功能性动作筛查预测运动损伤的可行性——一项前瞻性队列研究的meta分析

束 拉，陈国壮

（上海交通大学体育系，上海 201100）

运动损伤经常出现在体育运动特别是大运动量、高强度及低水平有氧运动中［1］，易受影响的群体包括不同项目（足球、橄榄球、篮球等）的运动员［2-5］。由于与运动相关的伤害经常发生，预测伤害的形成可能会对伤害发生的频率和相关成本造成影响［6-7］。许多学科的研究人员投入时间和精力记录运动损伤的过程，分析特定伤害的危险因素［8-9］，确定最容易遭受伤害的人群［10］，并制定应对风险的干预措施［11］。功能性动作筛查（functional movement screen，FMS）是一种筛选测试，其目的是识别运动中的动作能力缺陷，这些缺陷可能会导致健康的人在运动中更易受伤［12-15］。FMS由7项运动任务和3项额外的排除测试组成，使用标准化的视觉观察体系进行评估［16-17］，在临床中得到了广泛的应用、研究与关注［16-19］。

FMS是一种评估运动链中运动补偿的工具。在确定特定类型的运动模式后，FMS被用于描述这些感知补偿的练习［13］。由于其易用性和客观性，FMS的使用范围已扩大到多种体育模式［20］及军事环境［21-22］。针对缺乏其他评估方法的群体FMS的应用很有吸引力。FMS评估的主要目标是检测运动模式的变化，以指导个体采取有针对性的预防措施［12］。然而，FMS评估也有主观性缺点，关于正常运动模式的概念目前也未达成共识［20-23］，且运动员的性别、年龄、运动项目等也应在运动损伤预测中被考虑。

此外，关于FMS作为运动损伤筛查手段在信度和效度方面的后续研究存在不同结果［24-30］。检索发现，国外共有4篇关于FMS预测运动损伤价值的meta分析论文［19，31-33］：Bonazza等［19］的研究结论支持FMS对损伤有预测价值。Bunn等［33］认为，通过FMS被归类为高风险的个体受伤的概率较被归类为低风险的个体高51%，但证据水平非常低。然而，Dorrel等［31］的研究结论与之不同，认为FMS预测损伤的诊断准确度较低。Moran等［32］也认为，FMS综合评分与后续损伤之间的相关性并不支持其可作为损伤预测工具。目前，国内还没有已发表的关于FMS预测运动损伤价值的meta分析研究成果。

在meta分析中，文献的纳入标准决定了纳入文献的数量、种类和质量，在对同一问题进行分析时，纳入不同类型的文献将会对结论产生很大影响。本文与以上4篇meta分析论文［19，31-33］相比，纳入文献标准有2个优势：①纳入文献的科学性更强。与横断面研究相比，前瞻性队列研究是提升FMS预测运动损伤准确性更有利的研究方法，而本文纳入的文献都是前瞻性队列研究。②纳入文献的范围更广。作为一篇综述类论文，纳入文献的广泛性和全面性直接影响文献的科学性和实效性，而本文无论是文献检索的时间范围还是检索的数据库范围都更加广泛。在上述4篇关于FMS预测运动损伤价值的meta分析论文中，研究方法均不是诊断实验系统评价的方法流程，且结论不一致，而本文采取了不同的文献纳入标准，研究价值可能更高。

1 研究方法

1.1 文献检索策略

以循证医学Cochrane协作网中制定的临床检索方法与检索策略为依据［34］24-49，在中国知网（CNKI）、万方数据知识服务平台、维普网、中国科学引文索引数据库进行中文文献检索，在PubMed、Google Scholar、Scopus（ 包 含ScienceDirect和Embase）、EBSCOhos（包含Academic Search Complete、AMED、CINAHL、Health Source和SPORTDiscus）和Cochrane Review数据库进行英文文献检索，检索时间范围为2006年1月1日至2019年4月30日。

在CNKI数据库中，以“主题（功能性动作筛查）并且主题（运动损伤）”或“主题（功能动作测试）并且主题（运动损伤）”或“主题（FMS）并且主题（运动损伤）”为检索式进行高级检索，共检索出文献223篇。

在万方数据知识服务平台数据库中，共检索出文献232篇（检索式同CNKI）。

在中国科学引文索引数据库中，共检索出文献3篇（检索式同CNKI）。

在维普网数据库中，以（M=功能性动作筛查OR功能动作测试OR FMS）AND（M=运动损伤）为检索式进行高级检索，共检索出文献30篇。

在EBSCOhos数据库中，以摘要（“FMS”OR“Functional Movement Screen”）AND（Predict OR Prediction）AND（Injury）为检索式进行检索，共检索出文献89篇。

