单核苷酸多态性(SNP)是 DNA 某个特定位置上的一种变异。许多消费者检测会使用检测特定位置的基因芯片。有些服务使用测序,且方法各不相同。检测选定的变异,并不等同于读取和解读某个人基因组中所有相关的部分。[12]
请询问实验室采用哪种方法,以及哪些结果是直接测量的。如果某项服务根据测得的变异推断出其他变异,请询问这种推断经过了怎样的验证。报告的位置数量很多,本身并不能证明健身建议有用。
关于质量的三个不同问题
遗传检测评估会区分分析有效性、临床有效性和临床实用性。在临床检测中,这些术语分别涉及测量、与某种状况的关系以及对照护的实用性。同样的区分也有助于揭示健身声明中的漏洞。[13]
| 问题 | 含义 | 健身领域示例 |
|---|---|---|
| 分析有效性 | 该检测能否准确识别相关的遗传变异? | 实验室能够正确报告样本中存在哪种变异。 |
| 临床有效性或预测相关性 | 在适当的人群中,该结果与所声称的特征或结果的相关程度如何? | 该变异能够有意义地预测公司声称可以预测的反应。 |
| 临床实用性或决策获益 | 使用该结果是否能改善重要的决策或结果? | 根据报告选择的方案比没有报告时选择合适的替代方案效果更好。 |
报告还包含另一层判断
实验室结果和建议可能来自不同的机构或方法。一项服务可能将某个结果标记为“力量潜能”;另一项服务则可能将其用于综合评分。这个标签是一种解读。请询问有哪些证据将测得的变异与这一确切结论联系起来。
消费者报告通常会给出概率,并且只会检测与某种特征或健康状况相关的部分变异。较低的报告风险不能排除所有相关原因,较高的报告风险也不能证明该结果一定会发生。[14]
即使底层测得的 DNA 结果保持不变,对结果的解读也可能发生变化。公司可能会更改算法或纳入新的研究成果。这种变化应解释为解读的修订,而不应被描述为你的生物学特征突然发生了改变。
购买检测前,先完成这句话:“如果结果与我的预期不同,我会改变这个决定。”然后询问证据是否支持这种改变。如果答案不明确,那么这份报告或许很有趣,但未必对你的预期目的有用。
解读常见的健身基因宣传
基因会影响身体特征,但运动表现涉及许多特征以及个人所处的实际环境。研究中的关联常被转化为更强的消费者标签:“天生短跑运动员”“耐力型”或“恢复能力差”。这些标签可能掩盖不确定性。
ACTN3:蛋白质差异不等于训练方案
ACTN3 为 α-辅肌动蛋白-3 提供指令;这种蛋白主要存在于快肌纤维中。R577X XX 基因型的人可能缺乏有功能的 α-辅肌动蛋白-3 蛋白;他们并不是简单地缺少 ACTN3 基因。与运动特征的关联并不能直接揭示某个人的肌纤维比例或理想训练项目。[15]
在精英运动员群体中出现得更频繁,并不等于对某项特定训练方案的反应更好。要证明某项方案值得推荐,相关问题是:与合适的替代方案相比,具有该结果的人是否能从这项方案中获益。
| 标记或标签 | 研究涉及的内容 | 该报告无法证明的内容 |
|---|---|---|
| ACTN3 | 功能性蛋白差异,以及与运动表现某些方面的关联。 | 固定的运动员类型、确切的肌纤维比例或理想重复次数范围。 |
| ACE | 一种参与生理调节的酶,其变异曾被研究是否与运动特征有关。[15] | 可靠地在力量训练和耐力训练方案之间进行选择。 |
| FTO | 常见变异与体质指数和肥胖风险的关联。[16] | 最适合该个体的热量目标或宏量营养素比例。 |
| MC4R 附近的变异 | 人群层面与脂肪量、体重和肥胖风险的关联。[17] | 根据健康标签作出的诊断,或证明必须采用某一种特定饮食。 |
| 常见的 MTHFR 变异 | 参与叶酸代谢的酶存在变异。 | 诊断为恢复能力差、需要大剂量补充剂,或无法利用叶酸。[18] |
为什么“基因并非命运”不是充分的限定语
