Search

力量训练,做什么最容易受伤?

作者:Andrew Patton

译者:王棒槌、Kai 

我们从 2016 年春天开始,进行了一项关于力量训练与受伤的调查。现在,在长达 4 年的数据收集和分析之后,这项研究终于要结束了。

不过,在总结数据的过程中,我们也意识到:因为限制于横向研究,该数据有很大的局限性。于是,又我们展开了一项为期一年的前瞻性研究,跟踪调查了 350 位力量举选手,评估了他们的受伤率,希望能从中发现影响他们受伤风险的因素。本文要说的,就是这一项研究。

首先,和之前的文章一样,我们先得明确一下「急性受伤(Acute Injury)」的概念。

急性受伤的定义如下:

1. 所有骨折,肌肉、韧带、肌腱撕裂,或关节扭伤、错位;

2. 所有必须由专业物理治疗师,或医学博士诊断的受伤(而非脊柱按摩治疗师或肌肉治疗师);

3. 所有使训练者必须休息不小于两周的受伤。

举个例子:如果你膝盖受伤,不得不停止深蹲 3 周,这就是急性受伤;但如果你因为练完一次腿,肌肉太酸痛翘掉了一次训练则不算。

这个定义非常重要,因为它对我们的分析结果产生决定性的影响:首先,因为此调查为自我报告的形式,定义必须清晰易懂,无需用到专业的医学知识。同时,我们也想确保受伤会导致「严重影响训练」这一结果,因此翘掉一两次训练并不算(况且研究这一话题也没什么很大意义);有人会定期看脊柱按摩师和肌肉治疗师,所以我们也把这个情况去除;最后,该定义将极大程度地影响分析结果。如果我们将「受伤」简单定义「出现疼痛感」,那么几乎每个训练者都有受过伤,受伤概率过高;若将「受伤」定义为单一的肌肉、韧带撕裂,或骨折,又只有很少一部分训练者有受过伤,受伤概率过低——这两个定义会造成分析结果的巨大差异。因此,我们需牢记该研究中关于「受伤」的定义。

时间因素

在这项研究中,如何把握时间这个变量也是一项很艰巨(也有趣)的任务。我们使用的是生存分析,这是一种研究与时间相关事件的常见方法:比方说,在医疗研究中,若要探究两种不同的心脏移植方法的存活率,研究者就会利用「移植后的天数」作为时间变量,而两组受试者都将一直在「心脏移植后」的状态下。

但在力量训练中,时间并不能粗暴地以天计算:

比方说,我一般一周 4 练,一个月练 17 天;若王龙飞一周 2 练,一个月练 8.5 天——那么我受伤的几率肯定要比王龙飞大;

但是,如果我一次只练 2 组,王龙飞一次练 10 组呢?我一个月就是 34 组,而王龙飞是 85 组,单月受伤几率差别又大了。

下表为一份根据日期记录的简单数据,仅区分了性别,而未经过缜密分析,建议不要据此过度解读,轻易下结论

虽然它能支持我们在之前文章中「男人比女人要容易受伤一些」的观点,但该方法仍有重大问题:虽然我们知道了受伤的部位,但我们不知道是何种训练动作引起的——比如,虽然卧推很少造成下肢受伤,但反过来可不一样,蹲、拉类动作会常造成上肢受伤。

下图中列出了上肢受伤率和卧推天数、组数的相关数据。

不过,它假设了所有的上肢受伤都由卧推产生,这与现实不符:我们都知道深蹲和拉类动作也常造成肱二头肌、肘部和肩膀受伤。所以,我们不能简单地将受伤部位与训练动作联系在一起

建立模型

上文提到,我们的基本方法是生存分析,其中较常使用的是 Cox 比例风险模式,这种方法的优势是能让我们用多种变量来研究「受伤」这一事件的发生机率。

该模型的结果即为各个因素的风险比率,大体上说,风险比率可以这么理解:

风险比率大于 1:该因素与受伤成正相关

风险比率等于 1:该因素与受伤无关

风险比率小于 1:该因素与受伤成负相关

接着,我们就可以用该模型来判断各种因素与受伤的关系了。

目前,我们使用的都是未经调整过的数据,这些数据有时很有用,却不容易得出有意义的分析。未经调整的结果可能具有误导性,举个例子:假如我们现在有 200 个男性的信息,你发现:他们的身高与收入有着明显的正相关,于是你得出结论:当男性身高超过 182 厘米的时候,每增加 2.5 厘米,年收入就能增加 50 万美元,所以,男人当然是越高越好——然而,你却忽略了你的数据中有 50 个 NBA 球员。但一旦数据经过调整就会发现:只要控制了 NBA 球员这一变量,身高和收入没有什么显著关系。

然而,我们也不能只是简单地将 40 多个变量收集,然后简单粗暴地扔进模型,然后就称它为绝对的真相——哪些变量可以用在模型中,而哪些不适合,仍需要仔细斟酌。

下图就是我们选择的,与我们的假设有关的因素。

如图所示,我们会在模型中用到这些相关的变量,但并不会用投机取巧的方法刻意歪曲事实,除此之外,我们还将增加、控制受试者人群属性。

在一年时间中,我们每个月都在收集这些信息,并且先用了时不变的方式来建立模型。举个例子:受试者的体重和总成绩在一年中会有变化,但我们先无视这些,这比下一个模型要简单,但仍有其价值,如下表所示。

