條文本
PDF
摘要
目標由於身體質量指數(BMI)無法區分脂肪質量和瘦質量，最近開發並驗證了幾個新的預測公式，用於預測脂肪質量(FM)，預測瘦質量(LM)和預測脂肪百分比(PF)。我們的目的是探討這三個新參數是否能比BMI、腰圍、臀圍和腰臀比等常用的肥胖指標更好地預測糖尿病(DM)。
設計采用15年前瞻性隊列研究。
設置這是一個前瞻性隊列，由1992年至2007年的普通中國人組成。
參與者這個隊列招募了711人。基線時患有糖尿病的患者(n=24)被排除在外，687例資料完整的非糖尿病患者被納入分析。
主要的結果最近診斷為糖尿病。
結果隨訪後，記錄了74例(48例男性和26例女性)糖尿病發病率。對於男性，調整後的hr在預測的PF分位數中分別為1,5.19 (p=0.003)和7.67 (p<0.001);預測值分別為1.86 (p=0.029)和5.60 (p<0.001);預測值分別為1.21 (p=0.646)和2.27 (p=0.025)。預測FM在所有體成分參數中Harrell’s c統計量最高，優於其他常用肥胖指標。然而，對於女性來說，這三個新參數都不是獨立的預測因子。
結論預測PF、預測LM和預測FM能夠獨立預測男性患DM的風險，預測FM的鑒別效果優於其他常用肥胖指標。對於女性，需要更大的樣本。
- 糖尿病與內分泌學
- 內科醫學
- 風險管理
數據可用性聲明
如有合理要求，可提供資料。本研究中使用和/或分析的數據集可根據通訊作者的合理要求提供。
這是一篇根據知識共享署名非商業(CC BY-NC 4.0)許可發布的開放獲取文章，該許可允許其他人以非商業方式分發，重新混合，改編，構建此作品，並以不同的條款授權其衍生作品，前提是正確引用原始作品，提供適當的信譽，指出任何更改，並且非商業性使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/。
來自Altmetric.com的統計數據
本研究的優勢和局限性
本研究探討了三個新的身體組成參數，包括預測脂肪質量、預測瘦質量和預測脂肪百分比，是否比身體質量指數和其他常用的肥胖指標更能預測糖尿病(DM)。
采用Cox回歸分析估計DM的hr，采用Harrell’s c統計量評估和比較各參數預測新發DM的區分能力。
相對較小的樣本量可能會導致統計能力下降。
介紹
糖尿病(DM)是一種慢性代謝疾病，其特征是由於身體無法產生胰島素或抵抗胰島素作用或兩者兼而有之而導致血糖水平升高。1糖尿病有兩種主要形式，胰島素依賴型糖尿病(1型糖尿病，T1DM)和非胰島素依賴型糖尿病(2型糖尿病，T2DM)。2型糖尿病是最常見的形式，占所有糖尿病患者的90%-95%。1糖尿病及其並發症可導致殘疾和過早死亡，2以及巨大的經濟和社會負擔。3.糖尿病無法治愈;因此，預防是最好的幹預。
在眾所周知的可改變的危險因素中，肥胖被定義為身體脂肪的過度積累，被認為是一個主要的危險因素。4在臨床和公共衛生機構中，身體質量指數(BMI)主要被用作衡量普遍肥胖的簡單而合理的指標。然而，由於BMI被定義為體重(公斤)除以身高(米)的平方的結果，因此它對代謝不同的成分(如脂肪質量(FM)和瘦質量(LM))的區分能力很差。5直接測量FM和LM在大型流行病學研究中是不切實際的，因為需要複雜和昂貴的技術，如雙能x射線吸收儀(DXA)或成像技術(即MRI和CT)。
最近,李等從美國國家健康和營養檢查調查的非收容平民的大量人口樣本中，開發了FM、LM和百分比脂肪(PF)的人體測量預測方程。6在最初的研究中，驗證測試顯示了穩健和一致的結果，沒有明顯的實質性偏差，並且具有通過直接DXA測量預測肥胖相關生物標誌物的可比能力。後來，基於兩個大型美國前瞻性隊列，預測FM和預測PF與T2DM的相關性都比BMI強。7然而，不同民族的身體成分不同。8 9健康的中國人和南亞人的內髒脂肪組織比相同BMI或腰圍(WC)的歐洲人要多。10因此，我們旨在評估這些方程與BMI和其他肥胖指標(包括腰圍、臀圍(HC)和腰臀比(WHR))相比，是否能更好地預測糖尿病的風險，在一個由中國人組成的15年前瞻性隊列中。
