Subtyping patients with chronic disease using longitudinal BMI patterns

Technische Samenvatting: Subtypering van patiënten met chronische ziekten op basis van longitudinale BMI-patronen

Probleemstelling
Obesitas is een goed vastgestelde risicofactor voor grote chronische ziekten, waaronder diabetes, kanker en cardiovasculaire aandoeningen. Hoewel de relatie tussen obesitas en deze ziekten uitgebreid is bestudeerd aan de hand van cross-sectionele BMI-metingen (data van één tijdstip), blijft de rol van longitudinale BMI-trajecten (patronen van gewichtsverandering over de tijd) onderbelicht, met name op grote schaal. Bestaande literatuur suggereert dat historische obesitaspatronen cruciaal zijn voor het begrijpen van het ziekterisico, terwijl traditionele voorspellingsmethoden er vaak niet in slagen deze temporele dynamiek te vangen, terwijl geavanceerde deep learning-benaderingen vaak een gebrek aan interpreteerbaarheid vertonen. Deze studie adresseert dit gat door te onderzoeken of longitudinale obesitaspatronen alleen al het toekomstige risico op het ontwikkelen van 18 belangrijke chronische ziekten kunnen voorspellen en door patiënten op basis van deze patronen te onderverdelen in subtypen.

Methodologie
De studie maakte gebruik van een grote, geografisch diverse Electronic Health Record (EHR)-dataset uit het athenahealth-systeem, die ongeveer 1,53 miljoen individuen beslaat (na filtering voor meerdere bezoeken) over een periode van zes jaar (2013–2018).

1. Cohortdefinitie: De onderzoekers definieerden 18 afzonderlijke cohorten, één voor elke belangrijke chronische ziekte (bijv. diabetes, beroerte, Alzheimer, kanker, hypertensie). Elk cohort omvatte patiënten die de specifieke ziekte hadden gediagnosticeerd en een gelijk aantal willekeurig geselecteerde gezonde controles. Een gecombineerd cohort van patiënten met een van de 18 ziekten werd eveneens geanalyseerd.
2. Feature Engineering: Om temporele obesitaspatronen te vangen met behoud van interpreteerbaarheid, werden negen nieuwe kenmerken (features) ontwikkeld uit individuele BMI-trajecten:
   • Gewogen gemiddelde BMI: Houdt rekening met onregelmatige tijdsintervallen tussen bezoeken.
   • Trend: Het gewogen gemiddelde van verschillen tussen opeenvolgende BMI-waarden (eerste afgeleide).
   • Genormaliseerd Up-Count en Down-Count: Meet de frequentie van gewichtstoename- en gewichtsverliescycli (gewichtscycli).
   • Maximale BMI: De hoogst geregistreerde BMI-waarde.
   • Maximale verandering in BMI: De grootste piek of daling tussen opeenvolgende bezoeken.
   • Start- en eind BMI-categorieën: Categorische variabelen die de BMI-classificatie (bijv. ondergewicht, obesitas) aangeven aan het begin en het einde van de observatieperiode.
   • Mediaan BMI: De centrale tendens van het traject.
3. Clustering (Subtypering): Het k-means clustering-algoritme werd toegepast op elk cohort met behulp van de negen ontwikkelde kenmerken. Het optimale aantal clusters werd bepaald met de elbow-methode, en de kwaliteit van de clusters werd gevalideerd met Silhouette- en Calinski-Harabasz-scores. De auteurs vergeleken k-means met hiërarchische clustering en Deep Temporal Clustering (DTC), waarbij zij vaststelden dat k-means de meest duidelijke, niet-overlappende clusters produceerde.
4. Analyse: De geïdentificeerde clusters werden geanalyseerd op demografische (leeftijd, geslacht, ras), sociaaleconomische (inkomen, verzekering) en fysiologische (HbA1c, bloeddruk, LDL) kenmerken. De relatieve risico's op ziekte-incidentie werden berekend voor clusters die gedomineerd worden door positieve gevallen versus negatieve gevallen.

