Examensarbete, 30 hp
Psykologprogrammet med inriktning mot idrott, 300 hp Vt 2021
Handledare: Andreas Stenling
EXEKUTIV FUNKTION OCH FYSISK AKTIVITET HOS ÄLDRE:LONGITUDINELLA
SAMBAND OCH EVENTUELLA
KÖNSSKILLNADER
Max Larsson, Lova Sallstedt
Sammanfattning
Denna studie undersökte longitudinella samband mellan exekutiv funktion och fysisk aktivitet hos äldre personer samt om dessa samband ser olika ut för män och kvinnor. Data från våg två (M2) och våg tre (M3) i studien Midlife in the Unites States (MIDUS) användes, med i genomsnitt nio år mellan mättillfällena. Urvalet bestod av 807 deltagare (57% kvinnor) med en medelålder på 67.65 år (SD = 5.69) vid M2. Sambanden undersöktes med strukturell ekvationsmodellering i form av latenta förändringsmodeller. Exekutiv funktion mättes med hjälp av The Brief Test of Adult Cognition by Telephone (BTACT) och fysisk aktivitet mättes med självskattningsformulär. Resultaten visade att högre exekutiv funktion vid M2 predicerade mindre minskning i fysisk aktivitet mellan M2 och M3 när kön, ålder, utbildningsnivå och självskattad hälsa inte kontrollerades för. Detta samband bestod inte när kontrollvariabler inkluderades i analysen. Förändring i fysisk aktivitet och exekutiv funktion korrelerade svagt positivt, även när kontrollvariabler inkluderades. Kön visade sig inte moderera sambanden.
Resultaten tyder på att exekutiv funktion bör tas i beaktning vid utformandet av interventioner med fysisk aktivitet för äldre personer. Framtida forskning bör undersöka om interventioner med fokus på att främja både exekutiv funktion och fysisk aktivitet skulle kunna vara mer effektiva än de som enbart fokuserar på fysisk aktivitet. Vidare bör det undersökas om kognitivt stöd, till exempel i form av automatiska påminnelser eller hjälp att planera in fysisk aktivitet, kan underlätta för äldre personer att engagera sig i fysisk aktivitet.
Nyckelord: Exekutiv funktion, fysisk aktivitet, äldre personer, longitudinella samband
Abstract
This study examined longitudinal relationships between executive functions and physical activity among older adults and whether the relationships differed between men and women.
Data from wave two (M2) and wave three (M3) in the study Midlife in the United States (MIDUS) were used, with an average of nine years between the measurement points. The sample consisted of 807 participants (57% women) and the average age at M2 was 67.65 years (SD = 5.69). The relationships were examined through structural equation modeling using latent change score models. Executive functions were assessed by The Brief Test of Adult Cognition by Telephone (BTACT) and physical activity was measured by self-report. The results showed that higher executive functioning at M2 predicted a smaller decline in physical activity between M2 and M3 when sex, age, educational attainment, and self-rated health were not controlled for. The association did not remain when control variables were included in the analysis. Change in physical activity and change in executive functioning showed a small positive correlation, even when control variables were included. Sex did not moderate the relationships. The results indicate that executive functioning might be important to consider when designing physical activity interventions for older adults. Future research should examine if interventions designed to enhance both executive functioning and physical activity could be more effective than those focusing solely on physical activity. Furthermore, future research should examine if cognitive aid, such as automatic reminders or help scheduling physical activity, can facilitate engagement in physical activity in older adults.
Keywords: Executive function, physical activity, older adults, longitudinal relationships
Exekutiv funktion och fysisk aktivitet hos äldre: Longitudinella samband och eventuella könsskillnader
År 2050 väntas proportionen av världens befolkning som är över 60 år nästan ha fördubblats (World Health Organization [WHO], 2018a). Samtidigt rör vi på oss i allt lägre grad, mer än en fjärdedel av världens befolkning över 18 år rör sig mindre än vad som rekommenderas enligt WHO och minst rör sig befolkningen i höginkomstländer (WHO, 2020).
Det kan tyckas paradoxalt att samtidigt som den fysiska aktiviteten minskar, ökar kunskaperna om de positiva effekterna av fysisk aktivitet. Det amerikanska hälso- och sjukvårdsdepartementet slår i en rapport från 2018 fast att det finns starka vetenskapliga bevis för att måttlig till intensiv konditionsträning hänger ihop med minskad dödlighet oavsett orsak (US Department of Health and Human Services, 2018).
Gällande mer specifika effekter av fysisk aktivitet finns det en avsevärd mängd forskning kring hur fysisk aktivitet och kognition relaterar till varandra. I sammanställningar av interventionsstudier har det visats att ökad fysisk aktivitet leder till förbättrad kognition hos vuxna och äldre (Northey m.fl., 2018; Smith m.fl., 2010). Fysisk aktivitet har i meta-analyser och översikter av longitudinella studier också visat sig vara en skyddande faktor mot kognitiv nedgång, där högre nivå av fysisk aktivitet minskar risken för försämrad kognition (Erickson m.fl., 2018; Etnier m.fl., 2019; Guure m.fl., 2017; Sofi m.fl., 2011).
Trots mängden forskning kring fysisk aktivitets påverkan på kognition har endast ett fåtal studier undersökt hur sambandet mellan dessa faktorer förändras över tid hos äldre personer (Bielak m.fl., 2014; Gow m.fl., 2012; Lindwall m.fl., 2012; Stenling m.fl., 2020).
Utifrån resultaten i dessa studier är det fortfarande oklart om fysisk aktivitet har en långvarigt skyddande effekt på kognition eller om fysisk aktivitet snarare ger kortsiktiga positiva effekter.
Ovisshet råder även när det kommer till kognitionens roll för att vara fysiskt aktiv i senare delen av livet (Daly m.fl., 2015; Cheval m.fl., 2020). Slutligen behövs mer kunskap om huruvida kön påverkar sambandet mellan fysisk aktivitet och kognition. Översikter av interventionsstudier visar generellt större effektstorlekar när en högre andel av deltagarna är kvinnor (Barha m.fl., 2017; Barha & Liu-Ambrose, 2018), men endast ett fåtal studier har hittills studerat om kön modererar sambandet mellan förändring i kognition och fysisk aktivitet hos äldre personer (Lindwall m.fl., 2012; Stenling m.fl., 2020).
En stor utmaning är att få människor att röra på sig i enlighet med rekommendationerna från WHO (WHO, 2020). År 2013 beräknades de globala hälso- och sjukvårdskostnaderna för fysisk inaktivitet uppgå till 54 miljarder amerikanska dollar (WHO, 2018b), en siffra som troligtvis kommer att öka i takt med en större, äldre och mer stillasittande befolkning. För att kunna utforma mer effektiva interventioner med fysisk aktivitet för äldre personer är det viktigt att öka kunskapen kring hur förändring i fysisk aktivitet och exekutiv funktion hänger ihop över tid. Att undersöka huruvida kön påverkar sambandet mellan kognition och fysisk aktivitet skulle kunna bidra med kunskap kring vilka som kan gagnas mest av dessa interventioner. Mot bakgrund av detta var syftet med denna studie undersöka sambandet mellan fysisk aktivitet och exekutiv funktion hos äldre personer över tid samt om sambandet ser olika ut för män och kvinnor. I denna studie användes begreppet äldre personer för individer över 60 år.
Definitioner
Fysisk aktivitet definieras som kroppsrörelse producerad av skelettmuskulatur vilken resulterar i energiförbrukning (Caspersen m.fl., 1985). Fysisk träning (eng: exercise) är en form av fysisk aktivitet som är planerad, strukturerad, återkommande och som har som mål att bibehålla eller förbättra en eller flera aspekter av fysiska färdigheter (eng: fitness; Caspersen m.fl., 1985). Det är vanligt att skilja mellan konditionsträning, aktiviteter som bibehåller eller
ökar syreupptagningsförmåga, och styrketräning, aktiviteter vilka bibehåller eller ökar musklernas styrka eller uthållighet (US Department of Health and Human Services, 2018).
Denna uppsats kommer att använda fysisk aktivitet som ett samlingsbegrepp för dessa olika typer av träning eller rörelse, såvida inte något annat nämns.
Kognition är ett samlingsnamn för de mentala processer som används för att hantera kunskap och information, till exempel varseblivning, uppmärksamhet och minne (Kiely, 2014).
En del av en människas kognition kallas exekutiva funktioner. Exekutiva funktioner kontrollerar basala kognitiva förmågor för att producera meningsfullt beteende mot önskvärda mål och har associerats med aktivitet i pannloberna (Etnier & Chang, 2009). Exekutiva funktioner kan delas upp i tre grundläggande förmågor vilka tillsammans möjliggör för mer avancerade funktioner som planering, resonerande och problemlösning (Miyake m.fl., 2000).
