La qualità muscolare e la distribuzione del grasso corporeo predicono il rischio di mortalità meglio dell'indice di massa corporea (BMI). / Muscle Quality and Fat Distribution Predict Mortality Risk Better than BMI

 La qualità muscolare e la distribuzione del grasso corporeo predicono il rischio di mortalità meglio dell'indice di massa corporea (BMI). Il procedimento del brevetto ENEA RM2012A000637 è molto utilein questo tipo di applicazione, / Muscle Quality and Fat Distribution Predict Mortality Risk Better than BMI. The procedure of the ENEA patent RM2012A000637 is very useful in this type of application,

Segnalato dal Dott. Giuseppe Cotellessa / Reported by Dr. Giuseppe Cotellessa

I ricercatori del Centro Medico Universitario di Friburgo, in Germania, affermano che misurazioni dettagliate della composizione corporea, ottenute tramite risonanza magnetica (RM) dell'intero corpo, possono prevedere il rischio di diabete, eventi cardiovascolari e mortalità con maggiore precisione rispetto ai metodi attualmente basati sull'indice di massa corporea (IMC). Utilizzando i dati di risonanza magnetica di oltre 66.000 persone, il gruppo ha sviluppato standard di riferimento, aggiustati per età, sesso ed altezza, che mostrano la distribuzione di grasso e muscoli nel corpo e la correlazione tra questi modelli e gli esiti di salute. I risultati, pubblicati sulla rivista Radiology, dimostrano che l'analisi sia della quantità che della qualità del muscolo scheletrico, insieme alla distribuzione del grasso corporeo, può fornire un metodo più accurato per determinare il rischio rispetto ai soli metodi basati sul peso.

"Molti punteggi di rischio e decisioni terapeutiche si basano ancora sull'indice di massa corporea (BMI) o sulla circonferenza della vita perché sono facili da ottenere", ha affermato l'autore senior Jakob Weiss, MD, PhD, radiologo interventista presso l'University Medical Center di Friburgo. "Ma il BMI non riflette in modo affidabile l'effettiva composizione corporea di una persona". Questo è uno dei risultati principali dello studio: individui con valori di BMI simili possono avere distribuzioni di grasso e muscoli marcatamente diverse, che comportano diversi livelli di rischio di malattie cardiometaboliche e mortalità.

Lo studio retrospettivo del gruppo ha analizzato le scansioni MRI di tutto il corpo di 66.608 persone utilizzando i dati della UK Biobank e della coorte nazionale tedesca raccolti tra aprile 2014 e maggio 2022. La coorte aveva un'età media di 57,7 anni e un BMI medio di 26,2. Utilizzando un framework di deep learning completamente automatizzato, i ricercatori hanno quantificato diverse misure della composizione corporea, tra cui tessuto adiposo sottocutaneo, tessuto adiposo viscerale, muscolo scheletrico, frazione di grasso del muscolo scheletrico e tessuto adiposo intramuscolare. Queste misure sono state normalizzate per età, sesso ed altezza. Da questi dati è stato sviluppato un punteggio per mostrare quanto i singoli individui si discostassero da un valore di riferimento aggiustato per la popolazione.

"I punteggi z della composizione corporea (BC) derivati ​​dalla risonanza magnetica di tutto il corpo sono stati utilizzati per identificare gli individui a rischio e prevedere gli esiti cardiometabolici e la mortalità al di là dei fattori di rischio tradizionali." Hanno quindi utilizzato le categorie di punteggio z per valutare le associazioni e gli esiti clinici.

I loro dati hanno mostrato che gli individui con un'elevata quantità di grasso viscerale presentavano un rischio 2,26 volte maggiore di sviluppare il diabete. Un'elevata quantità di grasso intramuscolare era associata ad un rischio 1,54 volte maggiore di eventi cardiovascolari avversi gravi, mentre una bassa massa muscolare scheletrica era collegata ad un aumento 1,44 volte della mortalità per tutte le cause.

