夜雨聆风做运动医学、妇科、内分泌、生殖、体检或者校队管理的医生，几乎都会遇到这样一类女孩：训练很多，体型也不差，主诉却不是“成绩下滑”，而是月经乱了。很多时候，第一反应是“是不是练太狠了”“是不是体脂太低了”。但 Determinants of menstrual dysfunction in the female athlete triad: A cross-sectional study in Italian athletes，PMID: 38670325这篇 2024 年的意大利横断面研究想回答的，恰恰不是这么粗的问题，而是更临床的那一句：
到底哪些因素，最能把“有月经紊乱风险的女运动员”提前筛出来？
这篇研究围绕“女性运动员三联征”展开。三联征的经典框架是：低能量可用性、月经功能异常、骨健康受损。作者的切入口很聪明：他们没有一上来追骨密度，也没有追复杂激素，而是先抓最早、最容易问到、也最容易被忽略的那个信号：月经规律性。因为在很多运动员身上，月经紊乱往往是能量失衡最早露出来的临床端口。
这篇研究到底做了什么？
研究对象是 288 名 15–40 岁、仍处于生育年龄段的女性运动员。她们填写了一份结构化问卷，内容包括：年龄、BMI、是否吸烟、是否正在节食/遵循饮食计划、项目类型、训练相关信息，以及身体意象相关变量。作者把月经不规律作为主要结局，去看哪些因素与它相关。样本里，73.3% 小于 25 岁，6.6% 体重过低，30.6% 正在执行饮食计划，13.9% 吸烟，30.6% 参加瘦体重要求更高的“lean sports”。最关键的是，33.0% 的受访者已经有月经不规律。这不是个边缘问题，而是三个人里就有一个。
这篇研究最值得学的，不是结果，而是“研究逻辑”
很多类似文章会犯一个错误：看到月经紊乱，就把所有和“能量不足”沾边的因素都往里塞，最后只得到一句“多因素相关”。而这篇文章的逻辑更像临床决策：
- 先找“可在门诊问到”的候选风险因素
不是先上实验室，不是先做昂贵检查，而是从问卷里抓最现实的变量：项目类型、BMI、节食、吸烟、身体意象。 - 再看哪些因素在单因素层面已经冒头
例如：月经不规律者中，参加 lean sports 的比例明显更高（41.1%，P=0.007）；身体形象“高估自己更胖”的人，月经不规律风险也更高（P=0.001）。BMI <18.5 或 >30 也有风险信号，但只到边缘显著（P=0.053）。 - 最后才做多变量回归，筛真正独立的预测因子
结果留下来的，不是“所有看起来都重要的变量”，而是两个最稳的： - 参加 lean sports：AOR 2.02
- 身体意象高估：AOR 3.83
这就是这篇文章最值钱的地方：它不是告诉你“月经紊乱和很多东西有关”，而是帮你把风险优先级排出来了。
统计方法为什么这样选？
这篇研究是横断面研究，所以最合适的结局变量形式，是“有/无月经不规律”这种二分类。在这种情况下，作者最后给出的是 AOR（adjusted odds ratio，校正后的比值比），这几乎可以确定他们核心分析用的是多变量 Logistic 回归。这是一种非常合理的选择，因为：
结局是二分类 暴露变量大多也是分类变量（如是否 lean sport、是否身体意象高估） 研究目标不是预测时间到事件，而是识别独立风险因素
对临床读者来说，这里有两个统计学上的关键点：
第一，为什么不能只看 P 值？
如果只看单因素 P 值，你会觉得节食、BMI、项目类型、身体意象都值得关注。但一进多变量模型，有些因素会掉出来。原因不是它们“不重要”，而是它们和别的变量存在重叠。比如：lean sports 本身就和低体重、节食、身体焦虑高度纠缠。多变量回归的价值，就是把这些互相缠绕的线先拉开，再看谁还能自己站住。这就是为什么最后“lean sports”和“身体意象高估”留下来，而 BMI 只停在边缘显著。