材料與方法
研究人群
2007年，在中國“十一五”科學研究大型項目《中國代謝綜合征發病率趨勢及綜合控製》的支持下，對成都市某城市社區711人進行了健康檢查。他們還在1992年接受了健康檢查，這是北京心肺血管疾病研究所批準的中國多省隊列研究的一部分，該研究調查了全國範圍內的心血管危險因素。因此，我們收集了數據，更多細節已在其他地方描述。11日12排除基線時患有糖尿病的患者(n=24)。沒有人丟失數據。最後，將剩下的687名數據完整的人納入分析。他們都提供了書麵知情同意書。本研究得到了中國衛生部和四川大學華西醫院倫理委員會的批準。
評價
定義
糖尿病的定義是自我報告病史或空腹血糖(FPG)≥7.0 mmol/L。13高血壓是指常規血壓≥140 mm Hg收縮壓，≥90 mm Hg舒張壓或使用降壓藥。在一級親屬中診斷為糖尿病，確定糖尿病家族史。吸煙被定義為平均每天至少吸一支煙。以前經常飲酒和現在飲酒都被定義為飲酒。活動定義為每周至少兩次20分鍾中等強度的身體活動。
數據收集
1992年的基線數據包括病史、體格檢查和生化化驗。由訓練有素的調查人員收集包含人口統計信息和心血管疾病危險因素的問卷。在正常呼氣結束時，在胸腔下緣和髂骨之間的中點測量WC。在臀區最大突出處測量HC。WHR由以厘米為單位的WC除以以厘米為單位的HC計算。身高是不穿鞋測量的。體重是穿著輕便的衣服測量的。在休息至少15分鍾後，以坐姿測量血壓，並使用標準化水銀血壓計測量的三次平均血壓作為參與者的血壓。研究人員在禁食12小時後的早晨抽取了參與者的血液樣本。酶促法測定FPG、總膽固醇(TC)和甘油三酯(TG)水平，磷鎢酸/MgCl法測定高密度脂蛋白膽固醇(HDL-C)水平2沉澱的方法。采用標準試劑盒測定低密度脂蛋白膽固醇(LDL-C)。
方程簡介
預測調頻方程(kg)）6
預測LM (kg)方程）6
預測PF(%)的方程）6
病人及公眾參與
患者和/或公眾沒有參與本研究的設計、實施、報告或傳播計劃。
統計分析
對於描述性結果，變量表示為平均值±SD、中位數和IQR，或計數和百分比。吸煙、飲酒、運動、高血壓和糖尿病家族史作為虛擬變量表示(存在=1，不存在=0)。對於正態分布變量，采用獨立t檢驗;對於偏態變量，采用非參數Mann-Whitney U檢驗。分類變量之間的相互作用用Pearson χ進行評估2測試，必要時使用費雪的精確概率。使用Pearson’s或Spearman’s分析確定不同變量之間的相關性。
我們把所有的參數都當作性別特異的分位數來處理。按Kaplan-Meier法以圖形顯示各分位數間的DM累積發病率，組間比較采用log-rank檢驗。采用Cox比例風險回歸模型評估各變量對糖尿病發病率的影響。此外，采用限製三次樣條分析可視化各變量與糖尿病發病率之間的關係。為了量化和比較不同參數的判別能力，計算Harrell’s c指數。一種普遍接受的方法表明，c -指數小於0.60反映出歧視程度較低;0.60-0.75，可能是有益的歧視，大於0.75，顯然是有益的歧視。14
所有統計檢驗均為雙側檢驗，以p值<0.05為有統計學意義。采用R V.3.6.3進行統計分析。
結果
基線特征
在排除基線時患有糖尿病的人(n=24)後，剩餘的687名(399名男性和288名女性)基線時無糖尿病且數據完整的人被納入分析。
隨後發生糖尿病的男性FPG、體重、BMI、WC、HC、預測FM、預測LM和預測PF的基線水平較高;與較高的基線TC、TG、身高、BMI、WC、HC、預測FM和預測PF水平以及較低的基線HDL-C水平相關。在基線時，兩組男性和女性之間的年齡沒有顯著性差異，但仍然有患糖尿病的人年齡較大的趨勢。基線資料的其他詳情見表1。
如圖所示在線補充表S1，預測FM與WC (r)呈顯著正相關年代=0.98)，其次是BMI (r年代=0.88)和HC (r年代=0.82);與BMI (r)密切相關年代=0.94)，其次是HC (r年代=0.87)和WC (r年代=0.83)。預測LM與預測FM (r)有較強的相關性年代=0.83)，與HC相關性較強(r年代=0.71)，但與WHR的相關性相對較弱(r年代=0.15)，女性(r年代= 0.29)。預測PF與WC (r)呈顯著正相關年代=0.97)， BMI (r年代=0.95)，但與男性LM預測值的相關性相對較弱(r年代=0.35)，女性(r年代= 0.51)。
