活动记录不再只看总量：按疾病富集找局部模式，高血压与糖尿病各分出两种表型
核心概要
可穿戴加速度计能连续记录全天活动，但常规汇总指标和面向全人群的聚类可能漏掉与疾病相关的行为差异。LocPA 先按年龄、性别和体重指数校正活动曲线，再在相似性网络上做局部疾病富集检验，把富集邻域归并为活动模式。在英国生物银行 24 小时加速度数据中，六种疾病反复出现低活动与睡眠紊乱两种表型；高血压和糖尿病中，睡眠紊乱组的疾病负担更高，而平均加速度与中高强度活动时间未呈现同样的排序。
深度剖析
全天活动记录的分析单位从“整群人的平均活动量”换成了“相似活动曲线上的局部邻域”，疾病信息直接参与模式发现。 此前的做法先用 k-means、层次聚类或潜剖面分析按活动曲线把人群分段，再检验各段与疾病的关联，因此分出的组主要反映人群中最大的变异来源。 在英国生物银行高血压分析中，1,212 个代表种子邻域覆盖全部 80,532 名参与者，其中 67 个邻域的患病率显著高于邻域外人群，随后被归并为 25 个和 42 个种子的两组。
做法是先去掉年龄、性别和体重指数带来的活动差异，再在相似性网络上逐点问“这一小片人里患病的是不是偏多”。 校正用广义相加模型拟合每个人按小时的活动期望值，残差为零表示与同龄、同性别、同体重指数者在同一时刻的预期活动相当。 残差曲线之间按欧氏距离取最近邻建网，用贪心集合覆盖挑出代表种子，每个邻域内用逻辑回归或 Cox 回归检验富集，并以加权 Benjamini–Hochberg 程序控制多重检验。
同一疾病可以对应不止一种活动模式，两种模式在临床指标上分出了层次。 高血压中睡眠紊乱组患病率 45.4%，高于低活动组的 39.6%，收缩压与舒张压也更高；糖尿病中两组患病率分别为 10.6% 与 8.7%，睡眠紊乱组糖化血红蛋白更高。 在高血压和糖尿病中，平均加速度与中高强度活动时间占比并未随对照组、低活动组、睡眠紊乱组的顺序单调变化。
两种模式在独立队列中重现，但时间细节并不完全一致。 NHANES 加速度子研究样本更小，分析采用探索性显著性阈值，并额外校正族裔。 高血压的低活动与睡眠紊乱模式跨队列相关系数分别为 0.771 和 0.598，糖尿病分别为 0.753 和 0.965。
启示与展望
分析对象是英国生物银行与 NHANES 的 24 小时加速度记录，模式以按小时平均的活动强度表示，疾病状态来自登记记录或自报；结论限于观察性关联，不涉及因果。
统计功效取决于队列规模、疾病患病率或发病率以及局部邻域内的病例数，罕见病或随访较短的事件分析可能漏检；最近邻数、邻域重叠阈值和 Louvain 分辨率等超参数会影响邻域构成与模式粒度，最优设置可能随队列与活动表示而变；观察性设计无法区分行为风险因素与疾病后果，残余混杂可能仍存在。