Coach4Health – Kehonkoostumuksen ja fyysisen kunnon ennusteiden toteutuminen Kuka minua liikuttaisi? - hyvinvointipilotin aikana
Kemppainen, Aleksi; Pietikäinen, Joonatan (2026)
2026
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202603154359
https://urn.fi/URN:NBN:fi:amk-202603154359
Tiivistelmä
Coach4Health on Jyväskylän yliopiston kehittämä digitaalinen sovellus, joka ennustaa harjoittelun vaikutuksia kehonkoostumuksen ja fyysisen kunnon muuttujien osalta. Tämän tutkimuksen tarkoituksena oli selvittää, kuinka hyvin Coach4Health-sovelluksen antamat ennusteet vastaavat todellisia mit-taustuloksia Kuka minua liikuttaisi? -hyvinvointipilotin aikana. Hankkeen tavoitteena oli lisätä kainuulaisten työikäisten liikunta-aktiivisuutta ja tukea pysyvien elintapamuutosten syntymistä.
Tutkimus toteutettiin määrällisenä ennen–jälkeen-asetelmana hyödyntäen valmista hankeaineistoa (N = 17). Coach4Health-sovelluksen loppuvaiheessa muodostamat ennusteet yhdistettiin loppumittauksissa mitattuihin arvoihin. Ennusteiden paikkansapitävyyttä arvioitiin ensisijaisesti keskivirheiden ja suhteellisten ennustevirheiden avulla sekä tukevasti Pearsonin korrelaatiokertoimen avulla. Tarkastellut muuttujat olivat paino, lihasmassa, rasvaprosentti, painoindeksi (BMI), maksimaalinen hapenottokyky (VO₂max) ja isometrinen maksimivoima.
Tulosten perusteella sovelluksen ennusteissa havaittiin muuttujakohtaisesti merkittäviä keskivirheitä. Suurimmat suhteelliset virheet ilmenivät lihasmassan (−27,8 %) ja rasvaprosentin (+26,2 %) ennusteissa, mikä viittaa siihen, että sovellus arvioi kehonkoostumuksen muutoksia epätarkasti lyhyen interven-tiojakson aikana. Painon (−2,0 %) ja painoindeksin (−2,1 %) ennusteet olivat suhteellisesti tarkempia. VO₂maxin ennustevirhe oli keskimäärin 5,2 % ja maksimivoiman 1,6 %, mikä osoittaa maltillista poikkeamaa mitatuista arvoista.
Pearsonin korrelaatioanalyysi osoitti kaikissa muuttujissa vahvan positiivisen yhteyden ennusteiden ja mitattujen arvojen välillä (r = 0,831–0,992, p < 0,001), mutta korkea korrelaatio ei sellaisenaan kuvannut ennusteiden todellista tarkkuutta. Tulokset korostavat, että ennusteiden arvioinnissa keskivirheet ja suhteelliset virheet antavat luotettavamman kuvan sovelluksen ennustetarkkuudesta kuin pelkkä korrelaatio.
Johtopäätöksenä voidaan todeta, että Coach4Health-sovellus kuvaa muutosten suuntaa johdonmukaisesti, mutta ennusteiden absoluuttinen tarkkuus vaihtelee huomattavasti eri muuttujien välillä. Sovellus soveltuu tukevaksi työkaluksi liikuntaneuvontaan ja fyysisen aktiivisuuden seurantaan, mutta kehonkoostumuksen ennustemallin tarkkuutta tulisi kehittää ennen sen laajempaa hyödyntämistä yksilöllisessä ohjauksessa. Coach4Health is a digital application developed by the University of Jyväskylä that predicts the effects of physical activity on body composition and physical fitness variables. The purpose of this study was to examine how accurately the predictions provided by the Coach4Health application corresponded to the actual measurement results obtained during the Kuka minua liikuttaisi? wellbeing pilot. The aim of the pilot was to promote physical activity and support sustainable lifestyle changes among working-age adults in the Kainuu region.
This quantitative pre–post study utilized pre-existing data collected as part of the pilot project (N = 17). Predictions generated by the Coach4Health application at the end of the intervention period were compared with the actual end-measurement results. Prediction accuracy was primarily assessed using mean prediction errors and relative percentage errors, while Pearson’s correlation coefficient was used as a supportive method to describe the linear relationship between predicted and measured values. The analyzed variables included body weight, muscle mass, body fat percentage, body mass index (BMI), maximal oxygen uptake (VO₂max), and isometric maximal strength.
The results showed notable prediction errors across several variables. The largest relative errors were observed in muscle mass (−27.8%) and body fat percentage (+26.2%), indicating limited accuracy in predicting body composition changes over a short intervention period. Predictions for body weight (−2.0%) and BMI (−2.1%) were more accurate. The relative prediction errors for VO₂max and maximal strength were 5.2% and 1.6%, respectively.