生存分析
所有體成分參數被劃分為各分蘖。土壤1的估計值最低，土壤3的估計值最高。中按性別顯示所有參數的類別邊界在線補充表S2。經過15年的隨訪，記錄了74例(48例男性和26例女性)糖尿病發病率(發病率:0.74 / 100人年;95% CI: 0.57 ~ 0.91)。作為圖1 a - c目前，對於男性，Kaplan-Meier分析評估的DM累積發病率在預測FM (log-rank p=0.001)、預測LM (log-rank p=0.030)和預測PF (log-rank p<0.001)的三分位數之間存在顯著差異，其中三分位數的DM累積發病率最高。然而，對於女性，隻有預測PF (log-rank p=0.028)可以幫助區分三分位數的累積發病率(圖1 d）.
在隨訪期間，新預測的身體成分中DM的累積發病率。生存曲線以Kaplan-Meier曲線表示，各組間比較采用log-rank檢驗。對於男性(n=399)， Kaplan-Meier分析評估的DM累積發病率在預測FM (A, log-rank p=0.001)、預測LM (B, log-rank p=0.030)和預測PF (C, log-rank p<0.001)的三分位數之間存在顯著差異。對於女性(n=288)， Kaplan-Meier分析評估的DM累積發病率在預測PF的各分位數之間存在顯著差異(D, log-rank p=0.028)。前五分之一人群的DM(糖尿病)累積發病率最高;FM:脂肪量;LM，瘦質量;PF，百分之百的脂肪。
對於其他肥胖指標，Kaplan-Meier分析評估的DM累積發病率在男性BMI (log-rank p<0.001)、WC (log-rank p=0.001)、HC (log-rank p=0.006)和WHR (log-rank p=0.001)的各分位數之間存在顯著差異;女性的WC (log-rank p=0.002)和WHR (log-rank p<0.001)。
與糖尿病風險的關係
單變量Cox回歸分析見在線補充表S3。預測FM、預測PF、BMI、WC、HC和WHR是男性和女性糖尿病的危險因素，預測LM僅是男性的危險因素。將單變量分析中具有統計學意義或臨床相關性(p<0.1)的變量納入多變量分析。
在多變量分析中，我們調整了潛在的混雜因素，包括高血壓(是/否)、糖尿病家族史(是/否)、吸煙(是/否)、酒精(是/否)、運動(是/否)、男性TG、TC、HDL-C、LDL-C和FPG;女性高血壓(是/否)、糖尿病家族史(是/否)、吸煙(是/否)、飲酒(是/否)、活動(是/否)、收縮壓、TG、TC、HDL-C和FPG。
作為表2結果顯示，在男性中，預測的FM (p<0.001)、預測的LM (p=0.043)和預測的PF (p<0.001)都是顯著獨立的預測因子，前五分位數與DM的最高風險相關。與我們研究的其他參數相比，較高水平的預測PF與DM的風險增加的相關性更強，因為它與DM的風險呈正相關，三分位數的調整HR估計為5.19 (95% CI:分別為1.77 ~ 15.20,p=0.003)和7.67 (95% CI: 2.64 ~ 22.35, p<0.001)。預測FM與糖尿病風險呈正相關(HR: 2.86, 95% CI: 1.12 ~ 7.33, p=0.029);HR: 5.60, 95% CI: 2.27至13.80,p<0.001，分別為3個指標)。其他常用參數如BMI (p<0.001)、WC (p<0.001)、HC (p=0.004)和WHR (p<0.001)也是顯著的預測因子(在線補充表S4)，水分比和水分比在不同類型間呈顯著正相關。
然而，對於女性來說，三個新參數在調整後都沒有顯著的獨立性(表2)，以及其他常用的肥胖指標，但WHR (p<0.001)保持穩定且顯著(在線補充表S4）.