第二，AOR 怎么解读才不误导？
AOR 2.02 不是说“参加 lean sports 就一定月经乱”，而是说：在控制其他变量后，这类运动员发生月经不规律的几率大约是对照组的 2 倍。 AOR 3.83 也不是说“身体意象问题比训练更重要”，而是提示：自我体型感知偏差，可能是能量不足、限制性饮食和心理压力的一个很强的临床信号。
结果真正改变临床的地方在哪？
不是“女运动员容易月经乱”，这个大家早知道。真正重要的是，这篇文章告诉你：门诊最值得优先盯的，不一定是训练量，而是项目类型和身体意象。
1. lean sports 是高危人群标签
这类项目通常更强调轻体重、线条、外观或相对力量比，比如体操、芭蕾、某些耐力项目、审美类和体重分级类项目。论文给出的信号很明确：一旦是 lean sports，月经不规律风险就明显上去。
2. 身体意象高估，是门诊里最容易漏掉的危险信号
这条结果很有现实冲击力。因为很多医生会问体重、BMI、饮食，却不会系统问：“你觉得自己胖吗？”但这篇研究提示，高估自己体型可能比单纯 BMI 更能提示风险。换句话说，真正值得警惕的，不只是“瘦”，而是“明明不胖，却觉得自己还不够瘦”。这往往意味着更深层的能量限制和饮食行为问题。
如果你手里也有类似情况，怎么把它做成论文/基金？
一、最适合的数据类别
你不一定非要有实验室大平台，以下三类数据就够起步：
1）门诊/体检问卷数据最容易做。建议至少包括：
年龄、身高体重、BMI 月经周期长度、是否规律、闭经史 运动项目类型、每周训练时长、训练年限 是否节食/控制饮食/减重 身体意象（可用简量表或图示法） 吸烟、饮酒、睡眠 应激/焦虑/饮食失调筛查量表
2）基础临床指标哪怕只补一部分，也会让文章质量明显上去：
体脂率 / 去脂体重 AMH、FSH、LH、E2、PRL、TSH 骨密度（如果你想往三联征完整框架靠）
3）专项人群队列非常适合：
体育学院/校队/省队女运动员 芭蕾舞、体操、长跑、划船、武术、啦啦操等 lean sports 人群 生殖门诊中“运动量高”的月经异常女性
二、最值得做的 4 类研究设计
1）横断面筛查研究最容易起步。目标是先把高危画像做出来。适合写成：“某类女运动员月经不规律的流行情况与相关因素研究”
2）前瞻随访研究如果你能随访 6–12 个月，就能把层次拉高：
谁会持续月经异常 谁在干预后恢复 哪些基线指标能预测恢复
3）干预研究基金价值最高。比如：
营养干预 心理/身体意象干预 训练负荷调整看月经、激素、骨代谢有没有改善
4）多中心联合研究非常适合申请基金。不同地区体育院校、运动队、医院一起做，样本量一下就上去了。
三、统计方法怎么选，最不容易被审稿人挑毛病？
如果你想走得稳，我建议：
- 横断面起步
多变量 Logistic 回归 - 结局如果分层更多
（如规律 / 偶发紊乱 / 持续紊乱）：有序 Logistic - 连续结局
（如 AMH、骨密度）：多变量线性回归 - 纵向随访
广义估计方程 GEE 或混合效应模型 - 变量太多
先做 LASSO，再进回归 - 想证明路径
可以做中介分析（例如“身体意象 → 限制性饮食 → 月经异常”）
四、最适合申请基金的题目长什么样？
给你几个很适合中国场景的方向：
- 中国 lean sports 女运动员月经异常风险画像与预测模型构建
- 身体意象偏差在女运动员低能量可用性与月经异常中的中介作用
- 训练负荷—能量可用性—月经功能—骨健康的纵向队列研究
- 基于多中心队列的中国女运动员三联征早筛工具开发与验证
这些题目最大的优点是：临床问题真、样本可得、干预可设计、基金评审也容易看懂。
 |  |
 |  |
 |  |
 |  |
（点击👆图片，进入自己感兴趣的专辑。或点击“资源”，浏览本公众号所有资源）