Strong positive correlations were found between predicted and measured values across all variables (r = 0.831–0.992, p < 0.001). However, high correlation coefficients did not necessarily reflect accurate predictions, emphasizing that prediction errors provide a more informative assessment of model accuracy than correlation alone.
In conclusion, the Coach4Health application consistently captured the direction of change in physical fitness variables, but the absolute accuracy of the predictions varied considerably between outcomes. The application can be considered a supportive tool for physical activity counselling and monitoring, although further development is required to improve the accuracy of body composition predictions before broader practical application.
Tutkimus toteutettiin määrällisenä ennen–jälkeen-asetelmana hyödyntäen valmista hankeaineistoa (N = 17). Coach4Health-sovelluksen loppuvaiheessa muodostamat ennusteet yhdistettiin loppumittauksissa mitattuihin arvoihin. Ennusteiden paikkansapitävyyttä arvioitiin ensisijaisesti keskivirheiden ja suhteellisten ennustevirheiden avulla sekä tukevasti Pearsonin korrelaatiokertoimen avulla. Tarkastellut muuttujat olivat paino, lihasmassa, rasvaprosentti, painoindeksi (BMI), maksimaalinen hapenottokyky (VO₂max) ja isometrinen maksimivoima.
Tulosten perusteella sovelluksen ennusteissa havaittiin muuttujakohtaisesti merkittäviä keskivirheitä. Suurimmat suhteelliset virheet ilmenivät lihasmassan (−27,8 %) ja rasvaprosentin (+26,2 %) ennusteissa, mikä viittaa siihen, että sovellus arvioi kehonkoostumuksen muutoksia epätarkasti lyhyen interven-tiojakson aikana. Painon (−2,0 %) ja painoindeksin (−2,1 %) ennusteet olivat suhteellisesti tarkempia. VO₂maxin ennustevirhe oli keskimäärin 5,2 % ja maksimivoiman 1,6 %, mikä osoittaa maltillista poikkeamaa mitatuista arvoista.
Pearsonin korrelaatioanalyysi osoitti kaikissa muuttujissa vahvan positiivisen yhteyden ennusteiden ja mitattujen arvojen välillä (r = 0,831–0,992, p < 0,001), mutta korkea korrelaatio ei sellaisenaan kuvannut ennusteiden todellista tarkkuutta. Tulokset korostavat, että ennusteiden arvioinnissa keskivirheet ja suhteelliset virheet antavat luotettavamman kuvan sovelluksen ennustetarkkuudesta kuin pelkkä korrelaatio.
Johtopäätöksenä voidaan todeta, että Coach4Health-sovellus kuvaa muutosten suuntaa johdonmukaisesti, mutta ennusteiden absoluuttinen tarkkuus vaihtelee huomattavasti eri muuttujien välillä. Sovellus soveltuu tukevaksi työkaluksi liikuntaneuvontaan ja fyysisen aktiivisuuden seurantaan, mutta kehonkoostumuksen ennustemallin tarkkuutta tulisi kehittää ennen sen laajempaa hyödyntämistä yksilöllisessä ohjauksessa.
This quantitative pre–post study utilized pre-existing data collected as part of the pilot project (N = 17). Predictions generated by the Coach4Health application at the end of the intervention period were compared with the actual end-measurement results. Prediction accuracy was primarily assessed using mean prediction errors and relative percentage errors, while Pearson’s correlation coefficient was used as a supportive method to describe the linear relationship between predicted and measured values. The analyzed variables included body weight, muscle mass, body fat percentage, body mass index (BMI), maximal oxygen uptake (VO₂max), and isometric maximal strength.
The results showed notable prediction errors across several variables. The largest relative errors were observed in muscle mass (−27.8%) and body fat percentage (+26.2%), indicating limited accuracy in predicting body composition changes over a short intervention period. Predictions for body weight (−2.0%) and BMI (−2.1%) were more accurate. The relative prediction errors for VO₂max and maximal strength were 5.2% and 1.6%, respectively.
Strong positive correlations were found between predicted and measured values across all variables (r = 0.831–0.992, p < 0.001). However, high correlation coefficients did not necessarily reflect accurate predictions, emphasizing that prediction errors provide a more informative assessment of model accuracy than correlation alone.
In conclusion, the Coach4Health application consistently captured the direction of change in physical fitness variables, but the absolute accuracy of the predictions varied considerably between outcomes. The application can be considered a supportive tool for physical activity counselling and monitoring, although further development is required to improve the accuracy of body composition predictions before broader practical application.