此外,隨著表2如圖所示，我們將預測的FM、預測的LM和預測的PF視為連續變量。在男性中，所有這些因素都是獨立的危險因素，用於靈活建模和可視化與糖尿病風險關係的限製三次樣條也是如此(在線補充圖S1）.以中位數作為參考點，所有三個新參數均顯示與男性糖尿病的總體正相關(圖1）;而在女性中，僅預測PF與糖尿病(表2;HR: 1.34每增加1-SD, 95% CI: 1.15至1.57,p<0.001)，限製三次樣條顯示了類似的關係，特別是在中位數(在線補充圖2）.
討論
在本研究中，我們研究了預測FM、預測LM和預測PF三個新的身體組成參數對糖尿病風險的預測能力，並與其他肥胖指標進行了比較，對中國前瞻性人群進行了15年的隨訪。對於男性，我們的結果顯示預測FM、預測LM和預測PF可以獨立預測DM的新發;在我們研究的所有參數中，預測FM具有最好的判別能力，可能為預測DM提供了有用的信息。對於女性，在多變量分析中，這三個新參數都不能顯著獨立;在我們估計的所有參數中，WHR是唯一的獨立預測因子，其Harrell的c指數為0.768，這表明明顯有用的區分。
據我們所知，這是首次在中國前瞻性隊列研究中評估三個新的身體組成參數與糖尿病發病率之間的關係。長期以來，BMI一直被首選作為衡量整體肥胖程度的指標，以識別糖尿病風險增加的人群。15然而，最近人們並不認為身體質量指數是肥胖的良好指標。5日16它不能區分脂肪和瘦肉的質量，也沒有性別區分。例如，在常識中，運動員或喜歡運動的人總是有較重的體重，他們有較大的體重指數，但他們並不肥胖。此外，衰老與內髒脂肪的積累和肌肉質量的逐漸減少有關。16在相同的身體質量指數下，一個老人比一個年輕人有更多的脂肪和更少的肌肉。
最近,李等6建立了預測FM、LM和PF的方程，以更好地反映身體成分。預測方程計算簡單，隻需要性別、年齡、身高、體重、腰圍和種族等信息，這些信息在臨床環境甚至在家裏都很容易測量和獲取。李等後來在美國男性和女性的兩個大型前瞻性隊列中調查了預測FM與糖尿病風險之間的關係。7他們發現，無論是男性還是女性，預測的FM和預測的PF與糖尿病的關聯都比BMI更強。同樣，在我們以中國人群為研究對象的研究中，在男性組中，預測FM和預測PF都能獨立預測DM的發生，預測FM的Harrell’s值最高。與其他參數相比，較高的預測PF與糖尿病風險增加的相關性更強。
除了預測糖尿病外，還探討了預測FM和預測PF與成人T2DM患者心力衰竭和心肌梗死風險的關係。17結果顯示，預測FM下降，但不預測LM，超過1年與整體心力衰竭風險降低顯著相關(預測FM每下降10%調整HR: 0.80;95% CI: 0.68 ~ 0.95);預測FM的下降與兩種心力衰竭亞型(保留或降低射血分數)的降低風險顯著相關。
在對控製糖尿病心血管風險行動(ACCORD)研究數據的事後分析中，18研究人員修改了兩個參數，FM指數和瘦BMI，分別由預測FM和預測LM計算，單位為公斤除以身高的平方，單位為米。他們發現，在T2DM患者中，FM指數與主要不良心血管事件的高風險呈正相關，而預測的瘦BMI與主要心血管事件無關(p=0.34)。
在美國一項大型前瞻性男性隊列研究中，19預測FM與各種原因死亡率、心血管疾病和癌症之間存在強烈的正相關。與預測FM最低五分之一的男性相比，最高五分之一的男性全因死亡率HR為1.35 (95% CI: 1.26至1.46)。相比之下，預測LM與全因死亡率呈u型關係，五分之二到五分之四的男性風險降低了8%-10%。u型的關聯也與心血管疾病和癌症死亡有關。然而，預測LM與呼吸係統疾病死亡率之間存在很強的負相關。
