System uczenia maszynowego do spersonalizowanego zalecania ćwiczeń oparty na BMI i ocenie sprawności fizycznej

Dlaczego mądrzejsze treningi mają znaczenie

Wielu młodych dorosłych zmaga się z przybieraniem na wadze, mimo że starają się pozostać aktywni. Ogólne zalecenia typu „ćwicz 150 minut tygodniowo” często wydają się niejasne i nie uwzględniają indywidualnych różnic w sprawności, typie sylwetki czy postępach. W tym badaniu sprawdzono, czy sztuczna inteligencja może zamienić proste wyniki testów sprawnościowych w wysoce spersonalizowane plany treningowe, które pomogą młodym ludziom skuteczniej i bezpieczniej zejść z przedziału nadwagi niż uniwersalne wytyczne.

Przekształcanie testów sprawnościowych w profil osobisty

Badacze pracowali na danych 6 698 mężczyzn w wieku 18–20 lat studiujących na uczelni. Każdy student miał zmierzony wskaźnik masy ciała (BMI) oraz cztery standardowe testy sprawności: bieg na 3 000 metrów dla wydolności, podciągnięcia dla siły górnej części ciała, brzuszki dla wytrzymałości tułowia oraz test wahadłowy dla szybkości i zwinności. Razem te pomiary dają w miarę pełny obraz funkcjonowania układu sercowo‑naczyniowego, mięśniowego i motorycznego. Zamiast analizować każdy test oddzielnie, zespół chciał zrozumieć złożony wzorzec łączący ten profil sprawności z kategorią BMI osoby — niedowaga, waga prawidłowa, nadwaga lub otyłość.

Hybrydowa sztuczna inteligencja, która czyta sposób twojego poruszania się

Aby zrozumieć te wzorce, zespół zbudował hybrydowy system uczenia maszynowego łączący dwie różne mocne strony. Po pierwsze, jednowymiarowa sieć konwolucyjna wspomagana mechanizmem uwagi skanuje sekwencję okrążeń w biegu na 3 000 metrów, jednocześnie uwzględniając wyniki siłowe i sprinterskie. Pozwala to systemowi wychwycić szczegóły, takie jak gwałtowne spadki formy w ostatnich okrążeniach lub utrzymanie stałego tempa. Po drugie, skondensowane informacje trafiają do modelu decyzji typu gradient boosting, który świetnie wyznacza wyraźne granice kategorii — w tym wypadku cztery grupy BMI. Takie połączenie sklasyfikowało BMI z dokładnością 94,5%, wyraźnie przewyższając standardowe modele jak regresja logistyczna, lasy losowe czy XGBoost na tych samych danych, przy jednoczesnym czasie predykcji krótszym niż milisekunda na osobę.

Od prognoz do dopasowanych planów treningowych

Kluczowym krokiem jest przełożenie tych prognoz na praktyczne treningi. Aby system był zrozumiały dla trenerów i klinicystów, badacze zastosowali metodę SHAP, która pokazuje, w jakim stopniu każdy test sprawnościowy przesuwa prognozę BMI osoby w kierunku zdrowszej lub mniej zdrowej kategorii. Dla każdego studenta model ustala ranking najsłabszych obszarów — na przykład niską liczbę podciągnięć czy wolne czasy biegów. Silnik oparty na regułach mapuje następnie te priorytety na konkretne typy ćwiczeń, takie jak większa liczba sesji na siłę górnej części ciała, dodatkowy trening aerobowy czy praca nad szybkością i zwinnością. Co dwa tygodnie w trakcie próby nowe wyniki testów były wprowadzane z powrotem do systemu, dzięki czemu można było zwiększać lub zmniejszać objętość treningu i redukować obciążenie, jeśli oznaki zmęczenia wskazywały na ryzyko przetrenowania.

Sprawdzenie systemu w praktyce

Aby ocenić, czy podejście prowadzone przez AI faktycznie poprawia zdrowie, zespół przeprowadził 12‑tygodniowe randomizowane badanie kontrolowane obejmujące 1 160 nowych studentów. Połowa otrzymała konwencjonalne instrukcje ćwiczeń; druga połowa stosowała spersonalizowane zalecenia generowane przez model, obejmujące ustrukturyzowane interwały o wysokiej intensywności, stały trening aerobowy, trening siłowy oraz podstawowe wskazówki żywieniowe. Grupa spersonalizowana wykazała uderzające poprawy: ogólny odsetek studentów z nadwagą lub otyłością spadł o 23,5%, prawie siedmiu na dziesięciu uczestników z nadwagą przeszło do zakresu prawidłowej wagi, a wielu uczestników z otyłością zeszło do kategorii nadwagi. Sprawność również znacznie się poprawiła — około 15% więcej podciągnięć, prawie 10% lepsze czasy biegu na 3 000 metrów i ponad 10% szybsze czasy w teście wahadłowym w porównaniu z grupą kontrolną, i to bez wzrostu liczby urazów.

Co to oznacza dla codziennego zdrowia

Dla osób niebędących specjalistami wniosek jest taki, że proste, dobrze znane testy — jak daleko potrafisz przebiec, ile podciągnięć i brzuszków wykonasz oraz jak szybko potrafisz sprintem biegać tam i z powrotem — mogą zasilić system AI projektujący treningi dopasowane do twojego ciała i aktualnych możliwości. Badanie pokazuje, że taki system może nie tylko przewidywać, kto jest w większym ryzyku związanym z wagą, ale także dostarczać plany ćwiczeń, które pomagają ludziom bezpiecznie dążyć do zdrowszego BMI, jednocześnie zwiększając siłę i sprawność. Chociaż dotychczas prace skupiały się na młodych mężczyznach w jednym środowisku, wskazuje to na przyszłość, w której aplikacje mobilne czy narzędzia kliniczne mogą oferować naprawdę spersonalizowane, ciągle aktualizowane wskazówki treningowe dla wielu różnych grup.

Cytowanie: Mo, M., Li, B., Yang, Y. et al. A machine learning framework for personalized exercise prescription based on BMI and physical fitness assessment. Sci Rep 16, 13336 (2026). https://doi.org/10.1038/s41598-026-42405-2

Słowa kluczowe: spersonalizowane ćwiczenia, uczenie maszynowe w zdrowiu, BMI i sprawność, zapobieganie otyłości młodzieży, AI planowanie treningu