Dessa tre grundläggande funktioner är inhiberingsförmåga, att medvetet hindra dominerande eller automatiska responser, kognitiv flexibilitet, att kunna växla fram och tillbaka mellan olika uppgifter eller förutsättningar samt uppdatering, att koda in och byta information så att den som är relevant för stunden hålls i minnet. Såväl studier som har undersökt kognition i allmänhet som exekutiv funktion i synnerhet har visat att dessa faktorer påverkas positivt av fysisk aktivitet (se t.ex. Chen m.fl., 2020; Northey m.fl., 2018). De tidigare studier som undersökt huruvida kognition kan predicera fysisk aktivitet har fokuserat specifikt på exekutiv funktion (Cheval m.fl., 2020; Daly m.fl., 2015). För att öka möjligheten att jämföra mellan studier kommer därför även denna studie att specifikt studera exekutiv funktion. Begreppet kognition kommer i denna uppsats att användas som ett samlingsnamn för kognitiva förmågor och när det är lämpligt kommer mer specifika begrepp för olika kognitiva funktioner användas.
Förändring i fysisk aktivitet och kognition
I takt med stigande ålder förändras vanligtvis både kognitiv förmåga och fysisk aktivitetsnivå. Deltagande i fysisk aktivitet har visat sig minska med en stigande ålder (Bauman m.fl., 2012; Guiney m.fl., 2018; Windle, 2014). När det kommer till kognition försämras exekutiva funktioner, visuospatial förmåga och episodiskt minne (Tyndall m.fl., 2018). Även den mentala snabbheten minskar. I tidigare forskning har man sett att flera kognitiva förmågor börjar försämras vid 60-års ålder (Hughes m.fl., 2018; Nyberg & Pudas, 2019), medan den mentala snabbheten sjunker redan efter trettio (Tyndall m.fl., 2018). Dock är det viktigt att notera att förändringen i kognitiv förmåga är heterogen och att en stor andel av variationen i kognition hos äldre troligtvis beror på skillnader i andra individuella faktorer än ålder (Salthouse, 2010).
Även om det finns viss kunskap om hur fysisk aktivitet och kognition förändras var för sig är det fortfarande oklart hur förändring i dessa faktorer hänger ihop över tid hos äldre personer. När det kommer till studier som har undersökt ifall nivå av fysisk aktivitet kan predicera förändring i kognition över tid är resultaten varierande. Enligt Gow m.fl. (2012) predicerade högre nivå av fysisk aktivitet i åldrarna 60 till 70 år en minskad nedgång i kognitiv förmåga vid 80-års ålder. Lindwall m.fl. (2012) beskriver liknande resultat, där högre nivå av fysisk aktivitet hos äldre personer predicerade mindre nedgång i kognition över tid, men då endast i den specifika förmågan ordflöde. Detta skulle kunna tyda på att fysisk aktivitet har en viss skyddande effekt på kognition över tid.
Det finns också tidigare forskning vars resultat skiljer sig från de ovan nämnda, där fysisk aktivitet inte predicerade förändring i kognition över tid (Bielak m.fl., 2014; Kowalski m.fl., 2018; Stenling m.fl., 2020). I dessa studier kunde man däremot på inomindividsnivå se att förändring i fysisk aktivitet och kognition följdes åt vid specifika mättillfällen (Kowalski m.fl., 2018; Stenling m.fl., 2020). Av detta drar Stenling m.fl. slutsatsen att effekten av fysisk aktivitet på kognition verkar vara relativt kortsiktig.
Att forskning på relationen mellan förändring i fysisk aktivitet och förändring i kognition hos äldre personer visar olika resultat skulle kunna förklaras utifrån hypoteserna differential preservation samt preserved differentiation (Salthouse, 2006). Differential preservation utgår från att nivå av fysisk aktivitet tidigare i livet har en inverkan på hur väl kognitiva resurser bevaras senare i livet (Salthouse, 2006), vilket då skulle stödja forskningen som har visat på att tidigare nivå av fysisk aktivitet kan predicera förändring i kognition (Gow m.fl., 2012; Lindwall m.fl., 2012). Preserved differentiation bygger istället på att personer som är mer fysiskt aktiva har en hög kognitiv kapacitet från början och att den höga nivån bibehålls genom livet (Salthouse, 2006). Detta skulle tala för forskningen som inte funnit stöd för att fysisk aktivitet kan predicera förändring i kognition (Bielak m.fl., 2014; Kowalski m.fl., 2018;
Stenling m.fl., 2020).
Ett ömsesidigt samband?
Det finns också studier vars resultat tyder på ett ömsesidigt samband mellan fysisk aktivitet och kognition. Daly m.fl. (2015) kom fram till att lägre nivå av exekutiva funktioner predicerade en nedgång i fysisk aktivitet över tid, och att de med en högre fysisk aktivitetsnivå behöll en högre nivå av exekutiv funktion. Intressant nog såg Daly m.fl. att effekten av exekutiv funktion på fysisk aktivitet var 55 % större än effekten av fysisk aktivitet på exekutiv funktion.
Cheval m.fl. (2020) kom fram till att lägre nivå av exekutiv funktion predicerade nedgång i fysisk aktivitet över tid och att nedgången accelererade med ökad ålder. Däremot fann de inget stöd för att nivå av fysisk aktivitet kunde predicera förändring i kognition.
En teori som belyser exekutiva funktioners roll i utförandet av fysisk aktivitet är temporal self-regulation theory (Hall & Fong, 2015). Teorin beskriver att benägenhet (eng:
prepotency), exekutiva funktioner och intention är avgörande faktorer för utförandet av fysisk aktivitet. Benägenhet att utföra fysisk aktivitet influeras av hur normativt fysisk aktivitet är i ens sociala miljö, i vilken utsträckning det är en etablerad vana att utföra fysisk aktivitet samt fysiska och/eller mentala tillstånd (eng: drive states) vilka kan underlätta eller försvåra att fysisk aktivitet blir av. Exekutiv funktion påverkar utförandet av fysisk aktivitet genom att uppdateringsförmågan gör det möjligt att hålla långsiktiga mål i medvetandet under beslutsfattande eller när man är engagerad i andra uppgifter. Inhiberingsförmåga, som anses ha starkast påverkan på fysisk aktivitet, gör det möjligt att implementera motion och se till dess långsiktiga positiva konsekvenser istället för att falla för kortsiktiga frestelser eller belöningar (som att ta bilen istället för att promenera). Slutligen så möjliggör kognitiv flexibilitet anpassning efter ändrade förutsättningar, vilket främjar regelbundet utförande av fysisk aktivitet. Intentionen att utföra fysisk aktivitet påverkas av benägenhet och exekutiva funktioner på så vis att de två sistnämnda blir viktigare i situationer där de kortsiktiga kostnaderna av fysisk aktivitet är tydligare än de långsiktiga fördelarna. Enligt teorin stärker regelbunden fysisk aktivitet benägenhet genom att det successivt blir en befäst vana och betraktas som normativt för individen att motionera. Genom att engagera sig i fysisk aktivitet stärks de exekutiva funktionerna. Tillsammans skapar detta en positiv feedback-loop som ytterligare ökar förutsättningarna för att motionera regelbundet.
Påverkar kön sambandet mellan fysisk aktivitet och kognition?
Utöver de studier som undersökt ett möjligt ömsesidigt samband mellan förändring i fysisk aktivitet och kognition har det även forskats kring om kön påverkar sambandet mellan fysisk aktivitet och kognition. En översiktsstudie visade att fysisk aktivitet i form av konditionsträning hade större effektstorlekar för förbättrad kognition när studierna bestod av högre andel kvinnliga deltagare (Barha & Liu-Ambrose, 2018). En tidigare metaanalys visade
på liknande resultat, där studier med högre andel kvinnliga deltagare visade större effektstorlekar för exekutiva funktioner (Barha m.fl., 2017). Vidare kom Fagot m.fl. (2017) fram till att vara fysisk aktiv verkade ha jämförbara positiva effekter på kognition för både män och kvinnor, medan att inte ägna sig åt fysisk aktivitet hade större negativ påverkan på kvinnors kognition än på mäns. Detta skulle kunna tyda på att nivå av fysisk aktivitet har större effekt på kognition hos kvinnor jämfört med män.
Tänkbara förklaringar till skillnaden i effekt av fysisk aktivitet mellan kvinnor och män går att finna i tidigare forskning, där det visat sig att äldre män är mer fysiskt aktiva än äldre kvinnor och i högre utsträckning når upp till rekommendationerna för fysisk aktivitet (Guiney m.fl., 2018; Keadle m.fl., 2015; Lee, 2005). Äldre kvinnor upplever även fler hinder och har lägre tilltro till sin förmåga att engagera sig i motionsaktiviteter (Lee, 2005). Det är möjligt att kvinnornas lägre nivå av fysisk aktivitet bidrar till skillnaderna i de effektstorlekar som observerats (Barha & Liu-Ambrose, 2018).
Även om tidigare forskning uppmärksammat att det finns skillnader mellan män och kvinnor är det endast ett fåtal studier som har undersökt huruvida kön påverkar sambandet mellan fysisk aktivitet och kognition över tid. Stenling m.fl. (2020) undersökte huruvida kön kunde moderera relationen mellan fysisk aktivitet och förändring i kognition hos äldre personer under en 15-årsperiod. Deras resultat gick i linje med Lindwall m.fl. (2012), som inte hittade något tydligt mönster för kön i relation till kognitiv nedgång hos äldre personer. För att bidra med kunskap om potentiella skillnader mellan män och kvinnor gällande hur fysisk aktivitet och exekutiv funktion hänger ihop över tid undersökte denna studie om kön modererar sambandet mellan dessa faktorer.
