健身问卷能像CPET一样预测死亡率吗？

一份问卷可以出人意料地有效地将人群划分为不同的死亡风险组。因此，在无法进行运动测试时，估算心肺适能（eCRF）很有用。但这并不意味着问卷可以与直接测量的体适能互换。

这一区别很重要，因为 eCRF 公式通常结合年龄、体重指数（BMI）、静息心率和自我报告的活动量。这些变量本身就能预测死亡率。因此，eCRF 评分回答的是一个混合问题：鉴于此人的人口统计学特征、习惯和基本生理状况，其体适能可能看起来如何？最大运动测试提出的问题则更为狭窄：此人实际上能够完成多少有氧运动负荷？

对于筛查人群或获得粗略基线，这种捷径有其价值。但若要判断训练是否提高了 VO2max、评估个体临床阈值，或解读老年人或服用 β 受体阻滞剂者的评分，这种捷径可能会变成一张模糊的地图。

无论研究人员如何评估，体适能都可预测死亡率

心肺适能（CRF）通常以代谢当量（MET）表示，与生存之间存在一致的观察性关联。在 Laukkanen 等人一项更新于 2022 年的荟萃分析中，37 个队列纳入了 2,258,029 名参与者和 108,613 例全因死亡。CRF 来自直接心肺运动测试或最大运动测试。CRF 每提高 1 MET，与全因死亡风险降低 11% 相关（风险比 0.89；95% 置信区间 0.86 至 0.92）。CRF 最高三分位组与最低三分位组相比的风险比为 0.55（95% CI 0.50 至 0.61）。

这些是关联，而非证明将体适能提高 1 MET 会使任何一个人的死亡风险恰好降低 11%。健康状况更好的人可能在运动测试无法完全捕捉的方面存在差异。尽管如此，这种一致性和梯度关系使 CRF 成为预防医学中较具信息价值的指标之一。

Singh 等人一项2025 年系统综述和荟萃分析比较了 42 项研究、35 个队列和 380 万次观察中的直接和估算 CRF 方法。其中包括直接测量、基于运动的估算和非运动估算。每个层级均显示与全因死亡和心血管死亡存在具有统计学显著性的梯度关联。两两比较发现各层级之间存在可测量的差异，但非运动估算仍保留了具有意义的人群水平预后价值。

这就是对候诊室问题的实际回答：估算值并不会仅仅因为它是估算值而毫无价值。它可能识别出那些可从更仔细评估身体活动、症状、血压、代谢健康和正式运动测试中获益的人。

为何 eCRF 在纸面上可能看起来优于测量的体适能

与死亡率的关联更大，并不一定意味着体适能测量更好。在 Qiu 等人一项2021 年荟萃分析中，8 个包含超过 170,000 名参与者的队列显示，非运动 eCRF 每提高 1 MET，与较低的心血管死亡率相关（风险比 0.83；95% CI 0.80 至 0.86），也与较低的全因死亡率相关（风险比 0.83；95% CI 0.78 至 0.88）。这相当于每 MET 相对风险比降低 17%，在数值上大于直接测试荟萃分析中的 11% 关联。

合理的解释是构建性混杂。年龄、BMI、静息心率和身体活动既是许多 eCRF 方程的组成部分，也与死亡风险相关。因此，该评分可以很好地预测死亡率，部分原因是其组成要素本身已包含死亡率信息。它是一个有用的风险评分，但并非有氧能力的纯生理读数。

Qiu 等人发现，eCRF 对死亡率的区分能力优于活动量、静息心率或 BMI 等任一单独组成部分。作者将其区分能力描述为略低于运动测试的 CRF，但在可获得的摘要中未报告具体的 AUC 或 C 统计量数值。这个缺失的数字使人们无法明确说明损失了多少个体层面的区分能力。

一个队列显示了群体预测与个人精确性之间的差距

Myers 等人一项2022 年研究在同一临床转诊队列中检验了这一问题。这项回顾性单中心研究随访了 1,545 名接受运动测试的人；其平均年龄为 60 ± 13 岁。研究人员比较了跑步机测得的 CRF 与基于退伍军人特异性活动问卷（VSAQ）、症状和临床变量的估算值。

