Beyond BMI: Chinese Visceral Adiposity Index (CVAI) improves machine learning prediction of 9-year cardiometabolic multimorbidity in the CHARLS cohort
Met behulp van gegevens uit de CHARLS-cohort toont deze studie aan dat machine learning-modellen die de Chinese Visceral Adiposity Index (CVAI) en depressieve symptomen bevatten, effectief het risico op cardiometabole multimorbiditeit over 9 jaar voorspellen, waarbij ze BMI-gebaseerde benaderingen overtreffen en de cruciale rollen van visceraal vet en mentale gezondheid bij de voorspelling van samengestelde ziekten benadrukken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de vergrijzende bevolking van China reizen twee stille aandoeningen vaak samen: diabetes, een stoornis waarbij het lichaam moeite heeft met het reguleren van suiker, en cardiovasculaire ziekten, wat hartproblemen en beroertes omvat. Wanneer deze twee condities bij dezelfde persoon voorkomen, vormen ze een cluster van ziekte dat cardiometabole multimorbiditeit wordt genoemd. Deze combinatie is bijzonder gevaarlijk en drijft invaliditeit en sterfte aan onder volwassenen in de middelbare leeftijd en ouderen. Decennialang hebben artsen vertrouwd op eenvoudige metingen zoals de bodymassindex, een berekening gebaseerd op lengte en gewicht, om te raden wie deze ziekten zou ontwikkelen. Echter, dit enkele getal mist vaak de diepere waarheid over waar vet in het lichaam is opgeslagen en hoe het interageert met andere factoren zoals bloeddruk, stemming en metabolisme. Naarmate de bevolking ouder wordt, is de noodzaak om te voorspellen wie een risico loopt urgent geworden, waarbij de focus verschuift van eenvoudige gissingen naar meer precieze instrumenten die vroege interventie kunnen sturen.
Een team van onderzoekers van het Xijing Ziekenhuis in Xi'an zette zich af om een betere manier te ontwikkelen om deze risico's over een periode van negen jaar te voorspellen. Ze maakten gebruik van een enorme, nationaal representatieve enquête onder Chinese volwassenen, bekend als de China Health and Retirement Longitudinal Study. Deze database bood een gedetailleerd beeld van bijna 10.000 mensen en volgde hun gezondheid van 2011 tot 2020. De onderzoekers keken niet alleen naar wie ziek werd; ze gebruikten geavanceerde computeralgoritmen, een veld dat bekend staat als machine learning, om duizenden datapunten voor elke persoon te analyseren. Deze datapunten omvatten alles van bloedsuikerspiegels en cholesterol tot middelomtrek, grijpkracht en zelfs scores die symptomen van depressie meten. Het doel was om de computer te leren patronen te herkennen die menselijke artsen over het hoofd zouden kunnen zien, specifiek om te voorspellen wie de komende negen jaar diabetes, hartziekten of beide zou ontwikkelen.
De resultaten toonden een duidelijke hiërarchie in hoe gemakkelijk of moeilijk het is om deze condities te voorspellen. De computermodellen waren het meest succesvol in het voorspellen van diabetes, met een AUC van 0,71. Dit hoge niveau van prestatie suggereert dat de tekenen van diabetes vaak duidelijk geschreven staan in routinematige bloedtests en lichaamsmetingen, lang voordat de ziekte wordt gediagnosticeerd. In contrast hiermee bleek het voorspellen van hartziekten veel moeilijker, waarbij de modellen slechts een AUC van 0,63 bereikten. De onderzoekers kwamen tot de conclusie dat hartziekte een complexer puzzelstuk is, beïnvloed door plotselinge gebeurtenissen en factoren die niet altijd worden vastgelegd tijdens standaard controles. De voorspelling voor de gecombineerde conditie, waarbij iemand zowel diabetes als hartziekte ontwikkelt, viel ergens in het midden, met een AUC van ongeveer 0,63.
Wat maakte deze voorspellingen effectief, en wat onthulden ze over het menselijk lichaam? Voor diabetes identificeerde de computer correct dat een hoge bloedsuikerspiegel en obesitas de primaire drijfveren waren. Echter, voor de gecombineerde conditie van cardiometabole multimorbiditeit kwam een andere set factoren bovendrijven. De krachtigste voorspeller was niet een eenvoudige gewichtsmeting, maar een gespecialiseerde index genaamd de Chinese Visceral Adiposity Index. Deze index berekent hoeveel vet er diep in de buik wordt opgeslagen, rond de organen, door leeftijd, middelomtrek en bloedlipiden te combineren. De studie toonde aan dat dit diepe buikvet een veel betere waarschuwing is voor de gecombineerde ziekte dan het algemene lichaamsgewicht.
Nog opmerkelijker was de rol van mentale gezondheid. De computeranalyse plaatste symptomen van depressie als de tweede belangrijkste voorspeller voor de gecombineerde conditie, direct achter de viscerale vetindex. De gegevens suggereerden een krachtige link: wanneer een persoon overtollig diep buikvet draagt en ook kampt met depressieve symptomen, neemt het risico op het ontwikkelen van zowel diabetes als hartziekten significant toe. De twee factoren leken elkaar te versterken, waardoor een risicoprofiel ontstond dat groter was dan de som der delen. Deze bevinding wijst op een "psycho-metabole" verbinding, waarbij de stress van mentale nood en de fysieke last van visceraal vet samenwerken om het metabolisme van het lichaam te beschadigen.
Om deze bevindingen bruikbaar te maken voor artsen in de dagelijkse praktijk, probeerden de onderzoekers de complexe computermodellen te vereenvoudigen tot gemakkelijk te gebruiken scorekaarten. Voor diabetes en de gecombineerde conditie werkte dit goed. Ze creëerden eenvoudige checklists gebaseerd op de belangrijkste risicofactoren, zoals bloedsuikerspiegel, middelomtrek en depressiescores, die bijna de volledige voorspellende kracht van de volledige computermodellen behielden. Een arts zou deze scorekaarten snel kunnen gebruiken om patiënten in een kliniek te screenen. Echter, de poging om een vergelijkbare eenvoudige scorekaart voor hartziekten te maken, mislukte. Het vereenvoudigde instrument presteerde slecht en was niet in staat om onderscheid te maken tussen zij die ziek zouden worden en zij die dat niet zouden worden. Dit falen benadrukt dat hartziekte te complex is om te worden teruggebracht tot een eenvoudige lineaire checklist; het vereist waarschijnlijk meer geavanceerde instrumenten of nieuwe soorten medische gegevens om accuraat te voorspellen.
De studie concludeert dat hoewel we nu diabetes en het gecombineerde risico van diabetes en hartziekte met redelijke nauwkeurigheid kunnen voorspellen met routinedata, het voorspellen van hartziekten alleen een aanzienlijke uitdaging blijft. Het onderzoek onderstreept dat het essentieel is om naar de hele persoon te kijken. Het is niet voldoende om gewicht of bloeddruk in isolatie te meten. Om het risico voor volwassenen in de middelbare leeftijd en ouderen echt te begrijpen, moeten we kijken naar waar vet in het lichaam is opgeslagen en de diepgaande impact van mentale gezondheid op het fysieke welzijn erkennen. Door deze inzichten te integreren, kunnen zorgverleners bewegen naar een meer holistische aanpak voor de preventie van de dubbele last van metabole en cardiovasculaire ziekte.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.