在Scopus数据库中，以（TITLE-ABS（FMS）OR TITLE-ABS（Functional Movement Screen））AND（TITLE-ABS（injury predict）ORTITLE-ABS（predictive value）ORTITLE-ABS（injury predictivevalue））为检索式进行高级检索，共检索出文献258篇。

在PubMed数据库中，以（“Functional Movement Screen”［Title/Abstract］OR“FMS”［Title/Abstract］）AND （ “Injury Predict*”［Title/Abstract］OR“Predictive Value”［Title/Abstract］OR “Injury Predictive Value”［Title/Abstract］）为检索式进行高级检索，共检索出文献91篇。

在Cochrane Review数据库中，以Title-abstractkeyword（FMS）and（Title-abstract-keyword（injury）or Title-abstract-keyword（predict））为检索式进行高级检索，共检索出文献56篇。

在Google Scholar数 据 库 中 ，以Title（FMS）AND Title（injury）为检索式进行检索，共检索出文献52篇。

1.2 文献纳入标准

①在同行评议期刊上发表的中英文文献。②前瞻性队列研究文献。③FMS综合得分被用于定义损伤风险。④能推算出或2×2列表中直接给出真阳性数、假阳性数、真阴性数、假阴性数数据的文献。最后对符合纳入标准的文献的参考文献进行手工筛查，以确保未遗漏其他相关文献。

1.3 文献筛选及数据提取

1.3.1 文献筛选

首先按照文献检索策略的步骤在各数据库中检索文献，并对文献进行收集整理；然后按上述纳入标准对文献的标题、摘要、关键词进行初步筛查，对每一项相关研究进行审查和评估，使用制定的纳入标准进行定性和定量分析；最后对筛选的文献进行定性和定量分析。文献的选择是无盲的，所有确定的文献都被详细阅读和审查，以验证纳入标准。

1.3.2 数据提取

对所纳入的文献进行数据提取和录入，包括第一作者、发表年份、研究对象、性别、年龄、样本量、失访人数、观察周期、损伤风险阈值、受伤类型及真阳性数、假阳性数、真阴性数、假阴性数等。

1.4 质量评价

在系统评价中评估单个样本的方法学质量是提高“实现有效结果”可能性的关键过程。目前关于方法学质量的评估没有金标准。虽然Cochrane协作网的诊断实验系统推荐采用诊断准确性研究的质量评价（quality assessment of diagnostic accuracy studies，QUADAS）清单评价诊断实验的方法学质量［34］73-74，但在Cochrane诊断测试准确性系统评价手册中了解到QUADAS清单主要针对横断面研究，本文纳入文献均为前瞻性队列研究，因此选择Q-Coh（队列研究质量评价）对选定研究的方法学质量进行评估。Q-Coh是一种具有“可接受”有效性和可靠性的工具，专门用于评估前瞻性队列研究中的偏倚风险［35］。当没有或只有1个域的评价是负面时，认为整体质量较高；如果有2个域的评价是负面时，认为整体质量可接受；如果有2个以上域的评价是负面的，则认为总体质量较低。

1.5 统计学分析

所有纳入研究的特征均由2位作者提取。本文用2×2列表整理测试结果的阳性或阴性数据。为了直观地评估不同研究间的特异度，使用STATA 15.0软件中的MIDAS模块制作森林图呈现结果，并使用95%置信区间（95%confidence interval，95%CI）的汇总受试者操作特征（summary receiver operating characteristic，sROC）曲线的曲线下面积（area under curve，AUC）反映诊断结果的准确性。此外，本文还通过生成Fagan列线图，检测验前概率和验后概率的差异，其中，验前概率为目标情况的发生率，验后概率=似然比率×概率［/（1－验前概率）×（1－似然比率）］。森林图中统计学异质性的评估使用χ2检验（P<0.1为显著，P<0.01为绝对显著），用I2衡量异质性大小。

进行敏感性分析以确定meta分析的稳定性，并探讨灵敏度和特异度潜在异质性的来源。以性别（男或女）、样本量（≥100或<100）、研究对象（军人或运动员）、观察周期（≥1 a/1赛季或<1 a/1赛季）、损伤风险阈值（是否为14分）、文章质量（高质量、可接受或低质量）为95%CI的协变量进行单因素meta回归分析。

2 研究结果

2.1 纳入文献情况

在所选的4个中文、5个英文数据库中共检索到相关文献1 034篇，其中英文文献546篇、中文文献488篇。通过阅读摘要和标题排除文献865篇，通过全文阅读排除文献135篇，排除重复文献13篇，最终纳入文献21篇，包括中文文献3篇、英文文献18篇。文献纳入流程见图1。