在群体层面，结果看起来非常相似。估算和测得的平均 CRF 分别为 8.7 ± 4.7 和 8.6 ± 5.0 MET（p=0.27）。使用估算 CRF 时，最高与最低体适能组相比，死亡风险低 87%；使用测得 CRF 时，则低 88%。测得的 CRF 每提高 1 MET 与死亡风险比降低约 19% 相关（风险比约为 0.81），而 VSAQ 估算的 CRF 每提高 1 MET 与风险比降低约 26% 相关（风险比约为 0.74）。

然而，个体层面的吻合并不完美：VSAQ 与跑步机 CRF 的复相关系数为 R=0.67（p<0.001）。这解释了测得 CRF 变异的约 45%，为个体估算偏离真实值留下了很大空间。该论文未报告估算标准误，因此读者不应将问卷评分视为具有实验室级精确度的实验室数值。

这就是为什么一项评分可以很好地分层群体，同时仍会错误分类处于决策边界附近的特定个体。风险工具可以有用，而不必成为个人神谕。大多数健康技术最终都会学到这一课；电子表格往往最后才学会。

低体适能端可能最重要

直接测得的 CRF 与死亡率呈曲线关系：最大的风险差异出现在体适能范围的较低端，随后随着 CRF 升高往往趋于平缓。Singh 等人以及更广泛的直接测量证据描述了这一模式，尽管现有报告未说明曲线在哪一数值 MET 阈值处改变形状。

Qiu 等人报告，非运动 eCRF 与死亡率之间存在呈线性的剂量-反应关系。这两种模式可能不同，是因为 eCRF 将多个预测因素压缩为一个评分，并平滑了最低体适能范围。这带来了一个实际担忧：若一种估算方法将真正体能下降的人归入中等类别，可能会掩盖曲线上识别低体适能最重要的部分。证据并未确定这种情况发生的频率，也未确定精确截断值，因此这仍是需要谨慎的理由，而非一条量化的临床规则。

哪些人应尤其谨慎对待非运动估算？

年龄和临床背景限制了 eCRF 方程可以被多么有把握地外推。一项 Schumacher 等人的2024 年研究为老年人开发了机器学习非运动 VO2max 预测模型，因为几乎没有现有的非运动方程是为该人群设计或验证的。60 岁或 65 岁以上的成年人承受最高的绝对死亡风险，但他们在常用方程中处于一个重大的验证缺口。

药物也可能扭曲估算值。许多非运动公式使用静息心率；β 受体阻滞剂会独立于体适能而降低静息心率。现有研究未量化由此产生的误差，但偏倚方向是一个显而易见的药理学问题：药物引起的较低心率会使 eCRF 评分看起来优于真实运动能力。

大型 Singh 综合分析还排除了基线时患有既存慢性疾病的人。因此，其广泛比较并不能自动确定其在高血压、2 型糖尿病或心血管疾病患者中的表现。Peterman 等人一项2023 年研究检验了心血管疾病患者中的多种 CRF 估算方法，但现有公开信息未提供足够完整的结果，无法在此量化其四种方法的比较。

根据决策选择工具

• 将 eCRF 用于基线认识和广泛筛查。它对死亡率的预测优于任何一个输入变量，并可提示需要更多关注体适能和心血管代谢风险。
• 当个体数值将推动高风险决策时，使用直接运动测试。例如术前评估、心脏康复阈值、不明原因的运动不耐受，或取决于狭窄体适能类别的临床决策。
• 当精确性重要时，使用直接测量来追踪训练。Kokkinos 等人一项2023 年 JACC 研究发现，在有和无心血管疾病的人群中，直接测得的 CRF 随时间的变化可独立于基线体适能预测生存。基于问卷的估算会加入不断变化的自我报告活动量和静息心率输入，使小幅个人变化难以解读。
• 60 岁后以及服用改变心率药物时，应额外保持怀疑。在将结果视为测量值之前，询问该方程是否确实已在与你相似的人群中得到验证。

将估算 CRF 评分用作有用的风险筛查工具，而不是将评分变化视为源于有氧能力变化的证据。

广泛证据支持通过你能够获得的任何可信方法了解自己的 CRF。直接测试提供最清晰的生理学答案；eCRF 则提供一种更便宜、更易获得的风险估算，其中已融入人口统计学和行为信息。正确的选择取决于你需要的是人群层面的信号，还是关于自身体适能的精确答案。