Föreliggande uppsats
Syftet med denna studie var att undersöka sambandet mellan fysisk aktivitet och exekutiv funktion hos äldre personer över tid samt om sambandet ser olika ut för män och kvinnor. En ökad kunskap om hur förändring i dessa faktorer hänger ihop hos äldre personer skulle kunna bidra till utformningen av mer effektiva interventioner i fysisk aktivitet. Baserat på tidigare forskning antog vi att exekutiv funktion vid M2 har en positiv effekt på förändring i fysisk aktivitet mellan M2 och M3 (H1) och att fysisk aktivitet vid M2 har en positiv effekt på förändring i exekutiv funktion mellan M2 och M3 (H2). I denna studie undersöktes också vilken av dessa två relationer som är starkast, dock antogs inte någon hypotes om vilken som är starkast utan detta var en explorativ analys. Baserat på tidigare forskning antogs också att det finns ett positivt samband mellan förändring i fysisk aktivitet och förändring i exekutiv funktion (H3). Om kön modererar något av ovanstående samband undersöktes också, dock antogs inte någon hypotes om riktningen på den modererande effekten utan detta var explorativa analyser.
Metod Midlife in the United States
I denna studie användes data från Midlife in the United States (MIDUS; Radler, 2014).
MIDUS är en amerikansk longitudinell studie påbörjad år 1995 med syfte att undersöka betydelsen av psykologiska, beteendemässiga, och sociala faktorer på åldersrelaterade skillnader i mental och fysisk hälsa (Radler & Ryff, 2010). Data från MIDUS valdes då den longitudinella designen möjliggör att studera förändring över tid, data är fritt tillgängligt online samt för att projektet har ett stort antal deltagare.
Deltagarna i MIDUS rekryterades genom metoden random digit dialing (RDD), vilket innebar att slumpmässigt genererade telefonnummer ringdes. Deltagarna erbjöds att medverka
i en cirka 30 minuter lång telefonintervju och därefter postades två självskattningsformulär till deltagarna, dessa med en beräknad tidsåtgång på 45 minuter vardera (Brim m.fl., 2004).
Urvalet bestod av den grupp som rekryterades genom RDD, syskon till personer i RDD, ett nationellt urval av tvillingar samt en översampling av personer boende i urbana områden (Inter- University Consortium for Political and Social Research [ICPSR], 2019). Inklusionskriterier var engelsktalande amerikaner i åldern 24–75 år. Personer boende på äldreboende eller annan inrättning exkluderades. Totalt deltog 7108 amerikaner i den första vågen (M [ålder] = 46.4, SD = 13).
Vid M2, som samlades in 2004–2006, fick deltagarna förfrågan om att återigen delta i en telefonintervju samt besvara självskattningsformulär, vilket i sin tur var kriterier för att medverka i den kognitiva screeningen. Totalt genomförde 4206 av de ursprungliga deltagarna intervjun, formulären samt de kognitiva testerna. Åldern varierade mellan 28–84 år (M = 55.99, SD = 12.33).
När jämförelser gjorts mellan de som hoppade av och de som deltog vid M2 visades att det var mer sannolikt att de deltagare som stannade kvar i studien var kvinnor, gifta, hade högre ålder och utbildningsnivå, tillhörde den etniska majoriteten i samhället och bodde i mindre orter (Radler & Ryff, 2010). Hos äldre deltagare predicerade god självskattad hälsa och få funktionsbegränsningar fortsatt engagemang i studien.
Vid M3, som samlades in år 2013–2014, deltog 2693 personer i telefonintervjun, självskattningsformulären samt den kognitiva screeningen (MIDUS, u.å.). Åldern hos urvalet i M3 sträckte sig mellan 42–92 år (M = 64.13, SD = 11.21).
Deltagare i denna studie
I denna studie användes endast data från M2 och M3 i MIDUS eftersom de innehåller självskattade mått på fysisk aktivitet samt en kognitiv screening genomförd via telefon (Radler, 2014). Då studien syftade till att undersöka om förändring i exekutiv funktion har ett samband med förändring i fysisk aktivitet var det intressant att studera personer i åldrar där det kan tänkas att den kognitiva förmågan och den fysiska aktivitetsnivån förändras. I denna studie användes därför 60 år vid M2 som gränsvärde, baserat på att tidigare studier visat att flera kognitiva förmågor försämras vid den åldern (Hughes m.fl., 2018; Nyberg & Pudas, 2019). När deltagare som inte hade något värde på de kognitiva testerna eller fysisk aktivitet vid M2 exkluderades kvarstod 807 deltagare (57% kvinnor) som deltagit i telefonintervju, självskattningsformulär och kognitiva tester vid M2 och M3. Åldern vid M2 varierade mellan 60–83 år (M = 67.65, SD = 5.69). Vid M3 varierade åldern på deltagarna mellan 68–92 år (M
= 76.75, SD = 5.70).
Mätinstrument Fysisk aktivitet
Fysisk aktivitet mättes genom självskattningsformulär där deltagarna fick svara på hur ofta de engagerade sig i fysisk aktivitet på jobbet, i och runt hemmet samt på fritiden under vintern och sommaren separat. Fysisk aktivitet delades upp i lätt (t.ex. bowling, lätt promenad, bågskytte, dammtorkning), måttlig (t.ex. rask promenad, lätt aerobics, golf utan golfbil, gräsklippning med manuell klippare) och intensiv (löpning, högintensiv aerobics, ansträngande simning, grävning i trädgården eller lyft av tunga objekt). Svarsalternativen kodades så att 1 = aldrig, 2 = mindre än en gång i månaden, 3 = en gång i månaden, 4 = flera gånger i månaden, 5 = en gång veckan, 6 = flera gånger i veckan.
Eftersom studiens frågeställningar rörde förändring i fysisk aktivitet valdes kategorin med frågor kring lätt fysisk aktivitet bort. Detta då dessa frågor bedömdes skilja ut helt inaktiva
från de som motionerade i någon utsträckning, snarare än beskriva grad av fysisk aktivitet. En indexvariabel för fysisk aktivitet skapades utifrån Cotter & Lachmans (2010a) tillvägagångssätt. Den domän (jobb, hemmet, fritid) där deltagarna hade högst frekvens av fysisk aktivitet valdes ut för både vinter och sommar och utifrån det beräknades ett medelvärde för måttlig och intensiv fysisk aktivitet separat. Därefter valdes det högsta medelvärdet av dessa två ut som slutgiltigt mått på fysisk aktivitet. De frågor som mäter måttlig och intensiv fysisk aktivitet har visat sig vara starkt korrelerade (r = .77; Cotter & Lachman, 2010a).
I jämförelse med data från den amerikanska folkhälsomyndigheten Center for Disease Control and Prevention (CDC) har måttet på fysisk aktivitet i MIDUS visat sig vara konservativt, där deltagarna uppvisar en högre grad av inaktivitet jämfört med data från CDC (Cotter & Lachman, 2010a). Vid M2 var medelvärdet för fysisk aktivitet 4.35 (SD = 1.73) och vid M3 4.10 (SD = 1.91).
Exekutiv funktion
De mått på exekutiv funktion som använts kommer från The Brief Test of Adult Cognition by Telephone (BTACT; Lachman m.fl., 2014). I enlighet med tidigare faktoranalyser av detta testbatteri användes logiskt tänkande, ordflöde, arbetsminne, mental snabbhet, kognitiv flexibilitet, inhibering samt uppdatering ut som mått på exekutiv funktion (Lachman m.fl., 2014).
För att mäta logiskt tänkande användes Number Series, där deltagarna blev presenterade för femsiffriga serier för att sedan uppge vilken nästkommande siffra som bäst passade in i mönstret. Resultatet beräknades utifrån antal korrekta svar, där höga poäng indikerade bättre resultat.
Måttet på ordflöde utgjordes av Category Fluency, där deltagarna under en minut uppmanades att nämna så många ord som möjligt från ordklassen djur. Resultat var här antalet unika svar som deltagarna uppgav, där höga poäng indikerade bättre resultat.
Arbetsminne mättes genom Backward Digit Span, där deltagarna fick höra sifferserier som sträckte sig mellan två och åtta enheter, för att sedan försöka återge serierna baklänges.
Resultatet bestod här av den längsta sifferserien som återgavs korrekt, där höga poäng indikerade bättre resultat.
För att mäta mental snabbhet användes 30 Seconds and Counting Task (30-SACT), där deltagarna hade 30 sekunder på sig att så snabbt som möjligt räkna ner från 100. Resultatet räknades ut genom att subtrahera den siffra deltagarna stannade på från 100, där höga poäng indikerade bättre resultat.
Kognitiv flexibilitet, inhibering och uppdatering mättes med hjälp av Stop and Go Switch Task (SGST). Testet bestod av tre delar; en med normal betingelse, en med omvänd betingelse och en med mixade betingelser. I delen med normal betingelse skulle deltagarna när de fick höra “GREEN” svara “GO” och när de hörde “RED” svara “STOP”. I delen med omvänd betingelse skulle de göra tvärtom, det vill säga att när de hörde “GREEN” skulle de svara “STOP” och när de hörde “RED” skulle de svara “GO”. I den mixade delen blandades sedan dessa två betingelser. Här användes svarslatensen i den mixade delen som utfallsmått, där höga poäng indikerade sämre resultat. Dessa poäng multiplicerades i analyserna med -1, så att höga poäng istället indikerade bättre resultat.
BTACT har i psykometriska analyser visat på god test-retest reliabilitet samt i jämförelser med liknande testbatterier även god konvergent och diskriminant validitet (Lachman m.fl., 2014). För att ge en mer lättöverskådlig deskriptiv bild av exekutiv funktion användes ett index baserat på de fem testerna konverterat till z-poäng, med ett medelvärde på 0 och en standardavvikelse på 1. Vid M2 var medelvärdet för exekutiv funktion -0.23 (SD = 0.88) medan medelvärdet vid M3 var -0.55 (SD = 0.69).
Kontrollvariabler
Utbildningsnivå valdes som kontrollvariabel då tidigare forskning dels visat att högre utbildningsnivå är associerat med högre nivå av fysisk aktivitet hos äldre människor (Cotter &
Lachman, 2010a), dels att högre utbildningsnivå hänger samman med en förskjuten start av kognitiv nedgång (Clouston m.fl., 2020). Högsta utbildningsnivå mättes i MIDUS på en tolvgradig skala där 1 indikerade ingen/någon skolgång i grundskola och 12 indikerade doktorstitlar och andra akademiska yrkesexamina. För att skapa en mer lättolkad variabel kodades skalan om till utbildningsår så att ingen/någon skolgång i grundskola motsvarade sex år av studier och doktorstitlar och andra akademiska yrkesexamina motsvarade 23 år av studier. Den ursprungliga och den nya skalan var starkt korrelerade (r = .97). Medelvärdet för högsta utbildningsnivå var vid M2 var 15.09 år (SD = 3.33).
Självskattad hälsa användes som kontrollvariabel i analyserna, detta då tidigare forskning visat att personer som skattar sig som mer hälsosamma tenderar att ha en högre nivå av fysisk aktivitet (Cotter & Lachman, 2010b). Deltagarna skattade fysisk hälsa och mental hälsa på femgradiga skalor där 1 = excellent, 2 = väldigt bra, 3 = bra, 4 = okej och 5 = dålig.
Svarsalternativen kodades omvänt så att 1 = dålig och 5 = excellent. Ett medelvärde av dessa räknades sedan ut för att utgöra indexet självskattad hälsa. Vid M2 var medelvärdet för självskattad hälsa 3.79 (SD = 0.79) och vid M3 var medelvärdet 3.50 (SD = 0.86).
Även ålder och kön användes som kontrollvariabler, se rubriken ”Deltagare i denna studie” samt Tabell 1 för deskriptiv statistik.
Dataanalyser
IBM SPSS Statistics för Mac version 27 användes för att koda om samt skapa index för vissa variabler (för mer detaljerade beskrivningar se rubrik för respektive mätinstrument).
Under en systematisk genomgång av deltagarnas svar kodades omöjliga svar om till saknade svar. Deskriptiva analyser genomfördes sedan i SPSS. Antal svar, medelvärde, standardavvikelse, toppighet, skevhet liksom bivariata korrelationer mellan alla variabler beräknades.
För att upptäcka eventuella skillnader mellan de som deltog vid båda vågorna och de som bara deltog i M2 genomfördes en bortfallsanalys med hjälp av multipel binär logistisk regression.
SPSS AMOS version 27 användes för att genomföra strukturell ekvationsmodulering (SEM). SEM förenar strukturella modeller (en vidareutveckling av regressionsmodeller) och mätmodeller (konfirmatoriska faktoranalysmodeller) vilka tillsammans bildar en generell strukturell ekvationsmodell (Blunch, 2013). På detta vis går det att testa och specificera riktning på relationer mellan flertalet manifesta och latenta variabler samtidigt. Manifesta variabler är direkt mätbara, till exempel antal poäng på ett test, medan latenta variabler är hypotetiska konstrukt, som till exempel intelligens (Kline, 2015). En fördel med SEM är möjligheten att estimera mätfel, vilket gör analysen mer realistisk jämfört med till exempel multipel regressionsanalys där det antas att alla prediktorer är uppmätta utan något mätfel (Kline, 2015).
Arbetet med SEM-analyserna skedde i flera steg. Inledningsvis specificerades mätmodellen för exekutiv funktion. Poängen från fem av testerna i BTACT (Number Series, Category Fluency, Backward Digit Span, 30 Seconds and Counting Task och Stop and Go Switch Task) användes som indikatorer på det latenta konstruktet exekutiv funktion, i enlighet med Lachman m.fl. (2014). En longitudinell konfirmatorisk faktoranalys (Figur 1) genomfördes för exekutiv funktion vid M2 och M3. Indikatorernas feltermer tilläts korrelera mellan M2 och M3 eftersom reliabel varians hos indikatorer kan antas ha en relation över tid (Little, 2013).
Invariansanalyser genomfördes sedan för att undersöka huruvida det latenta konstruktet exekutiv funktion uppfattades och mättes på samma sätt över tid (Byrne, 2010). Först testades konfigural invarians (eng: configural invariance), alltså om antal faktorer och dess generella struktur är liknande över tid (Byrne, 2010). I enlighet med Cheung & Rensvold (2002) användes ett CFI-värde på ≤ .01 för differensen mellan modellerna som indikation på invarians.
I nästa steg testades metrisk invarians (eng: metric invariance), vilket undersöker om styrkan på sambanden mellan indikatorer och det latenta konstruktet är detsamma över tid (Cheung &
Rensvold, 2002). Slutligen undersöktes även skalär invarians (eng: scalar invariance), det vill säga om indikatorernas respektive skalor har samma intervall och nollpunkt över tid. Skalär invarians krävs för att kunna jämföra latenta medelvärden (Cheung & Rensvold, 2002).
Figur 1
Konceptuell modell longitudinell faktoranalys
Notering: e = felterm, CF = Category Fluency, NS = Number Series, TSC = 30 Seconds and Counting, DBS = Digit Backward Span, SGST = Stop and Go Switch Task, EF = exekutiv function, M2 = MIDUS våg två, M3 = MIDUS våg tre. Dubbelriktad pil indikerar korrelation och enkelriktad pil indikerar regression.
För att undersöka förändring i fysisk aktivitet och exekutiv funktion över tid användes en speciell klass av strukturella ekvationsmodeller, så kallade latenta förändringsmodeller (eng:
latent change score models). En latent förändringsmodell bidrar med värden på den genomsnittliga förändringen mellan två tidpunkter, i vilken grad denna förändring varierar mellan individer och kan inkludera prediktorer som förklarar variation i förändring (Kievit m.fl., 2018). Efter invariansanalyserna specificerades univariata latenta förändringsmodeller för fysisk aktivitet och exekutiv funktion separat. Dessa slogs sedan ihop till en bivariat latent
e e e e e
e e e e e
CF NS TSC DBS SGST
CF NS TSC DBS SGST
EF M2
EF M3
förändringsmodell (Figur 2) för att kunna besvara frågeställningarna om fysisk aktivitet vid M2 kan predicera förändring i exekutiv funktion, om exekutiv funktion vid M2 kan predicera förändring i fysisk aktivitet samt om det finns ett samband mellan respektive förändring.
För att undersöka vilken av associationerna som visade på störst effekt skapades en modell där regressionerna mellan exekutiv funktion vid M2 och förändring i fysisk aktivitet samt fysisk aktivitet vid M2 och förändring i exekutiv funktion sattes till att vara identiska. En sämre modellanpassning på modellen där regressionerna specificerades till att vara identiska skulle då indikera att det finns en skillnad i hur stora de olika effekterna är.
Efter detta steg lades kontrollvariablerna till i analysen. Utifrån tidigare forskning, att utbildningsnivå och självskattad hälsa har ett positivt samband med nivå av fysisk aktivitet (Cotter & Lachman, 2010a; Cotter & Lachman, 2010b) samt att det finns negativa samband mellan ålder och nivå av fysisk aktivitet och exekutiv funktion (se t.ex. Bauman m.fl., 2012;
Tyndall m.fl., 2018) tilläts kontrollvariablerna korrelera med fysisk aktivitet och exekutiv funktion vid M2. Kontrollvariablerna utbildning och hälsa tilläts även korrelera med varandra då tidigare forskning visat att det finns ett positivt samband mellan dem (Mackenbach m.fl., 2008).
