Körperform-plus-Blutzucker-Index sagt Fettlebererkrankung besser voraus als BMI
Eine neue Studie zeigt, dass die Kombination des Body-Roundness-Index mit dem Triglyzerid-Glukose-Index eine Genauigkeit von 80 % bei der Vorhersage von Fettlebererkrankungen erreicht.
Zusammenfassung
Forscher analysierten Daten von 1.211 Amerikanern, um zu testen, ob die Kombination des Body-Roundness-Index (BRI) mit dem Triglyzerid-Glukose-Index (TyG) die metabolisch-assoziierte steatotische Lebererkrankung (MASLD) besser vorhersagen kann als herkömmliche Messmethoden. Der kombinierte Ansatz erreichte eine Genauigkeit von 79,7 % und übertraf damit den BMI allein. Maschinelle Lernmodelle steigerten die Genauigkeit auf 91,8 %. Dies deutet darauf hin, dass einfache Bluttests in Kombination mit Taillenumfangsmessungen Ärzten helfen könnten, eine Fettlebererkrankung früher zu erkennen und gezielte Maßnahmen einzuleiten, bevor sich ernsthafte Komplikationen entwickeln.
Detaillierte Zusammenfassung
Fettlebererkrankungen betreffen weltweit Millionen Menschen und bleiben häufig unentdeckt, bis schwerwiegende Komplikationen auftreten. Aktuelle Diagnosemethoden stützen sich stark auf kostspielige bildgebende Verfahren oder invasive Eingriffe, was die Früherkennung und Prävention erschwert.
Forscher der Harbin Medical University analysierten NHANES-Daten von 1.211 Erwachsenen ohne Hepatitis oder nennenswerten Alkoholkonsum, um zu prüfen, ob die Kombination zweier einfacher Messungen die metabolisch assoziierte steatotische Lebererkrankung (MASLD) vorhersagen kann. Sie untersuchten den Body Roundness Index (BRI), der Taillenumfang und Körpergröße berücksichtigt, zusammen mit dem Triglyzerid-Glukose-Index (TyG), einem Marker für Insulinresistenz.
Die kombinierte BRI- und TyG-Methode erreichte eine Vorhersagegenauigkeit von 79,7 % für MASLD und übertraf damit die einzelnen Messgrößen sowie die traditionelle Kombination aus BMI und TyG deutlich. Fortschrittliche Machine-Learning-Modelle auf Basis von Random-Forest-Algorithmen steigerten die Vorhersagegenauigkeit auf beeindruckende 91,8 %. Die Studie deckte nichtlineare Zusammenhänge zwischen diesen Indizes und dem Erkrankungsrisiko auf, wobei der TyG-Index als zentraler Mediator dafür dient, wie die Körperform die Lebergesundheit beeinflusst.
Diese Erkenntnisse könnten routinemäßige Gesundheitsuntersuchungen grundlegend verändern, indem sie Ärzten ermöglichen, Hochrisikopatienten mithilfe einfacher Taillenmaße und Standardbluttests zu identifizieren. Eine Früherkennung eröffnet die Möglichkeit für Lebensstiländerungen, die einer Fettlebererkrankung vorbeugen oder sie rückgängig machen können, bevor sie zu einer Leberzirrhose oder einem Leberkarzinom fortschreitet. Der Ansatz ist besonders wertvoll in der Primärversorgung, wo fortschrittliche bildgebende Verfahren nicht ohne Weiteres verfügbar sind.
Wichtigste Erkenntnisse
- Combined body roundness and triglyceride-glucose indices achieved 79.7% accuracy predicting fatty liver
- Machine learning models improved prediction accuracy to 91.8% using random forest algorithms
- TyG index mediates how body shape influences liver disease risk
- Combined approach outperformed traditional BMI-based screening methods
- Simple blood tests plus waist measurements could enable earlier fatty liver detection
Methodik
Querschnittsanalyse von 1.211 NHANES-Teilnehmern aus den Jahren 2017–2018 ohne Hepatitis oder nennenswerten Alkoholkonsum. Die Forscher verwendeten logistische Regressionsmodelle und 105 verschiedene Machine-Learning-Algorithmen, um die Vorhersageleistung zu bewerten.
Studienlimitierungen
Studie basiert ausschließlich auf einem Abstract, was eine detaillierte Bewertung der Methodik einschränkt. Das Querschnittsdesign verhindert die Feststellung von Kausalität. Eine Validierung in diversen Bevölkerungsgruppen und klinischen Umgebungen ist erforderlich, bevor eine breite Implementierung erfolgen kann.
Hat dir diese Zusammenfassung gefallen?
Erhalte die neueste Longevity-Forschung jede Woche in deinen Posteingang.
E-Mail-Adresse zum Abonnieren eingeben: