Identification of Core Biomarkers and Temporal Mechanism Investigation in Cardiovascular Disease: A Machine Learning and Cross-Lagged Path Model Approach
Deze studie maakte gebruik van de CHARLS-database en machine learning om de TyG-BMI-index en cystatine C te identificeren als kernbiomarkers voor het voorspellen van cardiovasculaire ziekten bij Chinese inwoners, waarbij een bidirectionele causale relatie tussen CVZ en de TyG-BMI-index werd onthuld en een unidirectionele link met cystatine C.
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
Hartziekten zijn een stille, meedogenloze kracht die in China meer levens eist dan welke andere doodsoorzaak dan ook, en vaak zonder waarschuwing toeslaat. Decennialang hebben artsen vertrouwd op een standaard set aan aanwijzingen om te raden wie een risico loopt: bloeddruk, cholesterolgehaltes en suiker in het bloed. Deze markers zijn nuttig, maar ze vertellen vaak slechts een deel van het verhaal; ze missen de subtiele, complexe manieren waarop ons lichaam signalen van problemen afgeeft lang voordat er een hartaanval of beroerte optreedt. Nu de bevolking vergrijst en metabole aandoeningen zoals diabetes gebruikelijker worden, is de behoefte aan een scherpere, nauwkeurigere manier om te voorspellen wie hartziekten zal ontwikkelen urgenter geworden. Onderzoekers richten zich nu op krachtige computertools om door enorme hoeveelheden gezondheidsgegevens te zeven, op zoek naar patronen die het menselijk oog misschien mist, in de hoop de specifieke biologische signalen te vinden die fungeren als de vroegste waarschuwingslichten voor cardiovasculaire problemen.
Een team onderzoekers van de Xinjiang Medical University en het Urumqi Center for Disease Control and Prevention besloot deze uitdaging aan te gaan door de gezondheidsgegevens van meer dan 10.000 volwassenen in China te analyseren. Ze gebruikten een enorme, nationaal representatieve enquête genaamd de China Health and Retirement Longitudinal Study, die de gezondheid van mensen in het hele land gedurende vele jaren volgt. Het doel was niet alleen om risicofactoren op te sommen, maar om een geavanceerd voorspellingsmodel te bouwen dat de meest kritieke biomarkers — meetbare stoffen in het bloed en het lichaam — kon identificeren die hartziekten voorspellen. Hiervoor gebruikten ze vier verschillende soorten machine learning-algoritmen, oftewel computerprogramma's die zijn ontworpen om van gegevens te leren en voorspellingen te doen. Deze programma's fungeerden als vier verschillende experts, die elk een unieke methode gebruikten om dezelfde set informatie te analyseren, die onder meer leeftijd, geslacht, opleiding en een breed scala aan bloedtesten omvatte, variërend van witte bloedcelgetallen tot complexe metabole indices.
De onderzoekers voedden de data uit 2015 aan deze computermodellen, met de opdracht om onderscheid te maken tussen mensen die al hartziekten hadden en mensen die dat niet hadden. De modellen werden getraind op een groot deel van de gegevens en vervolgens getest op een aparte groep om te zien hoe goed ze hun bevindingen konden generaliseren. Onder de vier benaderingen bleek één algoritme, bekend als XGBoost, het meest effectief in het filteren van de ruis en het aanwijzen van de ware voorspellers. Terwijl de computermodellen tientallen variabelen evalueerden, vielen twee specifieke indicatoren op als de krachtigste voorspellers van allemaal. De eerste was een samengestelde score genaamd de TyG-BMI-index, die metingen combineert van triglyceriden (een type vet in het bloed), bloedsuiker en de body mass index. De tweede was cystatine C, een eiwit dat dient als een gevoelige marker voor hoe goed de nieren afvalstoffen uit het bloed filteren. Deze twee factoren kwamen consequent bovenaan de lijst terecht en presteerden beter dan traditionele markers zoals standaard cholesterolgehaltes in hun vermogen om te voorspellen wie hartziekten zou krijgen.
Om niet alleen te begrijpen welke factoren belangrijk waren, maar ook hoe ze zich in de loop van de tijd tot hartziekten verhouden, keken de onderzoekers dieper naar een subgroep van deelnemers die gedurende vier jaar waren gevolgd, van 2011 tot 2015. Ze gebruikten een statistische methode genaamd cross-lagged path analysis om de richting van de relatie tussen deze biomarkers en hartziekten te bepalen. Deze benadering stelde hen in staat om te zien of een hoog niveau van een biomarker voorafging aan de ziekte, of dat de ziekte de niveaus van de biomarker deed veranderen. De resultaten onthulden een fascinerende en complexe dynamiek. Voor de TyG-BMI-index was de relatie bidirectioneel, wat betekent dat het een tweerichtingsverkeer was. Hoge niveaus van deze metabole marker verhoogden het risico op het ontwikkelen van hartziekten, en omgekeerd leken hartziekten de niveaus van deze marker nog verder te drijven, waardoor een vicieuze cirkel ontstond waarin de twee condities elkaar voedden.
In tegen tegenstelling hiertoe bewoog de relatie tussen cystatine C en hartziekten zich slechts in één richting. De analyse toonde aan dat het hebben van hartziekten leidde tot hogere niveaus van cystatine C, maar dat hoge niveaus van cystatine C de toekomstige onset van hartziekten niet op dezelfde manier voorspelden. Dit suggereert dat hoewel de nierfunctie, gemeten door cystatine C, een sterke indicator is van bestaande hartproblemen, het eerder een gevolg kan zijn van de belasting die hartziekten op het lichaam leggen, dan een primaire oorzaak. De studie vond dat bijna de helft van de deelnemers aan de enquête al een vorm van cardiovasculaire ziekte had, een percentage dat aanzienlijk hoger ligt dan in veel westerse populaties, wat de ernst van het probleem in China onderstreept. De onderzoekers concludeerden dat door zich te concentreren op deze twee kernmarkers — de metabole TyG-BMI-index en de niergerelateerde cystatine C — artsen potentieel in staat zijn om risicovolle individuen eerder te identificeren en in te grijpen voordat een catastrofale gebeurtenis plaatsvindt.
De bevindingen bieden een nieuw perspectief op hoe we de verbinding tussen het hart, het metabolisme en de nieren zien. De bidirectionele link tussen de TyG-BMI-index en hartziekten suggereert dat het beheren van lichaamsgewicht, bloedsuiker en vetgehaltes niet alleen gaat over het voorkomen van hartziekten, maar ook over het doorbreken van een cyclus die, eenmaal gestart, zelfversterkend wordt. De unidirectionele link met cystatine C onderstreept het belang van het monitoren van de niergezondheid bij patiënten die al hartcondities hebben, aangezien de belasting van de ziekte de nierfunctie snel kan beïnvloeden. Hoewel de studie zich richtte op middelbare en oudere volwassenen, en de onderzoekers opmerkten dat verdere validatie nodig is bij jongere populaties, biedt het werk een duidelijk, op data gebaseerd stappenplan voor de toekomst van de preventie van hartziekten. Door verder te kijken dan enkelvoudige getallen zoals cholesterol en door de nadruk te leggen op deze complexe, onderling verbonden biologische signalen, kan de medische gemeenschap eindelijk de middelen krijgen om een stap voor te blijven op een ziekte die al lang de belangrijkste doodsoorzaak is.
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.