Figur 2
Konceptuell modell bivariat latent förändringsmodell
Notering: e = felterm, CF = Category Fluency, NS = Number Series, TSC = 30 Seconds and Counting, DBS = Digit Backward Span, SGST = Stop and Go Switch Task, M2 = MIDUS våg två, M3 = MIDUS våg tre, EF = exekutiv funktion, FA = fysisk aktivitet, D = latent förändringsvariabel. Kontrollvariabler liksom residualvarianser för EF M3, FA M3, DFA, DEF utelämnades för bättre läsbarhet. Dubbelriktad pil indikerar korrelation och enkelriktad pil indikerar regression.
Slutligen undersöktes om det fanns könsskillnader i sambanden mellan fysisk aktivitet och exekutiv funktion. Här delades deltagarna in i två grupper (män, kvinnor), där samtliga estimat inledningsvis estimerades fritt (modell A). I efterföljande modeller (B-G) infördes olika
e e
e e e
e e e e e
CF NS
TSC DBS SGST
CF NS TSC DBS SGST
EF M2
EF M3
△EF △FA
FA M2
FA M3
restriktioner, där modellanpassningen i modellerna B-G jämfördes med den fritt estimerade modellen (A). I modell B estimerades regressionskoefficienten mellan exekutiv funktion vid M2 och förändring i fysisk aktivitet till att vara lika mellan män och kvinnor. I modell C estimerades regressionskoefficienten mellan fysisk aktivitet vid M2 och förändring i exekutiv funktion till att vara lika mellan män och kvinnor. I modell D estimerades båda dessa regressioner till att var för sig vara lika mellan män och kvinnor. I modell E estimerades istället korrelationen mellan förändring i fysisk aktivitet och förändring i exekutiv funktion till att vara lika mellan män och kvinnor. I modell F estimerades sedan ovanstående regressioner och korrelation till att var för sig vara lika mellan män och kvinnor. I modell G estimerades slutligen regressionerna till att vara exakt lika stora i båda grupperna (män, kvinnor), detta för att undersöka skillnad i effekt mellan prediktorerna. Om modellanpassningen i någon av modellerna B-G försämrades jämfört med modell A (differensen för CFI ≥ .01), skulle det indikera skillnader i estimat mellan män och kvinnor.
För att utvärdera huruvida modellerna med dess förväntade relationer och effekter stämmer överens med data används i SEM ett antal modellanpassningsmått. χ²-statistikan är det mest konventionella modellanpassningsmåttet men är känsligt för urvalsstorlek och betraktas ofta som ett alltför restriktivt mått (Byrne, 2010). I denna uppsats användes därför Comparative Fit Index (CFI) och Tucker-Lewis Index (TLI). Dessa index genererar värden mellan 0 och 1.00, där ett värde nära .95 betraktas som god modellanpassning (Hu & Bentler, 1999). Även måttet root mean square error of approximation (RMSEA) användes, där värden nära .06 har föreslagits indikera god modellanpassning (Hu & Bentler, 1999). RMSEA presenteras ofta med ett 90% konfidensintervall (KI), där värden över .10 indikerar icke- godtagbar anpassning (Blunch, 2013). För samtliga analyser tillämpades signifikansnivån p <
.05.
Etiska överväganden
Deltagarna gav muntligt samtycke inför medverkan i studien (Brim m.fl., 1996).
MIDUS datainsamling är utvärderad och godkänd av två olika forskningsetiska granskningskommittéer vid University of Wisconsin - Madison (Radler, 2014). Data och dokumentation från MIDUS förvaras online genom ICPSR (Radler, 2014). ICPSR är ett samarbete mellan forskningsorganisationer och akademiska institutioner vilka tillhandahåller ett dataarkiv som kan användas för forskning (ICPSR, u.å.). Vad gäller MIDUS dataset är geografisk information borttagen och information om känsliga variabler såsom inkomst görs mindre detaljerad för att det inte ska kunna gå att spåra enskilda deltagares identitet (Radler, 2014). Vid insamling, hantering och publicering av data används olika ID-system för att säkerställa att deltagarnas integritet bibehålls genom hela processen. Data som användes i denna studie var anonymiserad, därav har inga personuppgifter hanterats.
Resultat Deskriptiv statistik
Deskriptiv statistik samt korrelationer mellan alla variabler är presenterade i Tabell 1. Fysisk aktivitet och exekutiv funktion korrelerade positivt vid M2 (r = .24, p < .001) och M3 (r = .21, p < .001).Vid M2 korrelerade ålder negativt med fysisk aktivitet (r = -.14, p < .001) och exekutiv funktion (r = -.19, p < .001). Mönstret var detsamma vid M3, där ålder korrelerade negativt med fysisk aktivitet (r = -.21, p < .001) och exekutiv funktion (r = -.27, p < .001). Att vara kvinna korrelerade negativt med fysisk aktivitet vid M2 (r = -.13, p < .001) och M3 (r = - .12, p < .001). Att vara kvinna korrelerade även negativt med exekutiv funktion vid M2 (r = -.
Notering: M2 = MIDUS våg två, M3 = MIDUS våg tre, FA = fysisk aktivitet, EF = exekutiv funktion.
a För exekutiv funktion användes ett z-index skapat utifrån medelvärden av z-poäng från testerna i faktorn.
*p < .05, **p < .001
Deskriptiva mått samt korrelationer vid M2 och M3
1 2 3 4 5 6 7 8 9 10
1. Kvinnor
2. Utbildning -.19**
3. M2 Ålder .01 -.04
4. M2 Hälsa -.07 .28** -.02
5. M2 FA -.13** .27** -.14** .15**
6. M2 EFa -.12** .44** -.19** .31** .24**
7. M3 Ålder .01 -.04 .99** -.02 -.14** -.19**
8. M3 Hälsa -.08* .24** -.15** .54** .15** .28** -.15**
9. M3 FA -.12** .15** -.21** .15** .32** .14** -.21** .23**
10. M3 EFa -.08* .31** -.27** .26** .18** .69** -.27** .31** .21**
M 15.09 67.65 3.79 4.35 -.23 76.75 3.50 4.10 -.55
SD 3.33 5.69 .79 1.73 .88 5.70 .86 1.91 .69
Min 6 60 1 1 -3 68 1 1 -5.63
Max 23 83 5 6 2.33 92 5 6 1.36
n 459 806 807 806 807 806 807 806 794 807
% 56.9
Toppighet -.15 -.46 -.20 -.88 -.05 -.43 -.35 -1.28 3.86
Skevhet .33 .64 -.36 -.68 .01 .63 -.17 -.50 -.69
12, p < .001) vid M3 (r = -.08, p < .05). Självskattad hälsa korrelerade positivt med fysisk aktivitet (r = .15, p < .001) och exekutiv funktion (r = .31, p < .001) vid M2. Även vid M3 korrelerade självskattad hälsa positivt med fysisk aktivitet (r = .21, p <.001) och exekutiv funktion (r = .31, p < .001). Slutligen så korrelerade utbildning positivt med fysisk aktivitet vid M2 (r = .27, p < .001) och M3 (r = .15, p < .001) samt med exekutiv funktion vid M2 (r = .44, p < .001) och M3 (r = .31, p < .001).
Bortfallsanalys
En multipel binär logistisk regression (Tabell 2) resulterade i en statistiskt signifikant modell χ² (6) = 254.18, p < .001, där 24 % av variationen i deltagande i M3 kunde förklaras av utbildning, nivå av fysisk aktivitet, självskattad hälsa, ålder, nivå av exekutiv funktion samt kön vid M2. Enligt modellen ökade oddset för att genomföra M3 med 1.58 för varje ökning med en enhet i självskattad hälsa vid M2, med 1.54 för varje ökning med en enhet i z -poäng för exekutiv funktion vid M2 samt med 1.54 om deltagaren var kvinna. Modellen visade även att oddset för att genomföra M3 minskade med 0.92 för varje ökning med ett år i ålder vid M2.
Tabell 2
Bortfallsanalys - full logistisk bivariat regressionsmodell
Oddskvot (95% KI) p-värde
Fysisk aktivitet 1.09 (1.01-1.17) .02
Exekutiv funktiona 1.54 (1.31-1.81) < .001
Hälsa 1.58 (1.35-1.84) < .001
Kön 1.54 (1.19-1.99) .001
Ålder 0.92 (0.90-0.94) < .001
Utbildning 1.03 (0.99-1.07) .19
Notering: KI = konfidensintervall
a För exekutiv funktion användes ett z-index skapat utifrån medelvärden av z-poäng från respektive test.
Invarianstester
En longitudinell konfirmatorisk faktoranalys (Tabell 3) genomfördes för det latenta konstruktet exekutiv funktion vid M2 och M3. Denna modell visade god anpassning χ² (29) = 72.48, p < .001, CFI = .98, TLI = .97, RMSEA = .04, 90% KI [.03-.06].