一份报告可以承认环境因素的影响,同时仍然提出缺乏依据的建议。说某项结果只是整体情况的一部分,并不能证明它为整体情况提供了有用的信息。
2015年的一份体育共识认为,现有基因检测在人才识别或个体化训练方案制定中没有作用。这一历史性声明并不能解决未来每一项技术的问题,但它确实说明,当前的服务提供商需要直接且相关的证据,而不能仅凭基因会影响性状这一普遍事实。[19]
不要把标签变成限制
如果一份报告称你属于“耐力型”,这并不能证明你应放弃喜欢的活动,也不意味着力量训练无法帮助你。同样,“爆发力型”标签也不等于可以在没有适当准备的情况下尝试不熟悉的爆发性运动。
更有用的讨论应从你的目标、当前能力、指导需求以及对训练的反应开始。这些情况可以直接进行评估。遗传标签不应以提供者无法证实的预测取代这些信息。
准确看待补充剂
CDC 指南指出,携带常见 MTHFR 变异的人可以代谢叶酸,包括叶酸补充剂中的叶酸。这些变异并不是应避免叶酸的理由。[18] 如果一份报告建议服用补充剂,请询问它针对的是哪种临床或饮食需求,以及剂量是如何确定的。基因名称不是剂量指导。
营养研究实际上显示了什么
个性化营养可以依据普通但有价值的信息:当前的食物摄入、过敏情况、偏好、文化习惯、可支配资金、训练需求以及相关健康状况。加入遗传信息是另一种干预方式,其益处需要经过检验。
DIETFITS:检验遗传匹配假设
DIETFITS 随机试验对 609 名无糖尿病成年人进行了为期十二个月的随访,比较健康的低脂饮食和健康的低碳水化合物饮食。所测试的基因型模式无法识别出哪类人采用其中一种饮食方式会比另一种减轻更多体重。[20]
这一结果涉及所研究的特定匹配假设、参与者和结果。它并不能证明所有基因—饮食相互作用都无关紧要。但它确实说明,在把一个看似合理的遗传学解释当作可靠的饮食选择工具推销之前,为什么应先对其进行检验。
Food4Me:个性化建议有帮助,但没有额外的遗传学益处
为期六个月的 Food4Me 试验涉及来自七个欧洲国家的成年人。与传统建议相比,个性化建议改善了饮食行为的某些方面;但在所测试的策略中,加入表型信息以及随后加入遗传信息,并未进一步提高效果。[21]
这种实际区分很有用:建议可以因人而异且具有帮助,因为它回应了一个人实际吃什么以及能够做出哪些改变。并不是因为存在 DNA 检测结果,个性化建议的每一种形式才有价值。
遗传倾向不等于食物不耐受诊断
与乳糖酶持续存在相关的变异,涉及人在童年之后消化乳糖的能力。乳糖不耐受会引起症状,但并非所有乳糖吸收不良者都会出现症状。乳糖不耐受也不同于牛奶过敏。[22] 因此,仅凭遗传标签无法解释每一种消化症状,也无法确定一个人能耐受多少某种食物。
对于乳糜泻,HLA-DQ2 或 HLA-DQ8 可能与临床评估相关。缺少这两种标志会使该疾病的可能性非常低,但仅凭存在这两种标志并不能作出诊断。在进行有指征的诊断检测前开始无麸质饮食,可能会影响检测结果;请先与临床医生讨论检测流程。[23]
这些例子说明,所谓“食物敏感基因”是一个过于模糊的类别,不适合据此采取重大饮食限制。不同疾病涉及不同的机制和诊断路径。
人工智能无法消除饮食记录中的不确定性
一张餐食照片或不完整的饮食记录会遗漏部分信息。食物分量、配料、烹调方式以及未记录的餐食都可能改变解读结果。助手可以帮助整理记录或生成问题,但看似精确的营养素总量可能建立在多项假设之上。
不应根据这些假设诊断营养缺乏,也不应把偶然观察到的模式转化为确定的原因。例如,如果后来进餐减少且睡眠变差同时发生,工作安排、压力或其他情况也可能发生了变化。
合适的营养咨询应先明确需要解决什么问题,以及哪些证据可以帮助澄清问题。持续的消化道症状、非意愿性体重变化、进食量不足或担心营养缺乏,本身就值得接受评估。想要获得有用的营养支持,并不以购买基因检测附加项目为前提。
健康报告与临床遗传检测
健身报告和临床遗传学检查可能都涉及 DNA,但目的可能截然不同。临床检测可用于调查疑似遗传性疾病、明确相关家族史,或指导护理中的某个具体方面。