图1 文献纳入流程Figure 1 Schematic diagram of the literature inclusion process

2.2 纳入文献基本特征

本文共纳入21篇中英文文献（表1），共涉及5 963名参与者，其中：Tee等［36］的研究中62名受试者共接受测试90次，存在重复测试的现象；其他文献受试者均只接受过1次测试。研究对象为各种运动项目的运动员或军人；年龄为13～57岁，主要集中在18～25岁；由于运动员和军人的职业特性，受试者以男性为主；研究周期均在1 a以内；受伤的定义在不同文献、不同运动项目、不同人群中各不相同，大致分为创伤性损伤、非创伤性损伤、过度使用损伤、骨骼肌肉损伤和严重损伤。

表1 纳入文献特征Table 1 Characteristics of included literatures

续表1

2.3 纳入文献质量评价结果

2名作者分别使用Q-Coh中的7个阈共26项（另加5个初始项目）进行文献质量评价，对产生分歧的阈交由另1名作者进行评判，得出最终的文献质量评判结果（表2）。

表2 队列研究质量评价Table 2 Quality evaluation form for cohort studies

2.4 meta分析结果

2.4.1 诊断准确性分析

森林图（图2）显示了纳入文献的FMS对运动损伤诊断的灵敏度和特异度。森林图的异质性以Q检验确定，以P＜0.1表明异质性较为明显。共纳入21篇文献的27组数据，其中灵敏度和特异度Q检验的P<0.01，表明均存在一定的异质性，灵敏度的合并效应值为0.40（95%CI 0.32～0.48），特异度的合并效应值为0.80（95%CI 0.74～0.85）。图3中FMS的Fagan列线图左侧是验前概率，右侧是验后概率。结果表明，正、负概率比的汇总预测试概率为50%，得出的正、负测试概率分别为67%和43%。除此之外，还绘制了sROC曲线并计算了纳入研究的AUC值（图4）。sROC曲线的纵轴表示灵敏度（真阳性率），横轴表示假阳性率（1－特异度），变化界限值时两者的变化成一曲线。AUC值越大诊断准确度越高，0.7>AUC值＞0.5表示准确度较低，AUC值为0.7～0.9表示准确度一般，AUC值＞0.9表示准确度较高。AUC值=0.5时说明诊断方法完全不起作用，即无诊断价值。本文的AUC值为0.68（95%CI 0.63～0.72），说明诊断准确度较低。

图3 FMS用于损伤风险评价的meta分析Fagan列线Figure 3 Fagan nomogram of the diagnosis of FMS for injury risk prediction

图4 FMS预测损伤风险的sROC曲线Figure 4 sROC curve of FMSpredicting risk of injury

2.4.2 异质性来源分析

由于FMS的灵敏度和特异度的汇总结果之间存在显著异质性（图2），对灵敏度进行亚组分析。对纳入研究的可能影响异质性的因素（文献类型、研究对象、性别、样本量、观察周期、损伤风险阈值、文献质量）进行单因素meta回归分析，结果如图5所示。对于灵敏度，文献类型和损伤风险阈值可能是异质性来源（P＜0.05）；对于特异度，样本量、观察周期、文献质量、研究对象可能是异质性来源（P＜0.05）。

图2 FMS用于损伤风险评价的meta分析Figure 2 Meta-analysis of the diagnosis of FMSfor injury risk prediction

图5 单因素meta回归的亚组分析Figure 5 Subgroup analysisdiagram of univariate meta-regression

2.4.3 发表偏倚

Deeks’漏斗图不对称试验评估结果（图6）显示，纳入21篇文献的P=0.06＜0.1，说明可能存在发表偏倚或其他影响因素。

图6 评估文献发表偏倚的Deeks’漏斗图Figure 6 Deeks'funnel plot to estimate the presence of publication bias

3 讨论

近年来，伴随着运动竞赛对抗性的日益增加及业余健身活动的普及，运动损伤发生率也在不断提高。在不断探索基于运动表现或运动能力预测运动损伤的方法及模式时，FMS作为一种测试工具受到了业界的广泛关注，但其对运动损伤预测的有效性一直饱受争议，至今学术界尚未赋予该工具一个明确的定位。这种状况不仅与FMS自身的特点有关，还与不同研究者的研究方法及视角紧密相关。因此，对FMS高质量研究成果进行严谨分析，归纳其共同点意义重大。本文作为一篇系统综述，在研究方法上弥补了前人研究的不足；在文献的纳入方面选择前瞻性队列研究，更契合FMS的预测性特征。本文丰富了FMS预测运动损伤的价值理论，进一步归纳了FMS对运动损伤的预测效果，深入探讨了FMS的价值，为现实中运动损伤的诊断和预防手段的选取提供了参考。本文与前人研究相比纳入了中文文献，所以研究结果更贴近FMS在我国运用的现实状况，可为我国运动员运动损伤的诊断和预防提供参考。