Invarianstester (Tabell 3) för det latenta konstruktet exekutiv funktion genomfördes i tre olika steg. Testet för konfigural invarians bestod av samma modell som den longitudinella konfirmatoriska faktoranalysen. Modellen visade således god anpassning och uppfyllde kraven för konfigural invarians. Testet för metrisk invarians resulterade i en modell med god anpassning χ² (33) = 78.05, p < .001, CFI = .98, TLI = .97, RMSEA = .04, 90% KI [.03-.05], och uppfyllde således kraven för metrisk invarians, detta då värdet för CFI inte minskade i jämförelse med modellen för konfigural invarians. Testet för skalär invarians resulterade i en modell med icke godtagbar anpassning χ² (37) = 276.53, p < .001, CFI = .91, TLI = .87, RMSEA = .09, 90 % KI [.08-.10], detta då differensen i CFI från modellen för metrisk invarians var > .01. För att komma tillrätta med detta estimerades intercepten för SGST fritt
Notering: Inv. = invarians, EF univ. LFM = Univariat latent förändringsmodell för exekutiv funktion, FA univ.
LFM= Univariat latent förändringsmodell för fysisk aktivitet, Biv. LFM = bivariat latent förändringsmodell, Biv.
LFM pred. = Bivariat latent förändringsmodell där prediktorerna är satta att vara exakt lika.
vid både M2 och M3. Detta resulterade i en modell med god anpassning χ² (36) = 81.32, p <
.001, CFI = .98, TLI = .97, RMSEA = .04, 90 % KI [.03-.05], och uppfyllde således kraven för partiell invarians. Partiell invarians är uppfyllt när parametrarna för minst två indikatorer är låsta till att vara samma över mättillfällena (Byrne m.fl., 1989). Det var modellen med partiell invarians som de uni- och bivariata latenta förändringsmodellerna utgick ifrån.
Univariat latent förändringsmodell
Univariata latenta förändringsmodeller (Tabell 3) genomfördes var för sig för exekutiv funktion och fysisk aktivitet. Modellen för exekutiv funktion visade god anpassning χ² (36) = 81.32, p < .001, CFI = .98, TLI = .97, RMSEA = .04, 90% KI [.03-.05]. I snitt försämrades deltagarnas exekutiva funktion med 0.51 SD mellan M2 och M3. Modellen uppvisade statistiskt signifikant varians (σ² = 0.24, p < .001) vilket indikerar att deltagarnas exekutiva funktion förändrades på olika sätt. Den standardiserade regressionskoefficienten mellan exekutiv funktion vid M2 och M3 var b = .94 (p < .001) Detta innebar att 1 SD högre exekutiv funktion vid M2 var relaterad till 0.94 SD högre exekutiv funktion vid M3.
Den univariata lantena förändringsmodellen för fysisk aktivitet specificerades på så sätt att det inte estimerades några anpassningsmått, detta då den saknade frihetsgrader. I snitt minskade deltagarnas nivå av fysisk aktivitet med 0.26 SD mellan M2 och M3. Även här uppvisades statistiskt signifikant varians (σ² = 4.56, p < .001) i deltagarnas förändring. Den standardiserade regressionskoefficienten mellan fysisk aktivitet vid M2 och M3 var b = .91 (p
< .001). Detta innebar att 1 SD högre nivå av fysisk aktivitet vid M2 var relaterad till 0.91 SD högre nivå av fysisk aktivitet vid M3.
Tabell 3
Modellanpassning för invarianstestning och latenta förändringsmodeller
Modell c2 Frihetsgrader p-värde CFI TLI RMSEA (90% KI) Konfigural inv. 72.48 29 < .001 .98 .97 .04 (.03–.06) Metrisk inv. 78.05 33 < .001 .98 .97 .04 (.03–.05) Skalär inv. 276.53 37 < .001 .91 .87 .09 (.08–.10) Partiell inv. 81.32 36 < .001 .98 .97 .04 (.03–.05) EF univ. LFM 81.32 36 < .001 .98 .97 .04 (.03–.05)
FA univ. LFM - 0 - - - -
Biv. LFM 105.75 52 < .001 .98 .97 .04 (.03–.05)
Biv. LFM pred. 110.50 53 < .001 .98 .97 .04 (.03–.05) Med kontrollvariabler
Biv. LFM 247.47 89 < .001 .95 .93 .05 (.04–.05)
Biv. LFM pred. 247.49 90 < .001 .95 .93 .05 (.04–.05)
Bivariat latent förändringsmodell
En bivariat latent förändringsmodell (Tabell 3) utan kontrollvariabler genomfördes för exekutiv funktion och fysisk aktivitet. Detta resulterade i en modell med god anpassning χ² (52)
= 105.75, p < .001, CFI = .98, TLI = .97, RMSEA = .04, 90% KI [.03-.05]. Den standardiserade regressionskoefficienten mellan exekutiv funktion vid M2 och förändring i fysisk aktivitet var b = .07. Detta visar att 1 SD högre exekutiv funktion vid M2 var relaterad till 0.07 SD mindre förändring i fysisk aktivitet. Denna regressionskoefficient var statistiskt signifikant (p = .045).
För den latenta förändringsvariabeln i fysisk aktivitet var R² = .29, vilket innebar att 29% av variationen i förändring i fysisk aktivitet kunde förklaras av nivå av exekutiv funktion och fysisk aktivitet vid M2. Den standardiserade regressionskoefficienten mellan fysisk aktivitet vid M2 och förändring i exekutiv funktion var b = -.08. Den negativa effekten visar att 1 SD högre nivå av fysisk aktivitet vid M2 var relaterad till 0.08 SD större förändring i exekutiv funktion. Denna regressionskoefficient var inte statistiskt signifikant (p = .21). För den latenta förändringsvariabel i exekutiv funktion var R² = .02, vilket innebar att 2% av variationen i förändring i exekutiv funktion kunde förklaras av nivå av exekutiv funktion och fysisk aktivitet vid M2. Korrelationen mellan förändring i exekutiv funktion och fysisk aktivitet var r = .22 (p
< .001). Det innebär att förändring i en riktning (ökning/minskning) i exekutiv funktion hänger ihop med förändring i samma riktning i nivå av fysisk aktivitet. Se Tabell 4 för övriga regressionskoefficienter.
Denna modell korrigerades sedan genom att låta regressionskoefficienten från exekutiv funktion vid M2 till den latenta förändringsvariabeln för fysisk aktivitet samt regressionskoefficienten från fysisk aktivitet vid M2 till den latenta förändringsvariabeln för exekutiv funktion vara exakt lika. Detta resulterade i en modell (Tabell 3) med god anpassning χ² (53) = 110.50, p < .001, CFI = .98, TLI = .97, RMSEA = .04, 90% KI [.03-.05]. Att modellanpassingen inte försämrades indikerar att det inte fanns någon betydande skillnad i effekt mellan de båda regressionskoefficienterna.
Även en bivariat latent förändringsmodell (Tabell 3) med kontrollvariabler genomfördes för exekutiv funktion och fysisk aktivitet. Detta resulterade i en modell med god anpassning χ² (89) = 247.47, p < .001, CFI = .95, TLI = .93, RMSEA = .05, 90% KI [.04-.05].
Den standardiserade regressionskoefficienten mellan exekutiv funktion vid M2 och förändring i fysisk aktivitet var b = -.02. Detta visar att 1 SD högre exekutiv funktion vid M2 var relaterad till 0.02 SD ökad förändring i fysisk aktivitet. Denna regressionskoefficient var inte statistiskt signifikant (p = .69).
För den latenta förändringsvariabeln i fysisk aktivitet var R² = .32, vilket innebär att 32% av variationen i förändring i fysisk aktivitet kunde förklaras av nivå av exekutiv funktion och fysisk aktivitet, utbildning, hälsa, kön och ålder vid M2. Den standardiserade regressionskoefficienten mellan fysisk aktivitet vid M2 och förändring i exekutiv funktion var b = -.09. Detta visar att 1 SD högre nivå av fysisk aktivitet vid M2 var relaterad till 0.09 SD ökad förändring i exekutiv funktion. Denna regressionskoefficient var inte statistisk signifikant (p = .14). För den latenta förändringsvariabeln i exekutiv funktion var R² = .08, vilket innebar att 8% av variationen i förändring i exekutiv funktion kunde förklaras av nivå av exekutiv funktion och fysisk aktivitet, utbildning, hälsa, kön och ålder vid M2. Korrelationen mellan förändring i exekutiv funktion och förändring i fysisk aktivitet var r = .20 (p < .001) vilket innebär att förändring i en riktning (ökning/minskning) i exekutiv funktion hänger ihop med förändring i samma riktning i nivå av fysisk aktivitet. Även i denna modell sattes regressionskoefficienten från exekutiv funktion vid M2 till den latenta förändringsvariabeln för fysisk aktivitet samt regressionskoefficienten från fysisk aktivitet vid M2 till den latenta förändringsvariabeln för exekutiv funktion att vara exakt lika. Modellanpassningen (Tabell 3)
16
Notering: M2= MIDUS våg två, EF = exekutiv funktion, FA = fysisk aktivitet, D = latent förändringsvariabel, Utbild. = utbildning, b = standardiserad regressionskoefficient, b = ostandardiserad regressionskoefficient, S.E. = standardfel.
försämrades inte vid denna modell, vilket återigen indikerade att det inte fanns någon betydande skillnad i effekt mellan de båda regressionskoefficienterna. Se Tabell 4 för övriga regressionskoefficienter.