Il sistema di apprendimento profondo utilizzato per sviluppare i profili di rischio è stato addestrato e valutato rispetto a standard di riferimento definiti dai radiologi, consentendogli di estrarre misurazioni volumetriche su tutto il corpo anziché basarsi su singole sezioni trasversali. Questo metodo ha permesso ai ricercatori di rilevare variazioni significative nella qualità muscolare e nella distribuzione del grasso che non sono visibili con altre tecniche.

"La misurazione manuale della composizione corporea in set di dati di imaging su larga scala richiede tempi proibitivi", hanno scritto i ricercatori. "Tuttavia, i recenti progressi nel deep learning hanno permesso una quantificazione completamente automatizzata, accurata ed efficiente a partire da immagini trasversali". Questa capacità ha permesso al gruppo di costruire curve di riferimento che riflettono come la composizione corporea cambia con l'età e differisce tra uomini e donne.

È importante sottolineare che la ricerca mette in luce i limiti dell'utilizzo dell'indice di massa corporea (BMI) per determinare il rischio futuro. Poiché il BMI viene calcolato utilizzando solo due parametri, altezza e peso, non distingue tra massa grassa e massa muscolare né tiene conto della distribuzione del grasso. Per questo motivo, due persone con lo stesso BMI possono presentare livelli molto diversi di grasso viscerale o massa muscolare, fattori che possono portare a diversi rischi per la salute. I ricercatori hanno dimostrato che le deviazioni in queste specifiche componenti, rilevate tramite i punteggi z basati sulla risonanza magnetica, erano predittive degli esiti anche dopo aver tenuto conto dei fattori di rischio tradizionali.

"Non conta solo la quantità di massa muscolare, ma anche la sua qualità", ha affermato il primo autore Matthias Jung, medico radiologo presso l'University Medical Center di Friburgo. "Conoscere il volume del grasso intramuscolare ci offre una prospettiva sulla qualità muscolare che altri metodi come l'indice di massa corporea (BMI), l'analisi dell'impedenza bioelettrica o la densitometria ossea a raggi X a doppia energia (DEXA) non sono in grado di fornire facilmente". Questa distinzione è rilevante perché il grasso intramuscolare è collegato a disfunzioni metaboliche e rischio cardiovascolare.

Lo studio ha inoltre prodotto un calcolatore online che consente a medici e ricercatori di confrontare i dati dei singoli pazienti con valori di riferimento basati sulla popolazione. Secondo Weiss, questo strumento potrebbe essere applicato agli esami di imaging già esistenti. "Non è necessariamente richiesta una risonanza magnetica total body dedicata. Se è già disponibile una TAC od una risonanza magnetica di routine, le informazioni possono essere estratte per il confronto con i valori di riferimento", ha affermato.

Lo studio presenta delle limitazioni, tra cui una coorte composta principalmente da adulti caucasici dell'Europa occidentale, il che potrebbe influire sulla generalizzabilità dei risultati. I ricercatori hanno inoltre sottolineato che la risonanza magnetica total body non viene eseguita di routine nella pratica clinica, sebbene abbiano fornito valori di riferimento per le regioni comunemente esaminate, come torace, addome e bacino, per ovviare a questo problema.

Il gruppo proseguirà il proprio lavoro cercando di convalidare le curve di riferimento in popolazioni cliniche ed esplorandone l'utilizzo nella previsione degli esiti del trattamento, inclusi tossicità, sopravvivenza e recidiva nei pazienti oncologici. Il gruppo prevede inoltre di sviluppare valori di riferimento specifici per patologia, destinati a gruppi di pazienti più ampi, al fine di estendere l'uso dell'analisi della composizione corporea nella pratica clinica.

ENGLISH

Researchers at the University Medical Center Freiburg in Germany, say that detailed measures of body composition derived from whole-body MRI scans can predict diabetes, cardiovascular events, and mortality risk better than current methods that rely on body mass index (BMI). Using MRI imaging data from more than 66,000 people, the team has developed age-, sex-, and height-adjusted reference standards that show how fat and muscle are distributed across the body and how these patterns relate to health outcomes. Their findings, published in the journal Radiology, show analysis of both the quantity and quality of skeletal muscle, along with where fat is distributed in the body, can provide a more accurate way to determine risk as opposed to weight-based methods alone.