时不变模型结果

这里我们需要控制变量,即只选择一个变量而保持其他不变。拿下表的身高举例:根据其 0.95的危险比(Hazard Ratio),意味着每增加 1 英寸/2.54 厘米的身高,受伤率就相应减少 5%。对于性别这类二取一的变量,可理解为:若为男性,则受伤几率相应增加。

这里得到的结果和之前的文章一致。目前为止,对受伤最大的影响因素为「动作是否受限」。

举个例子:假如某个训练者的膝盖有旧伤,限制了深蹲这一动作,导致他没法蹲到全幅度,那么这些限制可能让他的危险比达到 2.78,受伤几率几乎是那些不受限训练者的 3 倍之多。性别在此并未表现出对受伤风险有巨大影响,但男性风险比率依然高,考虑到过往研究结果和受试人群多是男性,我们仍需要密切关注这一因素。

当然了,一个训练者的总成绩、体重和训练方式会随着时间而进化,若我们想更精确计算受伤概率,也需将这些考虑进去。因此,我们下一个模型会增加「时变(Time Varying)」,为同一个人计算不同时期的受伤几率提供方法。

假如某个人最初总成绩为 1000 磅/454 千克,并以每月增加 10 磅/4.5 千克总成绩的速度训练 10 个月,那么他在从第 2 个月开始的总成绩就依次为 1010,1020,1030 磅……以此类推,体重等其他变量也是同理。

当然,「时不变模型」有一个价值:它可以帮助我们预判受伤风险。举个例子:如果你要照顾 5 个运动员,其中一个是有旧伤的男性运动员,其他四个是没有旧伤的女性运动员,那么你最好对前者多花些时间和精力。

那么现在,为了更全面实际地探究影响受伤风险的因素,我们需要看看「时变模型」,如下表所示。

根据我们收集数据的方法、训练过程以及我们对受伤的假设,我们在模型中增加了一些衔接量,这些新增加的衔接量可以使我们探究「超过 85% 1RM 的组数百分比」与受伤风险的关系。这里需要提醒的是:我们的数据通过每月采集,所以「周训练天数」等为估算。「大重量训练」的定义为「超过 85% 1RM,由受试者自己决定」。这里我们没有采用「次数」,而简单用「组数」表示训练容量,因此「训练容量」这一因素仍存在一定的不确定性。

时变模型结果

动作受限(因旧伤未恢复等情况导致)与否

表中最重要的一点是:原本就有的「动作受限」仍然是一个极其关键的风险要素,而这可能来自旧伤未恢复等情况。

有氧运动

神奇的是,适当参与有氧运动或循环训练(以力量训练形式也可)可能会降低受伤风险,不过当过度训练、超过训练者能恢复的训练量时,就可能导致受伤。

下图展示了有氧、循环训练对于运动受伤风险的影响:

这个曲线已经被过分简化了,不过可以这么理解:适度有氧有益,过度有害。对人体健康来说,本就应该定期做些挑战心肺系统的训练:远足、CrossFit、篮球等等。请注意:我们不是提倡越多有氧运动就越好,这里的关键是适度。

其它不显著因素

其他未发现明显关联的因素:将关注点仅放在看似关键的 p 值上看似诱人,但研究其他看似并不显眼的要素也同样重要。正如前文所说,虽然性别这一要素看似并不显眼,但我们的横向研究仍显示男性有更高的受伤概率——受试者中女性人数较小,这可能是性别要素在此并不显眼的原因之一。

综合此次、此前横向研究的结果和个人经验,我倾向于相信数据分析仍未完全准确反映现实情况。身高、年龄和体重对受伤的影响结果不出人意料,让人惊讶的是:力量举总成绩和受伤的关系并不大,大重量训练带来的力量增长和肌肉组织对压力的耐受度不一定等比增长。

不过,若研究中出现更多更强壮的人,结果可能会变化;幸存者偏差可能也是导致此结果的原因之一——那些因上重量而受伤的人可能就停止力量举这项运动了;还有一个可能,就是随着力量上涨经验丰富,训练者对训练更理智,也学会了避免受伤。

另一点同样让人惊讶:每周训练数与每次训练组数和受伤的关系也不大,这可能是因为计量容量时不够精准导致的;也可能是因为这两个因素在训练者间的区别也并不大。

所以,结论呢?

虽然花了不少时间和精力才得出这个建议,不过结论倒是很简单:「最好从受伤中完全恢复再开始训练,以确保你不会一边承受繁重的训练,一边忍受老毛病」。

这就是科学研究。并不是每个研究都能得出能上 Nature 首页的牛逼结论,但这正是科学的要义:数据的分析一个累积的过程,一点点的进步、相加,最后才能达到突破。你不能指望每一篇科学论文都有新颖的结果,积累知识、建立新的假设,以及发现问题的过程。对于整个科研界都是至关重要的。


  1. Cox, D. R. 1972. “Regression Models and Life Tables (with Discussion).” Journal of the Royal Statistical Society, Series B 34:187—220.
  2. The model was a Cox proportional hazard model, and the proportional hazard assumption was checked and found to be appropriate.
  3. This is the exact same coefficient interpretation strategy for multiple linear regression aside from the fact that these are exponentiated coefficients.
  4. Not strictly a classical prediction model as there is no training, testing, validation, etc.
  5. Non-differential exposure misclassification

分享本文至 Facebook微信朋友圈

点击以下关键词,查看其它文章

Scroll to Top