Un instrument inovator evaluează riscul de afecțiuni legate de obezitate, dincolo de IMC
Un instrument bazat pe date, dezvoltat pe baza informațiilor a aproape 200.000 de indivizi, identifică persoanele cele mai predispuse la boli grave legate de obezitate, oferind o metodă mai inteligentă de a viza tratamentele dincolo de IMC.
Un studiu recent publicat în Nature Medicine a dezvoltat și validat OBSCORE, un model care identifică persoanele supraponderale sau obeze cu un risc crescut de a dezvolta probleme de sănătate asociate.
Obezitatea este o afecțiune cronică care crește semnificativ susceptibilitatea la boli metabolice, cum ar fi diabetul de tip 2 și bolile cardiovasculare, precum și complicații mecanice, cum ar fi apneea de somn. Aceste probleme sunt responsabile anual de aproximativ 5 milioane de decese și 130 milioane de ani de viață ajustați în funcție de dizabilitate, reflectând o creștere de trei ori începând din 1990.
Având în vedere că 60–70% dintre adulții din populațiile occidentale sunt clasificați ca supraponderali sau obezi, implementarea pe scară largă a farmacoterapiei prezintă provocări logistice și economice considerabile pentru sistemele de sănătate. Alocarea eficientă a resurselor între intervenții farmacologice, dietetice, comportamentale și chirurgicale necesită identificarea precisă a indivizilor cu risc crescut de complicații legate de obezitate. Focalizarea exclusivă pe indicele de masă corporală (IMC) s-a dovedit a fi insuficientă.
Structurile actuale pun accent pe definirea obezității clinice printr-o lentilă multidimensională, care include starea de sănătate și subtipurile fenotipice. Cu toate acestea, parametrii specifici necesari pentru stratificarea robustă a riscurilor rămân nerezolvați, iar o abordare validată, bazată pe date, pentru intervenția bazată pe risc lipsește.
Studiile populaționale contemporane de mari dimensiuni, care utilizează evaluări complexe ale bazei de date și legătura longitudinală cu dosarele medicale, facilitează integrarea modalităților de date heterogene. Deși tehnicile de învățare automată pot extrage predictori relevanți din seturi de date de mari dimensiuni, capacitatea lor de a construi instrumente clinice bazate pe risc pentru gestionarea obezității rămâne în mare parte neexplorată.
Studiul de față a introdus OBSCORE, un instrument de predicție a riscurilor care identifică indivizii cu risc ridicat pentru intervenție. Acesta a utilizat Biobanca din Marea Britanie (UKB), un studiu prospectiv bazat pe populație cu aproximativ 500.000 de rezidenți din Marea Britanie cu vârste cuprinse între 40 și 69 de ani.
Dimensiunea eșantionului nu a fost predeterminată statistic, iar randomizarea sau orbirea nu au fost utilizate. Pentru a reflecta realitatea clinică, au fost folosite criterii de excludere similare celor din studiul SURMOUNT-1: adulții cu IMC ≥27 kg/m² au fost incluși, cu sau fără comorbidități. Cei cu contraindicații sau condiții specifice au fost excluși.
Un cadru de învățare automată în două etape a combinat LASSO pentru selecția caracteristicilor și un model Cox regularizat pentru optimizare și validare, concentrându-se pe cele mai importante 20 de caracteristici pentru fiecare complicație. Cohorta a fost împărțită în seturi de selecție a caracteristicilor, optimizare și validare, iar performanța modelului a fost evaluată cu ajutorul indicelui C bootstrapat.
Pentru a îmbunătăți utilitatea clinică, a fost conceput un model unic cu 20 de caracteristici fundamentale, care ar putea permite implementarea practică în setările clinice prin predicția mai multor complicații, iar modelele specifice pentru rezultate au fost recalibrate după cum a fost necesar. Un model clinic comun a fost validat extern în cohorta Europeană de Investigație asupra Cancerului (EPIC)-Norfolk pentru un subset de rezultate și în studiile Genes & Health, care au implicat adulți britanici pakistanezi și bangladezi pentru diabetul de tip 2.
OBSCORE permite o stratificare precisă și individualizată a riscurilor dincolo de IMC. Dintre cei aproape 500.000 de participanți la Biobanca din Marea Britanie, 197.264 au îndeplinit criteriile pentru studiul de pierdere în greutate (97.421 supraponderali, 99.843 obezi; vârsta medie de 58 de ani). La început, 9,3% aveau diabet de tip 2 și 4,4% aveau o istorie cardiacă majoră. Pe parcursul a 10 ani, au fost urmărite 18 complicații legate de obezitate, cele mai frecvente fiind artropatia și hipertensiunea, iar 9.337 de decese au fost înregistrate. Dintre cei 2.390 de predictori candidați, 2.078 au rămas după eliminarea variabilelor foarte corelate.
Starea generală de sănătate, comportamentul și biomarkerii clinici din sânge au oferit cea mai bună performanță predictivă; scorurile poligenice au avut cea mai slabă performanță. Includerea tuturor caracteristicilor a dat rezultate similare cu utilizarea doar a celor 20 de vârfuri, cu excepția bolilor și medicamentelor, unde utilizarea mai multor caracteristici a dus la o performanță mai bună.
Pentru a testa acuratețea predicției, diferite tipuri de date de sănătate au fost adăugate treptat, folosind cele mai importante 20 de caracteristici din fiecare domeniu. Combinarea diagnosticului, medicamentelor și analizelor de sânge cu informațiile generale de sănătate a îmbunătățit acuratețea predicției, evidențiind importanța dosarelor clinice. Totuși, adăugarea unor date suplimentare, cum ar fi măsurile cardiopulmonare, compoziția corporală, metabolitul sau informațiile genetice a adus puțin beneficiu suplimentar pentru cele mai multe rezultate.
Cele mai puternice performanțe predictive au fost observate pentru afecțiuni precum guta, boala cronică de rinichi și diabetul de tip 2. Aceste rezultate au fost în mare parte determinate de biomarkerii din sânge; cu toate acestea, anumite condiții, inclusiv hernia diafragmatică, au rămas dificile de prezis cu acuratețe.
Au fost identificate douăzeci de caracteristici clinice comune, în mare parte necorelate, pentru a crea un model unic, OBSCORE, care prezice riscul pentru toate cele 18 rezultate. Acest model pune accent pe datele rapid disponibile clinic, în detrimentul markerilor complecși, cum ar fi metabolitul și genetica, care au contribuit cu puțin suplimentar.
OBSCORE a demonstrat o acuratețe predictivă comparabilă cu modelele mai complexe, specifice pentru rezultate, cu doar mici diferențe. A depășit constant abordările bazate pe IMC și modelele bazate pe caracteristici din scoruri de risc stabilite (cum ar fi ASCVD și SCORE2), în special pentru condiții non-cardiovasculare, cum ar fi diabetul de tip 2 și apneea de somn. Aceste constatări au fost robuste în toate subgrupurile de pacienți și au arătat generalizabilitate în cohortele externe, subliniind aplicabilitatea potențială a modelului în diverse populații.
Comparând ratele de detecție în funcție de diferite praguri de fals-pozitiv, OBSCORE și modelele extinse specifice pentru rezultate au avut performanțe similare. Este important de menționat că OBSCORE a identificat mai eficient indivizii cu