För att undersöka om kön modererar sambandet mellan fysisk aktivitet och exekutiv funktion över tid specificerades utifrån den bivariata latenta förändringsmodellen utan kontrollvariabler en ny modell där deltagarna var uppdelade i två grupper (män, kvinnor).
Inledningsvis specificerades modell A där samtliga estimat estimerades fritt för män och kvinnor. Detta resulterade i en modell (Tabell 5) med god anpassning χ² (113) = 238.67, p <
.001, CFI = .96, TLI = .94, RMSEA = .04, 90% KI [.03-.04]. Denna modell estimerades sedan om i nya modeller (B-G) med olika restriktioner, där modellanpassningen jämfördes med modell A. Se rubriken ”Dataanalyser” för en detaljerad beskrivning av denna procedur.
Modellanpassningen försämrades inte jämfört med modell A i någon av de efterföljande modellerna, vilket indikerade att kön inte modererar sambandet mellan fysisk aktivitet och exekutiv funktion över tid. Exakt samma procedur genomfördes utifrån den bivariata latenta förändringsmodellen med kontrollvariabler. Den mellan män och kvinnor fritt estimerade modellen resulterade i en modell (Tabell 5) med god anpassning χ² (165) = 331.56, p < .001, CFI = .95, TLI = .93, RMSEA = .04, 90% KI [.03-.04]. Inte heller här försämrades modellanpassningen i någon av de efterföljande modellerna, vilket återigen indikerade att kön inte modererar sambandet mellan fysisk aktivitet och exekutiv funktion över tid.
Tabell 4
Regressionskoefficienter förändring i exekutiv funktion och fysisk aktivitet
Utan kontrollvariabler Med kontrollvariabler
Regressioner b b S.E. p-värde b b S.E. p-värde
M2EF ®DEF -.09 -.05 .04 .20 -.14 -.07 .05 .14
M2FA®DEF -.07 -.02 .02 .21 -.09 -.03 .02 .14
Hälsa ®DEF .06 .04 .04 .29
Utbild.®DEF -.04 -.01 .01 .57
Ålder ®DEF -.25 -.02 .01 < .001
Kön ®DEF .06 .06 .06 .31
M2FA ®DFA -.55 -.68 .04 < .001 -.58 -.72 .04 < .001
M2EF®DFA .08 .16 .08 .05 -.02 -.04 .10 .69
Hälsa ®DFA .08 .23 .09 .01
Utbild.®DFA .04 .03 .02 .25
Ålder ®DFA -.16 -.06 .01 < .001
Kön ®DFA -.07 -.30 .13 .02
Diskussion
Den här studien undersökte sambandet mellan fysisk aktivitet och exekutiv funktion hos äldre personer över tid samt om sambandet ser olika ut för män och kvinnor. De huvudsakliga fynden visar att exekutiv funktion vid M2 kan predicera förändring i fysisk aktivitet (H1) när kontrollvariabler inte inkluderas i analysen samt att förändring i fysisk aktivitet och förändring i exekutiv funktion korrelerar positivt (H3). Däremot finner denna studie inte stöd för att fysisk aktivitet vid M2 kan predicera förändring i exekutiv funktion (H2), att den ena prediktorn har större effekt på förändring jämfört med den andra, eller att kön modererar något av sambanden.
Ett ömsesidigt samband
Resultaten visar att en högre nivå av exekutiv funktion vid M2 predicerar en mindre nedgång i fysisk aktivitet över nio år, vilket stödjer H1. Detta resultat ligger i linje med tidigare studier (Cheval m.fl., 2020; Daly m.fl., 2015) och indikerar att exekutiva funktioner spelar roll när det kommer till att hålla sig fysiskt aktiv.
Enligt temporal self-regulation theory är exekutiva funktioner viktiga för att kunna se långsiktiga positiva konsekvenser av fysisk aktivitet istället för att falla för kortsiktiga frestelser (ligga kvar i soffan, ta bilen istället för att promenera) och för att kunna anpassa sig efter
Tabell 5
Modereringsanalyser - modellanpassning för modell A - G
Modell c2 Frihetsgrader p-värde CFI TLI RMSEA (90% KI)
Modell A 238.67 113 < .001 .96 .94 .04 (.03-.04)
Modell B 239.61 114 < .001 .96 .94 .04 (.03-.04)
Modell C 238.69 114 < .001 .96 .94 .04 (.03-.04)
Modell D 239.64 115 < .001 .96 .94 .04 (.03-.04)
Modell E 241.91 114 < .001 .96 .94 .04 (.03-.04)
Modell F 243.77 116 < .001 .96 .94 .04 (.03-.04)
Modell G 243.57 116 < .001 .96 .94 .04 (.03-.04)
Med kontrollvariabler
Modell A 331.56 165 < .001 .95 .93 .04 (.03-.04)
Modell B 333.70 166 < .001 .95 .93 .04 (.03-.04)
Modell C 331.57 166 < .001 .95 .93 .04 (.03-.04)
Modell D 333.70 167 < .001 .95 .93 .04 (.03-.04)
Modell E 334.43 166 < .001 .95 .93 .04 (.03-.04)
Modell F 337.93 168 < .001 .95 .93 .04 (.03-.04)
Modell G 333.70 168 < .001 .95 .93 .04 (.03-.04)
förändrade förutsättningar (Hall & Fong, 2015). Det är troligt att dessa funktioner blir än viktigare med ökad ålder där upplevda hinder till att träna kan tänkas bli fler och där sjukdomar och nedsatt hälsa kan tvinga personer att förändra sitt tidigare sätt att motionera. Resultat från en interventionsstudie på äldre kvinnor stödjer denna teori, där de kvinnor som förbättrade sina exekutiva funktioner mer under en ettårig träningsintervention i högre utsträckning fortsatte att träna året efter att interventionen upphörde (Best m.fl., 2014).
Till skillnad från tidigare studier som undersökt om exekutiv funktion kan predicera förändring i fysisk aktivitet (Cheval m.fl., 2020; Daly m.fl., 2015) blir resultatet i denna studie inte längre statistiskt signifikant när kontrollvariabler läggs till i modellen. En tänkbar förklaring till detta är att effekten, som var signifikant men relativt liten, av exekutiv funktion på förändring i fysisk aktivitet fångas upp av kontrollvariabeln ålder, detta då ålder har visat sig ha ett negativt samband med både exekutiv funktion (Hughes m.fl., 2018; Nyberg & Pudas, 2019; Tyndall m.fl., 2018) och nivå av fysisk aktivitet (Bauman m.fl., 2012; Guiney m.fl., 2018;
Windle, 2014). Det är tänkbart att den statistiskt signifikanta effekten av exekutiv funktion på förändring fysisk aktivitet i modellen utan kontrollvariabler har att göra med åldersrelaterade processer, och att effekten därför inte längre blir statistiskt signifikant när ålder kontrolleras för.
Resultatet i denna studie är i linje med tidigare forskning som visat att fysisk aktivitet inte predicerar förändring i kognition (Bielak m.fl., 2014; Kowalski m.fl., 2018; Stenling m.fl., 2020), och därmed fick vi inte stöd för H2. Resultatet i studien indikerar att fysisk aktivitet nio år tidigare i livet inte har någon skyddande effekt på senare kognitiva förmågor. Detta resultat kvarstod även i modellen där självskattad hälsa, ålder, utbildning och kön kontrollerades för.
Att sammanställningar av interventionsstudier visat att fysisk aktivitet leder till förbättrad kognition hos vuxna och äldre (se t.ex. Etnier m.fl., 2019; Northey m.fl., 2018; Smith m.fl., 2010) skulle kunna förstås utifrån att de positiva effekterna av fysisk aktivitet är mer kortsiktiga, något som även har diskuterats i tidigare studier (Stenling m.fl., 2020). En teori som ger stöd för detta är use-dependency theory (Almond, 2010), enligt vilken bevarandet av kognitiva förmågor senare i livet avgörs av vad vi gör när vi är äldre, snarare än vad vi gjort tidigare i livet. Detta skulle tala för vikten av att hålla sig fysiskt aktiv genom hela livet.
Denna studie finner inget stöd för att den ena prediktorn (exekutiv funktion, fysisk aktivitet) har större effekt på förändring än den andra. Resultatet skiljer sig från Cheval m.fl.
(2020), vilka genom att stegvis specificera olika bivariata latenta förändringsmodeller såg att den modell där kognition predicerade förändring i fysisk aktivitet hade en bättre modellanpassning än modellen där det omvända förhållandet specificerades. Daly m.fl. (2015) såg att regressionskoefficienten var större för exekutiv funktion på fysisk aktivitet jämfört med fysisk aktivitet på exekutiv funktion, även om de aldrig statistiskt testade huruvida det faktiskt fanns en skillnad i storlek. I den här studien testades hypotesen att effekten från de båda prediktorerna var exakt lika stor, vilket blir ett mer restriktivt test av skillnader i effekt mellan prediktorerna. Det är möjligt att ett annat tillvägagångssätt hade kunnat ge ett annat resultat.
Att studierna skiljer sig från varandra skulle också kunna förklara skillnader i resultat.