从临床问题入手
由医疗专业人员主导的检测包括选择合适的检测方法,并结合个人病史解读结果。消费者检测结果通常需要进一步的临床评估,而且往往需要确认性检测,之后才能用于诊断疾病或作出医疗决定。[11]
这并不意味着每一项消费者检测结果都是错误的。这意味着,有意义的健康决定需要合适的检测、正确的解读和充分的背景信息。健康报告可能从未检测过真正重要的变异或疾病。
如何处理令人担忧的结果
保留原始报告、实验室详细信息、报告中提供的确切变异信息以及分析日期。将这些资料带给合适的医疗专业人员或遗传学服务机构。询问该发现是否相关、是否需要确认,以及还需要哪些进一步信息。
不要仅仅因为自动报告使用了令人担忧的措辞,就擅自大幅调整药物、限制孩子的活动或停止锻炼。反过来,令人安心的健康评分也不应因为症状或家族史所提出的临床问题而停止进一步评估。
原始数据不是诊断
一些服务允许下载原始数据并进行第三方解读。新网站可以在同一个文件上附加更多标签,而无需采集新样本或确认基础结果。MedlinePlus建议同时评估这类解读服务的可信度和隐私保护做法。[14]
反复上传文件可能会增加不同解读,却无法解决哪一种解读正确这一问题。如果问题已经涉及医疗,下一步有用的做法是进行临床澄清,而不是继续积累自动生成的报告。
不应混淆常见变异与罕见疾病
与人群中小幅差异相关的常见变异,不能与在适当临床环境中解读的致病性变异混为一谈。即使两份报告提到同一个基因,它们涉及的也可能是不同的变异、证据和后果。
因此,绝不能把基因名称视为完整诊断。应准确询问发现了什么,以及什么结论是有依据的。你还可以询问哪些方面仍不确定,以及结果是否会改变当前的任何决定。
咨询包括知情选择
遗传信息可能引发关于生物学亲属以及超出最初健身兴趣范围的发现的问题。专业讨论有助于澄清拟议临床检测的范围,以及可能结果带来的影响。同时,也应让当事人有空间表达自己想知道什么以及原因。
对健身的好奇并不意味着某人有义务调查每一种可能的遗传风险。在同意之前,检测范围应当易于理解,并明确区分可选的健康信息与临床调查。
公平、可及性与个人自主权
一项技术可能对某些人效果良好,却对其他人效果不佳。即使计算准确,它也可能造成实际使用障碍。因此,评估创新包括询问谁能够使用它、谁在其开发过程中得到代表,以及谁控制由此产生的决策。
代表性会影响模型能够声称的内容
关于多基因风险评分的研究记录了与祖源及发现数据集中所代表人群相关的预测性能差异。一项重要的2019年分析强调了过度依赖欧洲祖源数据所带来的后果。[24]
这些发现并不是对当前每一项健身评分的数值表现估计。它们提示我们,应要求在相关人群中进行验证,而不是假定一项大型研究就自动代表所有人。
对于人工智能运动或指导系统,同样要询问评估是否纳入了具有相关年龄、训练经验、残疾和健康状况的人群。围绕竞技运动员开发的系统,在用于指导病后恢复运动的人时,可能需要不同的证据。
为年轻人保留机会
青少年体育项目应留出学习、享受不同活动并逐步发展的空间。面向消费者的 DNA 标签不应成为一道门槛,决定谁能获得指导、鼓励或加入球队的机会。
体育遗传学共识明确提出了人才识别这一问题。[19] 除了科学局限之外,对任何机构而言,一个有用的问题是:拒绝检测的孩子会遭遇什么。参与不应取决于是否交出不必要的遗传信息。
伪装成选择的通知压力
当提出信息请求的人掌控着就业、选拔或获得支持的机会时,当事人可能很难自由作出同意。欧洲数据保护委员会(EDPB)的指导意见指出,就业关系中的权力不平衡是基于同意进行处理时尤其需要关注的问题。[25]
教练或机构应能够解释为何需要这些信息、谁会看到这些信息,以及有哪些替代方案。“其他人都上传了他们的报告”并不能说明其必要性或益处。
考虑全部成本
服务的成本包括订阅费、兼容设备、录入数据所花的时间,以及解读提醒所需的精力。它还可能包括无障碍需求:字幕、易读文本、语言选项、易用的控件,或记录适应性活动的能力。
