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.