科学网—运动损伤预测新视角：包大鹏教授团队发文探讨FMS预测运动损伤的局限与未来趋势
精选
已有 334 次阅读
2026-4-27 11:31
| 系统分类: 科研笔记
在竞技体育与大众健身领域，如何科学预测并预防运动损伤一直是核心议题。功能性动作筛查（ Functional Movement Screen, FMS ）作为应用最广泛的测评工具之一，其预测效果近年来却在学术界引发了广泛争论。
由北京体育大学包大鹏教授担任通讯作者，董庚鑫、蒋国乐为共同第一作者的研究团队，在中国体育科学学会会刊 《运动医学与健康科学》（Sports Medicine and Health Science, SMHS） 发表了题为 Limitations and Future Directions of the Functional Movement Screen in Predicting Sports Injuries 的深度综述。该研究直面 FMS 在损伤预测中的“痛点”，为物理治疗师、体能教练及科研人员提供了全新的应用思路。
该领域的核心挑战是 FMS 综合评分真的靠谱吗？长期以来，业界习惯于利用 FMS 的综合评分（ Composite Score ）来划定损伤“红线”。然而，本研究明确指出：单纯依赖综合评分进行损伤预测存在显著的局限性。研究团队发现，目前 FMS 预测效果不稳定的主因包括：
统计方法误用： 过于简单的线性回归往往无法捕捉复杂的损伤机制。
内部一致性缺失： 综合得分掩盖了不同动作模式之间的本质差异。
定义模糊： 临床研究中对“损伤”定义的标准不一，导致数据横向对比困难。
现有的证据表明，将 FMS 总分作为独立的“预测指标”在临床应用中的价值有限。虽然总分预测遭受质疑，但研究强调， FMS 并无必要被弃用，而是需要重构与优化。研究提出， FMS 真正的核心价值在于识别：身体不对称性（ Asymmetry ）、动作功能障碍（ Movement Dysfunctions ）、诱发性疼痛（ Provocative Pain ）。研究建议未来应用方向应将 FMS 的单项子测试（ Sub-tests ）与风险指标（评分 0 、 1 、 2 的个数）进行去中心化处理。不再强求一个总分，而是将这些关键指标与其他运动表现测试相结合，形成多维度的评估矩阵。
本文的一大亮点是前瞻性地提出了“ FMS+ 人工智能”的整合模型。由于不同运动项目对身体的需求不同，传统的统计模型难以兼顾。研究呼吁，未来应利用机器学习技术：针对不同运动项目建立定制化模型。针对不同人群（职业运动员 vs 青少年）进行算法优化。整合多源数据，实现从“模糊评估”向“精准导航”的跨越。
对于广大体能与康复从业者而言，这篇综述敲响了“经验主义”的警钟：不要盲从“ 14 分”这一固化的损伤临界点，应将目光转向单项动作表现，因为每一项动作受限背后都潜藏着特定的生理代偿与损伤风险。 FMS 不应被视为评估的终点，而应作为多维评估链条中的核心环节。未来应向“多维度指标整合 + 机器学习建模”的科学路径转型，构建精准、个体化的运动损伤预测模型。
原文阅读：
Gengxin Dong, Guole Jiang, Shuang Qin, Yunji Che, Jiya He, Dapeng Bao, Brad Manor, Junhong Zhou. Limitations and future directions of the functional movement screen in predicting sports injuries[J]. Sports Medicine and Health Science, 2026, In Press .
https://doi.org/10.1016/j.smhs.2026.04.002.
转载本文请联系原作者获取授权，同时请注明本文来自科爱KeAi科学网博客。 链接地址： https://blog.sciencenet.cn/blog-3496796-1532281.html
上一篇： 西北农林科技大学大学和文祥教授团队研究：基于酶学、微生物活性和功能指标的物种敏感性分布法评估土壤2,4,6-三溴苯酚毒性