将这些总体负担与该工具旨在解决的问题进行比较。如果主要困难是找到方便进行锻炼的场所,那么详细的基因报告可能帮助不大。如果简单的提醒或共享记录已经能够满足需求,就应当有充分理由采用更高的复杂性。
良好的结果可以包括更大的信心、更清晰的选择和更少的事务性工作。如果一个系统让人对每顿饭都感到焦虑,或因为担心评分而不敢在没有许可的情况下活动,那么它可能正在背离采用该系统的初衷。
隐私、同意与数据的生命周期
健身服务可能会持有位置记录、训练历史、睡眠估算、照片和健康信息。加入基因文件会提高这类数据集合的敏感性。它还可能透露与生物学亲属有关的信息,因此影响可能超出创建账户的个人。
用通俗语言了解欧盟框架
根据《通用数据保护条例》(GDPR),遗传数据和健康数据属于特殊类别的个人数据。处理此类数据通常需要具备第6条规定的合法依据,以及第9条规定的适用条件。明确同意是一种可能的途径,但并非在所有情形下都是唯一途径。目的限制、数据最小化和适当保护仍然适用。[26]
加密有助于防止信息遭到某些形式的访问。但加密本身并不能证明处理目的合法、同意有效或数据匿名。既要询问数据如何受到保护,也要询问该机构获准如何使用这些数据。
不要止步于上传页面,继续查看相关信息
在分享基因文件之前,请先明确回答以下问题:
- 用途:所请求的功能需要这些数据中的哪些数据?我能否在不使用该功能的情况下使用这项服务?
- 接收方:哪些组织会接收样本、原始数据、衍生评分或报告?
- 其他用途:这些信息或样本是否会用于研究、广告、产品开发或模型训练?
- 保留期限:实体样本、账户记录和备份会保留多久?
- 控制权:我如何下载信息、更改可选权限、请求删除信息或关闭账户?
- 所有权变更:政策如何规定服务出售、合并或关闭时的处理方式?
这些是应向服务提供商提出的问题,并不是声称每项服务都会以所有这些方式使用数据。具体而简洁的回答,比笼统保证会认真保护隐私更有用。
了解撤回同意会带来哪些变化
如果数据处理依据的是同意,撤回同意并不会追溯性地使先前合法的数据处理变为违法。数据删除权也有相应条件和例外。不要以为关闭账户就能移除所有保留的副本,或撤销所有已经完成的使用。[25][26]
要求服务提供商区分以下情况:停止未来的可选用途、删除可识别记录、销毁存储的样本,以及处理已经生成的研究成果或模型。这些事项可能涉及不同的流程。如果说明不清楚,应在上传你无法从每个接收方那里真正取回的信息之前解决疑问。
选择最小必要披露
如果任务只是重新安排一周的训练计划,那么一份日程和一些限制条件可能就足够了。如果你希望教练讨论一份报告,那么分享相关结果,可能比将完整的原始遗传文件传输给无关的聊天服务更合适。
也要检查位置共享和公开个人资料。实用的私人训练记录不必变成公开的路线图。使用可用的账户保护措施,并移除不再有用的关联。
不要假定雇主或保险公司都遵循普遍适用的规则
对遗传信息的请求或使用所受的限制,取决于国家、目的和具体情况。一篇国际性文章无法确定某项具体就业或保险决策的法律地位。当后果很重要时,应寻求与相关司法管辖区有关的建议。
实际原则是在同意之前,先弄清楚信息如何流动。隐私是判断工具是否适合你的因素之一,与实用性和成本同样重要。
未来进展需要证明什么
人工智能和遗传学在技术上可以结合。仅凭这一点,并不能证明这种结合会改善健身决策。向复杂系统中加入一个较弱的预测指标,并不会使它变成有力的证据。
检验加入遗传数据的价值
一种有价值的研究比较应让一组使用普通个人信息和观察到的训练反应的系统,接受另一组条件相当、但还使用遗传数据的系统。研究人员随后应考察,额外数据带来的结果改善是否足以抵消其成本、负担和潜在危害。
这是一种拟议的评估方法,并不是声称每项此类试验都已经完成。它提出的是潜在用户实际面对的问题:增加这项检测能为我带来什么?