“Many risk scores and treatment decisions still rely on BMI or waist circumference because they are simple to obtain,” said senior author Jakob Weiss, MD, PhD, an interventional radiologist at University Medical Center Freiburg. “But BMI does not reliably reflect a person’s actual body composition.” This is one of the central findings of the study: that individuals with similar BMI values can have markedly different distributions of fat and muscle, which carry different levels of risk for cardiometabolic disease and mortality.

The team’s retrospective study analyzed whole-body MRI scans from 66,608 people using data from the UK Biobank and the German National Cohort collected between April 2014 and May 2022. The cohort had a mean age of 57.7 years and an average BMI of 26.2. Using a fully automated deep learning framework, the researchers quantified multiple body composition measures, including subcutaneous adipose tissue, visceral adipose tissue, skeletal muscle, skeletal muscle fat fraction, and intramuscular adipose tissue. These measures were normalized for age, sex, and height. A score is developed from these data to show how far individuals deviated from a population-adjusted reference.

“Whole-body MRI–derived BC (body composition) z-scores were used to identify at-risk individuals and predict cardiometabolic outcomes and mortality beyond traditional risk factors.” They then used the z-score categories to assess associations and clinical outcomes.

Their data showed that individuals with high visceral fat had a 2.26-fold increased risk of developing diabetes. High intramuscular fat was associated with a 1.54-fold increased risk of major adverse cardiovascular events, while low skeletal muscle was linked to a 1.44-fold increase in all-cause mortality.

The deep learning system used to develop the risk profiles was trained and evaluated against radiologist-defined reference standards, allowing it to extract volumetric measurements across the entire body rather than relying on single cross-sectional slices. This method allowed the researchers to capture meaningful variations in muscle quality and fat distribution that are not visible through other techniques.

“Manual BC measurement in large-scale imaging datasets is prohibitively time-consuming,” the researchers wrote. “However, recent advances in deep learning have enabled fully automated, accurate, and efficient quantification from cross-sectional imaging.” This capability allowed the team to construct reference curves reflective of how body composition changes with age and differs between men and women.

Importantly, the research shines a light on the limitations of using BMI to determine future risk. Because BMI is calculated using only two metrics, height and weight, it does not distinguish between fat and muscle or account for where fat is stored. Because of this, two people with the same BMI may have very different levels of visceral fat or muscle mass, factors that can lead to different to different health risks. The researchers showed that deviations in these specific components, captured via their MRI-based z-scores, were predictive of outcomes even after accounting for traditional risk factors.

“It’s not only how much muscle you have, but also it’s the quality of that muscle,” said first author Matthias Jung, MD, a radiologist at University Medical Center Freiburg. “Knowing the volume of intramuscular fat gives us a window into muscle quality that other methods like BMI, bioelectrical impedance analysis, or DEXA can’t easily provide.” This distinction is relevant because intramuscular fat is linked to metabolic dysfunction and cardiovascular risk.

The study also produced a web-based calculator that allows clinicians and researchers to compare individual patient data with population-based reference values. According to Weiss, this tool could be applied to existing imaging studies. “A dedicated whole-body MRI is not necessarily required. If a routine CT or MRI body scan already exists, the information can be extracted for benchmarking against the reference values,” he said.

The study has limitations, including a cohort of primarily White Western European adults, which may impact the generalizability of the findings. The researchers also pointed out that whole-body MRI is not routinely performed in clinical practice, although they provided reference values for commonly imaged regions such as the chest, abdomen, and pelvis to address this.

The team will continue their work by seeking to validate the reference curves in clinical populations and exploring their use in predicting treatment outcomes, including toxicity, survival, and recurrence in cancer patients. The team also plans to develop disease-specific reference values for broader patient groups to broaden the use of body composition analysis into clinical care.

Da:

https://www.insideprecisionmedicine.com/topics/patient-care/muscle-quality-and-fat-distribution-predict-mortality-risk-better-than-bmi/?_hsenc=p2ANqtz-_DsJDJTyyKpuOMvP4qe_lSt7nCkKauiSuIwX-uFwPZMOB0-3UVbnZegCQHB01ekI-YD2TXsokSVvudspk9Irma-apIyFnIH5FQlYEpelbhUrp7Aik&_hsmi=417496515