Deltagarna i denna studie är i genomsnitt fem år äldre vid baseline jämfört med majoriteten av deltagarna i Cheval m.fl. (2020) och jämfört med hela urvalet i Daly m.fl. (2015). En annan skillnad är att denna studie endast har två mätpunkter med i genomsnitt nio år mellan dem, medan Cheval m.fl. och Daly m.fl. har fem respektive fyra mätpunkter med genomsnittliga intervall på två år. Studierna skiljer sig även åt när det kommer till kognitiva mått. Denna studie använder sig av ett testbatteri med fem tester avsedda att mäta exekutiv funktion. Daly m.fl.
använder sig av två tester i syfte att undersöka exekutiv funktion, ett som undersöker ordflöde och ett annat som mäter selektiv uppmärksamhet. Cheval m.fl använder sig av ett ordflödestest och ett episodiskt minnestest samt högsta utbildningsnivå som mått på kognitiva resurser.
Ytterligare en skillnad är att denna studie undersöker måttlig och intensiv fysisk aktivitet,
medan Daly m.fl. även inkluderar lätt fysisk aktivitet och Cheval m.fl. skiljer fysiskt aktiva från fysiskt inaktiva. Ett exempel på hur dessa skillnader skulle kunna påverka resultaten är att denna studie genom att inte inkludera lätt fysisk aktivitet inte fångar upp vardagsmotion som promenader eller hushållssysslor, vilket kan antas utgöra en betydande andel av äldre människors fysiska aktivitet.
Relationen mellan förändring i exekutiv funktion och förändring i fysisk aktivitet
Resultaten i denna studie visar att det finns ett svagt positivt samband mellan förändring i exekutiv funktion och förändring i fysisk aktivitet hos äldre personer även när kontrollvariabler inkluderas i analysen, vilket är i linje med H3.Detta samband innebär att förändring i en riktning (minskning/ökning) i exekutiv funktion hänger ihop med förändring i samma riktning i fysisk aktivitet. Resultatet är i linje i med tidigare longitudinell forskning som visat att inomindividsförändring i fysisk aktivitet och exekutiv funktion korrelerar positivt vid olika tidpunkter (se t.ex. Cheval m.fl., 2020; Daly m.fl., 2015; Lindwall m.fl., 2012; Stenling m.fl., 2020). Att förändring i exekutiv funktion och fysisk aktivitet hänger ihop innebär också att en intervention riktad mot en av variablerna borde ha möjlighet att påverka dem bägge två.
I interventionsstudier med samtidigt fokus på exekutiv funktion och fysisk aktivitet har man sett bättre resultat än studier där fokus bara ligger på att främja fysisk aktivitet (Gheysen m.fl., 2018).
Flera forskare har lyft möjligheten att det finns en positiv feedback-loop mellan hälsofrämjande beteenden (där fysisk aktivitet ingår) och exekutiv funktion (Allan m.fl., 2016;
Hall & Fong, 2015). Feedback-loopen bygger på att engagemang i fysisk aktivitet stärker de exekutiva funktionerna, där de stärkta exekutiva funktionerna ökar förutsättningarna att fortsätta vara fysiskt aktiv, vilket i sin tur hjälper till att bibehålla de exekutiva funktionerna.
Detta skulle kunna kopplas till det positiva sambandet mellan förändring i exekutiv funktion och förändring i fysisk aktivitet i den här studien. Resultatet från en nyligen genomförd studie stödjer detta resonemang. När närmare 40 000 personer över 50 år studerades i cirka 12 år visade resultaten att de som höll sig fysiskt aktiva endast försämrade sin kognition marginellt medan de som minskade i fysisk aktivitet uppvisade en betydligt brantare nedgång i kognitiva förmågor (Cheval m.fl., 2021).
Könsskillnader i sambandet mellan exekutiv funktion och fysisk aktivitet
Denna studier finner inget stöd för att kön modererar sambandet mellan fysisk aktivitet och förändring i exekutiv funktion, vilket går i linje med tidigare forskning (Lindwall m.fl., 2012; Stenling m.fl., 2020). Resultaten i denna studie tyder inte heller på att kön modererar sambanden mellan exekutiv funktion och förändring i fysisk aktivitet eller mellan förändring i exekutiv funktion och förändring i fysisk aktivitet. Resultaten indikerar således att män och kvinnor skulle gagnas lika mycket av interventioner i fysisk aktivitet. Däremot finns det andra skillnader som kan vara viktiga att ta i beaktning vid utformandet av interventioner med fysisk aktivitet för äldre, exempelvis att äldre kvinnor tenderar att vara mer stillasittande än äldre män och ser fler hinder att träna (Guiney m.fl., 2018; Keadle m.fl., 2015; Lee, 2005). Även om det inte verkar förekomma könsskillnader i sambandet mellan fysisk aktivitet och exekutiv funktion över tid är det möjligt att de olika utgångslägena ändå påverkar vilka som i slutändan har mest nytta av att motionera regelbundet.
Övriga fynd
Ytterligare ett fynd i den här studien, som inte är direkt kopplat till någon av studiens frågeställningar, är att exekutiv funktion och fysisk aktivitet vid M2 i hög grad relaterar till nivån av dessa faktorer vid M3 (b = .94 respektive b = .91). Resultaten visar att de deltagare som hade högst/lägst exekutiv funktion och fysisk aktivitet vid M2 i hög utsträckning även var de som hade högst/lägst exekutiv funktion och fysisk aktivitet vid M3. Deltagarnas rangordning inom urvalet var med andra ord stabilt över tid för dessa faktorer. Detta resultat skulle kunna förklaras av teorin om preserved differentiation, det vill säga att skillnader mellan individer i kognitiv förmåga senare i livet är en indikation på stabila skillnader som bibehållits från tidigt i livet (Salthouse, 2006). Det är rimligt att anta att personer med högre kognitiv förmåga också gör hälsosamma val under livet och därigenom håller sig mer fysiskt aktiva, vilket kan kopplas till tidigare nämnda positiva feedback-loop (Allan m.fl., 2016; Hall
& Fong, 2015).
Generellt är effektstorlekarna i denna studie små. Sambandet mellan förändring i exekutiv funktion och förändring i fysisk aktivitet visar på en liten men robust effekt (r = .20) när kontrollvariabler inkluderades. Variationen i förändring i exekutiv funktion förklaras till 8%
av utgångsnivå i exekutiv funktion och fysisk aktivitet samt kontrollvariabler. Motsvarande värde för förändring i fysisk aktivitet är 32%. Detta indikerar att en stor del av variansen i förändring fortfarande är oförklarad. Att studera åldersrelaterade förändringar innebär att försöka förstå ett komplext pussel av olika interagerande processer. Utöver de variabler som har studerats i denna studie har genetiska och epigenetiska mekanismer, typ av sysselsättning och fritidsaktiviteter visat sig vara faktorer som påverkar åldrande (Nyberg & Pudas, 2019).
Således är det tänkbart att de variabler, och processer, som undersökts i denna studie endast motsvarar en liten bit av det komplexa pussel som åldrande innebär.
Begränsningar
Det finns flera svagheter med den här studien. En av dessa är att deltagarnas mått på fysisk aktivitet är självskattat. Tidigare forskning som jämfört indirekta mått (där självskattning ingår) med direkta mått (energiförbrukning, faktiska rörelser) på fysisk aktivitet för äldre personer har visat att indirekta mått ofta kan leda till under- eller överskattning av den fysiska aktivitetsnivån (Kowalski m.fl., 2012). Detta på grund av att social önskvärdhet, feltolkningar och aktuell hälsostatus påverkar de självskattade svaren. Olika indirekta mått har även visat svaga korrelationer mellan varandra medan olika direkta mått korrelerar starkt, vilket talar till fördel för de direkta måtten.
En annan svaghet är, som i all icke-experimentell forskning, att det inte går att utesluta att andra faktorer kan ha påverkat resultatet. Ett exempel på detta skulle med tanke på urvalets ålder kunna vara begynnande eller utvecklad demens bland deltagarna. Denna studie har inte kontrollerat för detta, vilket är en svaghet som kan ha påverkat resultatet.
En tredje svaghet är att denna studie kan ha ett systematiskt bortfall bland deltagarna.
Detta då bortfallsanalysen visar att oddset för att genomföra M3 ökade om deltagarna vid M2 hade bättre hälsa, högre exekutiv funktion, lägre ålder samt var kvinnor. Systematiskt bortfall har visat sig kunna påverka resultaten i longitudinella studier, detta på grund av att variabler som påverkar bortfallet även influerar resultatet (Asendorpf m.fl., 2014). Bortfallet mellan M2 och M3 är relativt likt bortfallet bland äldre deltagare mellan mättillfälle ett och M2, där det var mer sannolikt att kvinnor och de med bättre självskattad hälsa stannade kvar i studien (Radler
& Ryff, 2010).
Ytterligare en svaghet är att denna studie endast har två mätpunkter, vilket gör att det endast går att se förändring som en rät linje, med antingen en ökning eller minskning. Fler mätpunkter hade kunnat generera information om när under tidsspannet den mesta av förändringen sker samt om lutningen på förändringen ändras över tid. Att endast ha två