让不同类型的信息各司其职
已测得的遗传变异通常是稳定的,而可用时间、近期训练、疾病和其他情况都可能发生变化。未来的系统需要有充分依据说明每类信息如何影响建议。
除非所声称的测量及其解读得到独立论证,否则不应将遗传报告描述为测量了某人的当前乳酸阈值、蛋白质需求或恢复状态。“多模态”一词仅表示使用了多种信息;它不是准确性的证明。
值得研究的发展方向
更好的测量
在不同环境和用户中提供更可靠的运动分析,并在测量无法可信时明确说明不确定性。
更好的决策
将建议与有用的替代方案进行评估,并关注对参与者真正重要的结果。
更好的可及性
能够适应不同能力、语言和资源条件,同时只要求必要数据的工具。
这些是进步的方向,而不是对每个新产品已经具备这些能力的承诺。应根据每项任务和每类人群的证据来评判进展。
保护质疑和纠正的能力
设计完善的未来服务应解释其为何更改建议,记录相关的模型更新,允许更正不准确的输入,并提供升级处理问题的途径。它还应识别出自身缺乏足够信息、无法给出有用答案的情况。
用户和专业人士需要区分已记录的事实、估计值和拟议的行动。设计精良的对话式界面应当让这些区别更容易被看出来。
让成功具有实际意义
成功可能意味着,一个人能够更稳定地参与,更好地理解某个计划,需要更少的行政协助,或达到相关的表现目标。只有当人们在应用中花费更多时间服务于其自身目的时,这种增长才有意义。
因此,最有力的未来主张应当是一个具体的主张:某个明确的工具在明确说明的条件下,帮助某个明确的群体取得了有价值的结果,同时带来了可接受的缺点。这个主张不如普遍生物学蓝图那样引人注目,但对于决定该信任什么而言要有用得多。
实用决策框架
你不需要采用每一种新工具,也能持续了解健身相关知识。从一个问题开始,并据此评判拟议的服务。以下框架是一种原创的决策辅助工具,而不是经过验证的临床检查清单。
-
明确要作出的决定。
说明你希望获得哪方面的帮助:安排训练、查看记录、理解反馈,或调查健康问题。选择一个你能够识别的结果。
-
询问哪些信息是必要的。
列出可能改变决定的事实。在添加传感器或进行基因检测之前,考虑现有计划和观察结果是否已经能够处理这项任务。
-
让主张与证据相匹配。
寻找对相关功能、用户和结果进行评估的证据。询问比较对象是什么,以及哪些问题仍不确定。对于 DNA 附加服务,询问具体是遗传信息带来了什么益处。
-
检查控制权和实际适配性。
审查数据使用方式、费用、可及性、取消政策、人工支持,以及拒绝或纠正建议的能力。确保工具适合你的实际生活方式。
-
审查结果,然后再次作出决定。
对于适当的低风险用途,应评估工具是否解决了最初的问题。根据结果继续使用、简化或停止。健康方面的担忧需要通过相应的临床途径处理。
示例:问题在于日程安排
一名已有固定计划的人在工作时间发生变化时遇到了困难。他使用助手,将原已约定的训练安排到接下来一周的时间里,然后检查输出是否保留了相关指示。他只分享完成任务所需的日程信息。
审查问题很简单:计划是否变得更容易、更准确?DNA 检测需要有单独且明确合理的用途。它不会仅仅因为让个人档案更加详细,就解决日程安排问题。
示例:报告建议改练另一项运动
一名业余骑行者收到“力量导向型”标签,并开始考虑是否应停止较长距离的骑行。在改变活动之前,他向服务提供方询问:有什么研究表明,具有这一确切结果的人在遵循该建议时会取得更好的效果?
