Intervention studies often assume that changes in an outcome are homogenous across the population, however this assumption might not always hold. This article describes how latent class growth modelling (LCGM) can be performed in intervention studies, using an empirical example, and discusses the challenges and potential implications of this method. The analysis included 110 young adults with mobility disability that had participated in a parallel randomized controlled trial and received either a mobile app program (n = 55) or a supervised health program (n = 55) for 12 weeks. The primary outcome was accelerometer measured moderate to vigorous physical activity (MVPA) levels in min/day assessed at baseline, 6 weeks, 12 weeks, and 1-year post intervention. The mean change of MVPA from baseline to 1-year was estimated using paired t-test. LCGM was performed to determine the trajectories of MVPA. Logistic regression models were used to identify potential predictors of trajectories. There was no significant difference between baseline and 1-year MVPA levels (4.8 min/day, 95% CI: −1.4, 10.9). Four MVPA trajectories, ‘Normal/Decrease’, ‘Normal/Increase’, ‘Normal/Rapid increase’, and ‘High/Increase’, were identified through LCGM. Individuals with younger age and higher baseline MVPA were more likely to have increasing trajectories of MVPA. LCGM uncovered hidden trajectories of physical activity that were not represented by the average pattern. This approach could provide significant insights when included in intervention studies. For higher accuracy it is recommended to include larger sample sizes.

干预研究通常假设结果的变化在人群中是同质的，但是这种假设可能并不总是成立。本文描述了如何在干预研究中执行潜在类别增长建模 (LCGM)，使用一个经验示例，并讨论该方法的挑战和潜在影响。该分析包括 110 名行动障碍的年轻人，他们参加了一项平行随机对照试验，并接受了为期 12 周的移动应用程序 (n = 55) 或监督健康计划 (n = 55)。主要结果是在基线、6 周、12 周和 1 年干预后评估的加速度计测量的中度到剧烈体力活动 (MVPA) 水平（以分钟/天为单位）。MVPA 从基线到 1 年的平均变化是使用配对 t 检验估计的。进行 LCGM 以确定 MVPA 的轨迹。逻辑回归模型用于识别轨迹的潜在预测因子。基线和 1 年 MVPA 水平之间没有显着差异（4.8 分钟/天，95% CI：-1.4，10.9）。通过 LCGM 确定了四个 MVPA 轨迹，“正常/降低”、“正常/增加”、“正常/快速增加”和“高/增加”。年龄较小且基线 MVPA 较高的个体更有可能具有越来越多的 MVPA 轨迹。LCGM 发现了隐藏的体育活动轨迹，这些轨迹并没有被平均模式所代表。当纳入干预研究时，这种方法可以提供重要的见解。为了获得更高的准确性，建议包含更大的样本量。逻辑回归模型用于识别轨迹的潜在预测因子。基线和 1 年 MVPA 水平之间没有显着差异（4.8 分钟/天，95% CI：-1.4，10.9）。通过 LCGM 确定了四个 MVPA 轨迹，“正常/降低”、“正常/增加”、“正常/快速增加”和“高/增加”。年龄较小且基线 MVPA 较高的个体更有可能具有越来越多的 MVPA 轨迹。LCGM 发现了隐藏的体育活动轨迹，这些轨迹并没有被平均模式所代表。当纳入干预研究时，这种方法可以提供重要的见解。为了获得更高的准确性，建议包含更大的样本量。逻辑回归模型用于识别轨迹的潜在预测因子。基线和 1 年 MVPA 水平之间没有显着差异（4.8 分钟/天，95% CI：-1.4，10.9）。通过 LCGM 确定了四个 MVPA 轨迹，“正常/降低”、“正常/增加”、“正常/快速增加”和“高/增加”。年龄较小且基线 MVPA 较高的个体更有可能具有越来越多的 MVPA 轨迹。LCGM 发现了隐藏的体育活动轨迹，这些轨迹并没有被平均模式所代表。当纳入干预研究时，这种方法可以提供重要的见解。为了获得更高的准确性，建议包含更大的样本量。4, 10.9)。通过 LCGM 确定了四个 MVPA 轨迹，“正常/降低”、“正常/增加”、“正常/快速增加”和“高/增加”。年龄较小且基线 MVPA 较高的个体更有可能具有越来越多的 MVPA 轨迹。LCGM 发现了隐藏的体育活动轨迹，这些轨迹并没有被平均模式所代表。当纳入干预研究时，这种方法可以提供重要的见解。为了获得更高的准确性，建议包含更大的样本量。4, 10.9)。通过 LCGM 确定了四个 MVPA 轨迹，“正常/降低”、“正常/增加”、“正常/快速增加”和“高/增加”。年龄较小且基线 MVPA 较高的个体更有可能具有越来越多的 MVPA 轨迹。LCGM 发现了隐藏的体育活动轨迹，这些轨迹并没有被平均模式所代表。当纳入干预研究时，这种方法可以提供重要的见解。为了获得更高的准确性，建议包含更大的样本量。LCGM 发现了隐藏的体育活动轨迹，这些轨迹并没有被平均模式所代表。当纳入干预研究时，这种方法可以提供重要的见解。为了获得更高的准确性，建议包含更大的样本量。LCGM 发现了隐藏的体育活动轨迹，这些轨迹并没有被平均模式所代表。当纳入干预研究时，这种方法可以提供重要的见解。为了获得更高的准确性，建议包含更大的样本量。