在本文中，FMS提供了较高特异度（0.80）和较低灵敏度（0.40），这说明FMS高得分者发生运动损伤的概率较小，但低得分者拥有高运动损伤风险并未得到很好的证明。这间接说明FMS是一项动作模式的检测，运动损伤的产生除了动作模式外还与关节灵活性、力量、柔韧性、环境、场地、运动装备等有关。运动损伤的产生是多因素综合作用的结果，这是FMS整体灵敏度较低的主要原因。在sROC曲线中，AUC值为0.68，说明FMS的整体预测准确度偏低。正、负概率比的汇总预测试概率为50%，得出的正、负测试概率分别为67%和43%，这证明了FMS对运动损伤有一定预测能力，但预测成功率一般。

异质性分析表明，文献类型和损伤风险阈值是影响灵敏度的因素。样本量、观察周期、文献质量及研究对象是影响特异度的因素。文献类型对灵敏度的影响具体表现在中文文献的灵敏度高于英文文献的灵敏度［0.66（95%CI 0.46～0.86）vs.0.34（95%CI 0.27～0.42）］，这可能与纳入中文文献数量及研究对象少、研究对象种族不同等有关。损伤风险阈值对灵敏度的影响具体表现在，以≤14分为评判标准时的灵敏度低于不以≤14分为评判标准时的灵敏度［0.34（95%CI 0.26～0.42）vs.0.56（95%CI 0.41～0.71）］，主要原因是不以≤14分为评判标准的文献均采用受试者操作特征曲线及其坐标图来确定损伤风险阈值，以≤14分为评判标准的文献中有的借鉴前人的研究成果，这都可能影响研究结果，导致可信度较低。研究对象对特异度的影响最强，其中军人的特异度低于运动员的特异度［0.78（95%CI 0.71～0.86）vs.0.82（95%CI 0.75～0.88）］，这一结果提示，FMS在不同领域的适用性有所不同，对运动员的预测损伤效果优于军人。

FMS作为一种运动损伤的预测工具，需要对运动损伤进行严格定义并在特定情况下使用，否则在不同运动项目、运动环境、运动量等一系列因素影响下可能会得出不同的结论。本文对Bushman等［21］研究中3种运动损伤类型，O’Connor等［38］研究中长、短观察周期，以及Knapik等［39］、高晓嶙等［51］研究中不同性别人群的数据进行了提取与分类，这也导致了不同研究背景、不同研究人群、不同运动损伤定义条件下，FMS作为一种损伤风险预测工具并没有很好的预测效果。

目前国外已发表的4篇FMS预测损伤风险的meta分析论文得出了2种不同的结论：Bonazza等［19］没有对方法学质量进行评估，也没有对纳入文献的类型（前瞻性队列研究或横断面研究）进行分类，且将所有研究纳入了meta分析；Dorrel等［31］采用QUADAS清单评价诊断实验的方法学质量，得出的结论是FMS预测损伤的诊断准确度较低。本文使用Q-Coh方法对纳入研究的方法学质量进行评估，Q-Coh是一种具有“可接受”有效性和可靠性的工具，专门用于评估前瞻性队列研究中的偏倚风险，尽管与Dorrel等［31］研究的结论大致相同，但Dorrel等［31］所包含的研究质量较低，其有效性受到质疑。其他2篇meta分析论文设定了诸多异质性来源，对所选文献进行分类探索，最终的结论也都是FMS作为损伤预测工具并不是在任何条件下都适用［32-33］。

本文在评判FMS预测运动损伤时，主要有以下3个优点：①无论是文献检索的时间范围还是检索数据库的范围，纳入的文献更广泛；②纳入文献都是前瞻性队列研究，科学性更强；③使用专门用于评估前瞻性队列研究偏倚风险的Q-Coh方法，对纳入研究的方法学质量进行评估，针对性更强。但本文也存在以下不足：①纳入的文献仅是中、英文文献，数据不够全面；②纳入的文献大多未提及或讨论其各自研究的任何盲法或试图盲法；③研究对象以男性为主，女性只占少数，在今后的研究中性别比例有待优化；④国内对FMS预测损伤的实验类文献较少，前瞻性研究更是寥寥无几，对本文纳入文献的质量有很大影响。

4 结论

FMS综合评分与运动损伤之间关联强度的证据水平不足以支持其可以直接作为运动损伤的预测工具。FMS综合评分在准确界定运动损伤、针对特性研究人群、损伤风险阈值不固定的情况下才能更好地预测运动损伤。