如果答案仅仅是与精英运动员存在关联,那么所提议的改变仍缺乏依据。当事人可以与教练讨论自己的实际目标和训练反应,而不必把这个标签视为必须履行的义务。
示例:仪表板与症状不一致
一名跑者的疼痛正在加重,而应用却报告称准备度很高。相关问题在于症状及其背景。反复测量直到出现不同的分数,并不能解决这个问题。适当的评估可以确定下一步该怎么做;不应由应用的颜色决定某项担忧是否值得关注。
记录哪些情况会让你决定继续使用该服务
开始前写下一句话:“如果它能帮助我___,且不会增加无法接受的负担,那么它就是有用的。”空白处可以填写更清晰的记录、更少的日程安排错误,或更方便地使用已商定的计划。
决定何时重新审视这一目的。这是一次可用性评估,而不是能够证明医疗有效性的家庭实验。不要仅仅为了检验产品的营销说法,就同时改变多项重要的健康行为。
你可能会得出这样的结论:简单工具已经足够,专业帮助更能解决问题,或者某项技术只值得用于有限的任务。每一种结论都可能是知情决策的合理结果。
常见问题
人工智能能制定有用的训练计划吗?
它可以生成计划,并帮助整理相关信息。计划是否适合,取决于个人、系统、可用信息以及审核质量。请检查训练动作、进阶安排、限制条件和前提假设。仅凭令人信服的解释,无法证明该计划适当。
我每记录一次训练,应用都会学习吗?
不一定。它可能会将固定模型或预先设定的规则应用于新信息。请询问底层模型是否会变化、什么会触发更新,以及更新后的版本如何评估。新的输出并不能证明系统在持续学习。
ACTN3 结果能告诉我该选择哪项运动吗?
它无法提供经过验证的指示,告诉你选择或放弃某项运动。与运动特征的关联不同于遵循特定建议能够改善结果的证据。做出选择时,请考虑你的兴趣、机会、当前能力以及训练经验。
实验室检测准确的 DNA 检测是否自动具有实用价值?
不应该。正确识别变异回答的是一个测量问题。它是否能预测相关结果,以及使用它是否能改善决策,则是另外的问题。请寻找支持该结果所附建议的证据。
MTHFR 结果是否应该改变我服用的补充剂?
单独存在的常见 MTHFR 变异并不等于补充剂处方,也不是避免叶酸的理由。请询问拟议补充剂要解决什么需求,以及该建议是否有适当的膳食或临床评估作为依据。
低遗传风险结果是否意味着我受到了保护?
消费者报告可能只会检查选定的变异,并提供概率估计。它无法排除导致问题的所有相关原因。即使健康报告看起来令人放心,也应根据症状或令人担忧的家族病史本身进行评估。
应用能预测并预防我下一次受伤吗?
这是两个不同的主张。预测模型需要经过适当评估,而据此采取的行动还需要有证据证明其有帮助。不要把评分当成确定结论,也不要用它来忽视疼痛和其他令人担忧的症状。
我应该将原始DNA数据上传到通用聊天机器人吗?
首先询问该文件需要完成什么有用任务,以及该服务是否适合处理这类信息。查看数据保留期限、其他用途和接收方。普通的规划任务可能只需要一份日程安排和几项限制条件。涉及重大后果的遗传解读应在适当的临床讨论中进行。
删除账户会移除我的数据的所有用途吗?
不应想当然地认为需要。询问样本保留、备份、接收方和已完成的用途,以及适用的删除条件。撤回同意和关闭账户都与数据控制有关,但其影响不一定完全相同。
我需要人工智能或基因检测来个性化健身吗?