瘦體重占人體體重的大部分，不僅在應激反應中，而且在新陳代謝中都是必不可少的。20.肌肉損失可能有負麵影響。20 - 22兒子等先前在韓國中老年成年人中進行了一項為期2年的前瞻性評估，並報道了低肌肉量與T2DM風險增加相關，獨立於一般肥胖。23相比之下，在我們的研究中，對於DM的發展，預測LM的保護作用還不能得出結論。相反，在男性組中，預測LM的前1 / 4的人患病風險更高。由於缺乏直接評估肌肉量增加在預防新發糖尿病中的作用的隨機臨床試驗研究，24預測LM與DM風險之間的關係有待進一步探討。畢竟，LM的增加並不總是被簡單地報道為疾病或死亡的保護因素。17日至19日
我們的研究當然有一些局限性。首先，687是一個相對較小的樣本量，可能會導致統計能力下降，例如，女性的結果。盡管如此，我們仍然觀察到，作為一個連續變量，預測的PF可以獨立預測女性發生糖尿病的風險。也許在更大的人群中，這種關係和比較會更準確。其次，由於在我們的研究中缺乏口服葡萄糖耐量試驗和血紅蛋白A1c數據，一些人可能沒有得到充分的診斷。第三，隻進行了一次後續檢查，因此無法保證是否發生了“間隔審查”。
綜上所述，在中國普通人群中，預測FM、預測LM和預測PF能夠獨立預測男性患DM的風險，預測FM的鑒別效果優於BMI、WC、HC和WHR等其他常用肥胖指標。而對於女性，可以預測FM，預測LM，預測PF等肥胖指標，而WHR在多變量分析中不能保持穩定和獨立，這可能是由於樣本量相對較小，相應的終點較少。因此，這些發現的結論應謹慎外推，並需要來自不同種族的更大樣本來探索反映身體成分的三個新方程對發生糖尿病和其他疾病的預測能力。
數據可用性聲明
如有合理要求，可提供資料。本研究中使用和/或分析的數據集可根據通訊作者的合理要求提供。
倫理語句
患者同意發表
倫理批準
本研究涉及人類受試者，經中國衛生部和四川大學華西醫院倫理委員會批準。我們詢問了原始數據的來源，文獻(china J Cardiol 1999; 27:5-8)沒有給出倫理單位的參考編號。參與者在參加研究前給予知情同意。
致謝
我們感謝所有工作人員在本研究中收集、錄入和監測數據。
參考文獻
補充材料
腳注
LL和CB貢獻相等。
調整通知本文在網上發布後已進行了更正。最後三位作者的隸屬關係與相等貢獻聲明一起被更正。
貢獻者LL和SJ:參與研究的構思和設計，進行數據收集和統計分析，撰寫論文初稿。CB:參與研究的構思和設計，進行統計分析，撰寫修訂版本。SH和XC:擔保人，參與研究的設計，進行統計分析和修改後續草案。所有作者都閱讀並批準了最終的手稿。
資金四川省科技廳重點研發項目(批準號:22ZDYF1527);國家自然科學基金(資助號:81600299);國家“八五”科研計劃項目1項(資助號:85-915-01-02);國家“十一五”科研重大專項(批準號:2006BAI01A01)。
相互競爭的利益沒有宣布。
病人及公眾參與患者和/或公眾沒有參與本研究的設計、實施、報告或傳播計劃。
出處和同行評審不是委托;外部同行評審。
補充材料本內容由作者提供。它沒有經過英國醫學雜誌出版集團有限公司(BMJ)的審查，也可能沒有經過同行評審。討論的任何意見或建議僅僅是作者的意見或建議，不被BMJ認可。BMJ不承擔所有的責任和責任，因為任何依賴放置在內容上。如果內容包含任何翻譯材料，BMJ不保證翻譯的準確性和可靠性(包括但不限於當地法規，臨床指南，術語，藥物名稱和藥物劑量)，並且不對翻譯和改編或其他方式引起的任何錯誤和/或遺漏負責。