Minimal measurement strategies for cardiometabolic risk classification within the Positive Health framework: A cross-sectional analysis of NHANES 1999-2004 data

Résumé technique : Stratégies de mesure minimale pour la classification du risque cardiométabolique dans le cadre de la Santé Positive

Énoncé du problème
Les maladies non transmissibles (MNT) demeurent une cause primaire de mortalité mondiale, alimentées par des facteurs de risque tels que l'adiposité, le dysfonctionnement métabolique et la réduction de la forme physique. Bien que le cadre de la « Santé Positive » (SP) ait élargi la définition de la santé pour inclure les dimensions physiologiques, sociales et émotionnelles, les instruments de SP actuels manquent d'indicateurs physiologiques objectifs et évolutifs pour la santé métabolique et cardiovasculaire. Bien que divers indicateurs anthropométriques soient connus pour être corrélés au risque cardiométabolique, il reste incertain quelle combinaison spécifique d'indicateurs simples, auto-mesurables, apporte des améliorations significatives de la classification du risque par rapport à des approches plus simples. Il est nécessaire de déterminer si un ensemble parcimonieux de mesures peut atteindre une performance de classification comparable à un ensemble complet de candidats, réduisant ainsi la charge de mesure dans la surveillance de la santé de la population.

Méthodologie
Cette étude transversale a utilisé les données de 8 275 adultes issus des cohortes de l'enquête nationale sur l'examen de la santé et de la nutrition (NHANES) de 1999 à 2004. Les chercheurs ont évalué un ensemble minimal prédéfini de quatre indicateurs auto-mesurables sélectionnés sur la base de normes de santé et de consultations d'experts :

1. Indice de masse corporelle (IMC) : Proxy du métabolisme des lipides.
2. Rapport taille-hauteur (RTH) : Proxy du pourcentage de graisse corporelle.
3. Périmètre brachial moyen (PBM) : Proxy du métabolisme du glucose.
4. VO2max : Utilisé comme proxy du test de marche de 6 minutes (6MWT) pour représenter la capacité cardiorespiratoire (mesuré dans un sous-échantillon de n=2 919).

Ces indicateurs ont été liés à des résultats de risques cliniques catégorisés en groupes à faible et haut risque basés sur des seuils épidémiologiques : pourcentage de graisse corporelle, HbA1c, glucose, insuline, cholestérol et triglycérides.

L'étude a employé deux approches analytiques complémentaires :

• Régression logistique imbriquée : Les modèles ont été construits par étapes : (i) modèle de base (âge, sexe) ; (ii) +IMC ; (iii) +RTH ; (iv) +IMC+RTH ; et (v) modèle complet (incluant le PBM et la VO2max là où elle était disponible). La performance a été évaluée par des tests de rapport de vraisemblance (LRT), l'AUC-ROC et l'AUC de précision-rappel (PR-AUC) pour gérer les déséquilibres de classes.
• Analyse par arbre de décision : Utilisée pour identifier les relations non linéaires et déterminer les variables primaires pilotant les décisions de classification (variables de division) au sein de l'ensemble minimal.

Résultats clés

• Dominance du RTH : Dans presque tous les modèles et résultats, le RTH a systématiquement démontré la performance discriminante la plus forte. Dans les modèles imbriqués, la différence de PR-AUC entre l'IMC et le RTH variait de -0,002 à -0,037, le RTH émergeant comme la principale variable de division dans les arbres de décision.
• Valeur incrémentale de l'IMC : L'ajout de l'IMC à un modèle contenant le RTH n'a entraîné que des gains marginaux de PR-AUC pour la plupart des résultats (0,000 à 0,008). Une exception notable concerne les triglycérides, où l'ajout de l'IMC a produit un gain plus important (ΔPR-AUC = 0,039).
• Valeur limitée du PBM et de la VO2max : L'inclusion supplémentaire du PBM et de la VO2max a apporté une valeur de classification supplémentaire limitée dans l'ensemble.
  • VO2max : Dans le sous-échantillon où la VO2max a été mesurée, l'ajout de celle-ci au modèle n'a pas amélioré la classification au-delà des mesures anthropométriques. Cependant, dans les analyses d'arbres de décision stratifiées par sexe, la VO2max était une variable influente pour les hommes, tandis que le PBM semblait plus important pour les femmes.
  • Résultats de Glucose/Insuline : Aucun arbre de décision significatif n'a pu être généré pour l'HbA1c, l'insuline ou le glucose, indiquant que les prédicteurs disponibles ne permetaient pas de diviser efficacement ces résultats spécifiques.
• Performance du modèle : Les arbres de décision combinant l'ensemble minimal (incluant la VO2max) ont montré une sensibilité et une exactitude équilibrée plus élevées par rapport aux modèles basés uniquement sur l'IMC, particulièrement pour la détection des individus présentant une élévation de la graisse corporelle, des triglycérides et du cholestérol total.

Signification et affirmations
L'article conclut qu'une stratégie de mesure parcimonieuse utilisant un nombre limité d'indicateurs simples et auto-mesurables est suffisante pour la classification du risque cardiométabolique. Plus précisément, l'étude affirme que :

• Le RTH est le moteur principal : Il surpasse systématiquement l'IMC et constitue l'indicateur unique le plus efficace pour identifier les individus à risque d'une élévation de la graisse corporelle, des triglycérides et du cholestérol.
• Rendements décroissants : L'ajout d'autres mesures (PBM, VO2max) apporte peu de bénéfices supplémentaires à la performance de classification, suggérant que les protocoles de mesure complexes peuvent ne pas être nécessaires pour la stratification initiale du risque.
• Faisabilité pour la Santé Positive : Ces résultats soutiennent l'intégration de stratégies anthropométriques simples et économes en ressources dans le cadre de la Santé Positive. Cette approche peut alléger la charge de mesure dans les contextes de santé publique et de prévention tout en maintenant la capacité de classifier le risque efficacement.

Les auteurs notent des limites, notamment la nature transversale des données (empêchant la prédiction de risque à long terme), l'utilisation de données mesurées par des chercheurs plutôt que par les sujets dans NHANES, et un biais de sélection potentiel dans le sous-échantillon de la VO2max (qui était plus jeune et en meilleure santé). Ils suggent que des recherches futures devraient valider ces résultats dans des cohortes longitudinales et explorer des seuils spécifiques aux sous-groupes.