不需要。个性化可以从目标、经验、偏好、可及性、健康需求和观察到的反应开始。当技术能够回答实际问题或减少实际困难时,再加入技术。收集更多信息本身并不会带来更好的结果。
资料来源与范围
本指南参考了原始研究、方法学框架、公共卫生信息和欧洲监管指南。传感器研究、关联研究和建议干预试验回答的是不同问题。研究发现仅限于所评估的方法、人群和结果。
本文纳入较早的研究,是因为它们阐明了持久存在的区别,例如预测某一结果与改善该结果之间的差异。不要将其解读为当前产品排名。2015年的运动遗传学共识被明确标为历史资料;如今的商业声明仍需各自具备相关证据。
规划示例、评估问题和五步框架均为原创教学示例。它们不是临床方案、诊断工具,也不是某一特定产品有效性的证明。本文不认可任何消费者服务,也不使用任何遗传结果来为个人开具锻炼或饮食方案。
资料核查日期:2026年9月6日。产品功能、证据和法律要求可能发生变化。链接来源及其范围说明有助于未来读者追溯本讨论的依据。
- Goldsack JC、Coravos A、Bakker JP 等。验证、分析验证与临床验证(V3):确定生物特征监测技术(BioMeTs)是否适合目标用途的基础。npj Digital Medicine。2020;3:55。一种将传感器性能、测量验证与临床相关性区分开的方法学框架。它并不验证任何单个产品。返回正文 ↑
- Autio C、Schwartz R、Dunietz J 等。人工智能风险管理框架:生成式人工智能概况。NIST AI 600-1。2024 年 7 月。关于生成式人工智能风险的官方跨行业指南,其中包括虚构生成。该文档并非关于运动结果的研究。返回正文 ↑
- Bent B、Goldstein BA、Kibbe WA、Dunn JP。探究可穿戴式光学心率传感器产生误差的来源。npj Digital Medicine(2020),3:18。53 名不同肤色类别的成年人参与研究;结果显示设备和活动会产生影响,且设备与肤色之间存在交互作用。总体上未发现具有显著统计学意义的肤色影响,并不能证明各种情况下都具有普遍等效性。返回正文 ↑
- Chinoy ED 等。七款消费类睡眠追踪设备与多导睡眠监测相比的性能。Sleep(2021),44(5):zsaa291。34 名健康年轻人在三个实验室夜晚参与研究;较早的可穿戴设备和非接触式设备在清醒状态检测和睡眠分期分类方面存在差异。返回正文 ↑
- Shcherbina A、Mattsson CM、Waggott D 等。多样化队列中腕戴式传感器心率和能量消耗测量的准确性。Journal of Personalized Medicine。2017;7(2):3。对七款设备进行的历史性比较,说明为什么必须分别评估心率和能量消耗的准确性。该研究不是当前产品排名。返回正文 ↑
- Uhlrich SD、Falisse A、Kidziński Ł 等。OpenCap:通过智能手机视频分析人体运动动力学。PLOS Computational Biology。2023;19(10):e1011462。对一套定义明确的多摄像头运动分析系统进行了验证和应用。研究结果不会自动适用于单摄像头消费类应用或所有临床人群。返回正文 ↑
- Wu H、Brooke-Wavell K、Barnes MR等。使用机器学习对跑步相关损伤进行多学科预测。npj Digital Medicine。2026;9:213。使用对142名竞技耐力跑者进行为期12个月的前瞻性监测开展预测建模。没有独立队列外部验证,也没有评估基于模型反馈能否减少损伤的试验。返回正文 ↑
- Van Calster B、McLernon DJ、van Smeden M、Wynants L、Steyerberg EW;STRATOS倡议。校准:预测分析的阿喀琉斯之踵。BMC Medicine。2019;17:230。对概率校准的方法学解释。文章中的假设性预测示例为原创内容,并非来自该论文的数据。返回正文 ↑
- Kapoor S、Narayanan A。基于机器学习的科学中的数据泄漏与可重复性危机。Patterns。2023;4(9):100804。研究跨领域考察数据泄漏和可重复性。本指南中的训练日志示例用于说明这一普遍问题。返回正文 ↑
- 医疗器械协调小组。关于根据法规(EU)2017/745(MDR)和法规(EU)2017/746(IVDR)对软件进行资质认定和分类的指南。MDCG 2019-11第1次修订;2025年6月。欧洲指南,解释预期用途在软件资质认定和分类中的作用。本指南不取代适用法律。返回正文 ↑
- MedlinePlus Genetics,美国国家医学图书馆。什么是直接面向消费者的基因检测?。更新于2026年6月2日。解释消费者检测和临床检测途径;涉及重大后果的健康决策可能需要确认性检测。返回正文 ↑