Belangrijkste Bijdragen

• Interpreteerbare Feature Set: De auteurs definieerden een reeks van negen interpreteerbare, op bewijs gebaseerde kenmerken afgeleid van longitudinale BMI-waarden. In tegenstelling tot regressiemethoden die mogelijk temporele patronen missen, of deep learning-modellen die fungeren als "black boxes", leggen deze kenmerken expliciet trend, seasonaliteit en onregelmatigheid in BMI-gegevens vast.
• Validatie van Temporele Relevantie: De studie toonde aan dat kenmerken die temporele BMI-patronen vastleggen, direct geassocieerd zijn met de incidentie van specifieke ziekten, waaronder obesitas, diabetes, kanker, hypertensie, beroerte, dementie en anderen.
• Patiëntsubtypering: Het onderzoek slaagde erin onderscheidende patiëntsubtypen (clusters) te identificeren voor acht van de 18 onderzochte ziekten. Deze subtypes vertonen onderscheidbare patronen van ziekte-incidentie en worden gekenmerkt door unieke demografische, sociaaleconomische en fysiologische profielen.

Resultaten
De clusteringanalyse onthulde opvallende, duidelijke patronen in 8 van de 18 chronische ziektecohorten. De overige 10 ziekten vertoonden geen duidelijke BMI-gerelateerde subtypen, mogelijk door een onvoldoende aantal positieve gevallen of de afwezigheid van een sterk BMI-geïsoleerd signaal.

• Diabetes: Twee clusters (2 en 3) vertoonden een hoge concentratie van diabetespatiënten (60,83% en 57,28%, respectievelijk). Deze groepen werden gekenmerkt door hogere fysiologische risico's (verhoogde HbA1c, bloeddruk, LDL), een lager inkomen en BMI-trends die boven de 30 bleven met minder daling.
• Kanker: Cluster 2 vertoonde een hoger risico op kanker (59,68% positief) met hoge BMI-trends (>40), terwijl Cluster 3 voornamelijk gezonde individuen bevatte, maar met slechtere fysiologische metingen en een lagere BMI-trend.
• Hypertensie: Cluster 5 vertoonde een 1,66 keer hoger risico op hypertensie vergeleken met Cluster 2. Cluster 5 had hogere BMI-trends, een lager inkomen en een hoger aandeel zwarte of Afro-Amerikaanse patiënten.
• Alzheimer/Dementie: Clusters 2 en 3, bestaande uit oudere volwassenen met hoge BMI-trends of een stabiele hoge BMI, vertoonden aanzienlijk hogere risico's (2,93 en 2,51 keer) vergeleken met Cluster 1.
• Obesitas: Het obesitascohort vertoonde de meest duidelijke patronen. Clusters 2 en 3 hadden extreem hoge risico's op obesitas (29,7 en 32,87 keer hoger dan Cluster 1) en werden gekenmerkt door jongere/middelbare leeftijd met een hoge LDL en bloeddruk.
• Heupfractuur/Osteoporose: Er werd een inverse relatie waargenomen; clusters met meer positieve gevallen (fracturen) hadden comparatief gezien gezondere fysiologische metingen, terwijl clusters met slechtere gezondheidstoestanden minder positieve gevallen hadden.
• Gecombineerd Cohort: Analyse van patiënten met een van de 18 ziekten toonde aan dat de zieke clusters over het algemeen slechtere fysiologische metingen en lagere inkomens hadden vergeleken met de asymptomatische (gezonde) cohort, met significante raciale en geografische verschillen.

Betekenis en Claims
Het artikel beweert dat longitudinale BMI-patronen alleen al effectief individuen met een risico op specifieke chronische ziekten kunnen onderverdelen in subtypen, waarmee de directe relatie tussen BMI-trajecten en ziekten zoals diabetes, hypertensie en dementie wordt hersteld. De studie benadrukt dat patiëntsubtypering op basis van BMI-trajecten de rol van obesitas als factor in belangrijke chronische ziekten onderbouwt, waarbij specifieke subgroepen met unieke demografische en fysiologische kenmerken worden onthuld.

De auteurs nemen een bescheiden standpunt in door te merken dat hoewel BMI-patronen significant zijn, chronische ziekten het resultaat zijn van complexe interacties van vele covariaten. Zij erkennen beperkingen, waaronder het gebrek aan aparte man/vrouw-cohorten om de steekproefomvang te behouden en de afhankelijkheid van interpreteerbare kenmerken in plaats van complexere, minder interpreteerbare deep learning-modellen (zoals RNN's of transformers), die mogelijk verborgen patronen zouden kunnen onthullen als er grotere datasets beschikbaar waren. De studie concludeert dat deze bevindingen bestaande richtlijnen ondersteunen (bijv. screening op diabetes bij overweight personen tussen 40–59 jaar) en suggereren dat toekomstig onderzoek BMI-trends in samenhang met andere covariaten moet verkennen.