体力活动不足是慢性病与全因死亡的重要可干预危险因素，但当前公共健康促进普遍沿用“统一强度、统一频次”的标准化运动处方，难以匹配个体体能基础、行为习惯与风险差异，导致依从性低、剂量失配。智能可穿戴设备与机器学习的发展，使连续行为识别、运动风险分级与处方动态调整成为可能，然而现有多数研究集中于算法识别精度验证或青少年、运动员场景，面向社区普通人群、以健康结局为终点的干预证据仍然有限。本研究旨在检验基于可穿戴数据与机器学习构建的AI个性化运动处方，对社区中老年人体力活动水平与健康体适能的干预效果，并识别其获益人群特征。

 研究方法

采用平行随机对照试验设计。在某市3个社区招募55—70岁居民120名，按1∶1随机分为AI干预组与常规对照组（各60人），干预周期8周。基线期受试者连续7天佩戴三轴加速度计与光电心率手环，采集步频、久坐时长、睡眠时长等23维特征，采用随机森林与XGBoost构建周体力活动量预测模型及运动风险分级模型；据此生成个体化处方，经小程序推送，并由算法依据每2周依从性数据自适应调整目标剂量。对照组接受《中国人群身体活动指南》标准化健康宣教与统一处方。主要结局为加速度计客观测量的中高强度体力活动（MVPA）周时长；次要结局包括6分钟步行距离、握力、静息心率、体脂率及处方依从率。采用意向性分析，以混合线性模型检验组×时间交互效应。

 研究发现

干预8周后，AI组MVPA周时长增幅显著高于对照组；6分钟步行距离与握力改善亦优于对照组，静息心率下降更明显，体脂率组间差异未达统计学意义。分层分析显示，基线MVPA最低三分位人群获益幅度最大。讨论认为：其一，AI处方的增益并非源于“更科学的初始剂量”，而在于依托可穿戴数据的“监测—反馈—再调整”闭环，使处方具备随行为波动自我修正的能力；其二，模型对低活动、高风险个体的自动识别，为公共健康服务的资源精准投放提供了可操作路径，可实现从"平均化干预"向"分层化干预"的转变；其三，算法可解释性不足、数据隐私与设备可及性构成规模化推广的主要约束，需在治理层面同步设计。本研究局限在于样本量较小、干预期短、缺乏长期随访，且未纳入成本效果分析，后续需扩大样本并延长观察以验证效果的持续性。