- 国家人类基因组研究所。面向医疗专业人员的直接面向消费者基因检测常见问题。医疗服务提供者教育;访问于2026年9月6日。解释SNP芯片、检测范围和临床解读。检测方法各不相同;这并非当前消费者服务目录。返回正文 ↑
- MedlinePlus 遗传学,美国国家医学图书馆。我如何确定基因检测有效且有用?。公共遗传学教育资料;访问于 2026 年 9 月 6 日。区分分析有效性、临床有效性和临床实用性。正文中的健身示例运用了这一分类。返回正文 ↑
- MedlinePlus 遗传学,美国国家医学图书馆。直接面向消费者的基因检测结果意味着什么?。公共遗传学教育资料;访问于 2026 年 9 月 6 日。介绍概率性结果、变异覆盖不完整以及第三方对原始数据的解读。返回正文 ↑
- MedlinePlus 遗传学,美国国家医学图书馆。运动表现由遗传因素决定吗?。公共遗传学教育资料;访问于 2026 年 9 月 6 日。解释遗传因素和环境因素的影响。关联并不能确定个人的训练方案。返回正文 ↑
- Frayling TM、Timpson NJ、Weedon MN 等。FTO 基因中的一种常见变异与体重指数相关,并增加儿童期和成年期肥胖的倾向。《科学》。2007;316(5826):889–894;doi:10.1126/science.1141634。这是群体关联研究,而非针对基因型匹配的宏量营养素建议进行的试验。返回正文 ↑
- Loos RJF、Lindgren CM、Li S 等。MC4R 附近的常见变异与脂肪量、体重及肥胖风险相关。《自然·遗传学》。2008;40:768–775;doi:10.1038/ng.140。群体关联并不能确定适合个人的理想饮食,也不等同于临床诊断。返回正文 ↑
- 疾病控制与预防中心。MTHFR 基因变异与叶酸事实。更新于 2026 年 7 月 16 日。常见的 MTHFR 变异不会妨碍使用叶酸。本指南不规定补充剂剂量。返回正文 ↑
- Webborn N、Williams A、McNamee M等。用于预测运动表现和识别人才的消费者基因检测:共识声明。《英国运动医学杂志》,2015年;49(23):1486–1491;doi:10.1136/bjsports-2015-095343。这份历史性运动共识反对将其用于人才识别和个人训练处方。如今的产品仍需为其声称提供直接证据。返回正文 ↑
- Gardner CD、Trepanowski JF、Del Gobbo LC等。低脂饮食与低碳水化合物饮食对12个月体重减轻的影响:DIETFITS随机临床试验。《美国医学会杂志》,2018年;319:667–679;doi:10.1001/jama.2018.0245。这是一项针对609名无糖尿病成年人的随机试验。标题有所缩短;研究结果涉及所测试的遗传匹配方法及体重结局。返回正文 ↑
- Celis-Morales C、Livingstone KM、Marsaux CFM等。个性化营养对健康相关行为改变的影响:来自Food4Me欧洲随机对照试验的证据。《国际流行病学杂志》,2017年;46:578–588;doi:10.1093/ije/dyw186。为期六个月的欧洲随机试验。加入表型和遗传信息并未提高建议的有效性;尚未确立其对长期疾病预防的作用。返回正文 ↑
- 美国国立糖尿病、消化及肾脏疾病研究所。乳糖不耐受的定义与事实。患者信息;2018年2月审核。区分乳糖吸收不良、有症状的不耐受和牛奶过敏。返回正文 ↑
- 美国国立糖尿病、消化及肾脏疾病研究所。乳糜泻的诊断。患者信息;2020年10月审核。DQ2/DQ8检测结果在临床评估中的作用有限。仅凭阳性遗传学结果不能诊断乳糜泻。返回正文 ↑
- Martin AR、Kanai M、Kamatani Y等。当前多基因风险评分的临床应用可能加剧健康差距。《自然·遗传学》2019年;51:584–591;doi:10.1038/s41588-019-0379-x。对与祖源相关的多基因预测差异进行分析。历史研究结果表明存在验证方面的担忧,但并不代表对当前每一种评分的性能估计。返回正文 ↑
- 欧洲数据保护委员会。关于《条例2016/679》项下同意的05/2020号指南。2020年5月4日通过;1.1版,2020年5月13日。关于自由作出同意的指导,包括劳动关系中的不平等;这并不意味着每一项工作场所健身计划都属违法。返回正文 ↑
- 欧洲议会和欧盟理事会。条例(EU)2016/679:通用数据保护条例。条例于2016年4月27日通过;第5、6、9和17条。欧盟法律框架。本文解释了部分原则;法律权利和例外情况取决于具体情形及适用的国家规定。返回正文 ↑