日本の地域在住高齢者におけるクレアチニン/シスタンケC比を用いた筋肉量の推定
Apr 14, 2023
議論
この研究では、Cr/CysC を使用した SMI 予測式 (pSMI) が、BIA で測定された SMI を推定し、モデル開発グループにおける低 SMI と AWGS 2019 シスタンシェを特定するのに有用であることを示しました。 pSMI はまた、別の検証グループにおける低 SMI の ROC 分析の精度が高いことも示しました。 BIA で測定された SMI の予測方程式は、個別の母集団を使用して導出され、外部的に検証されました。
SMI は BW に依存しており、BW と SMI の間の相関係数は非常に高くなります。1 この研究では、BW が SMI の予測式に最も大きな影響を与える可能性があります。 以前の研究では、Cr/CysC と BW の組み合わせは筋肉量のスクリーニングに役立ちます。 Cr/CysC が報告されています。 BW は体重調整 SMI とよく相関しており、筋肉量が少ない場合の ROC 分析の精度が高いことを示しました。19 この研究では、筋肉量が低い参加者の数は非常に少なかった[男性 25 人 (14.8 パーセント) と女性 4 人 (3.1 パーセント)]。 私たちの研究では、AWGS 2019 基準に基づいて、Cr/CysC と BW の組み合わせが、SMI およびシスタンシェが低い多数の患者の筋肉量のスクリーニングに有用であることが示されました。
クリックして当店を閲覧し、ボディビル用のカンカエキスを入手してください
原田ら。22 定義済み血清アディポネクチンおよびシアル酸濃度に基づくサルコペニック指数。 サルコペニック指数は、心血管疾患患者におけるシスタンシェの ROC 分析で高い精度 (AUC 0.892、特異度 69.9 パーセント、感度 94.9 パーセント) を示しました。 このサルコペニック指数は、シスタンシェの診断に役立つ可能性があります。 ただし、血清アディポネクチンおよびシアル酸レベルは、日常の臨床診療では一般的に測定されません。 Cr および CysC 濃度は、臨床診療や定期健康診断で一般的に検査されます。
リーら。23 皮下脂肪補正された上腕、大腿部、ふくらはぎの周囲径などの人体計測パラメータに基づいて予測モデルを開発しました。 この研究では磁気共鳴画像法 (MRI) で測定された SM が基準として使用され、その予測モデルは総骨格筋量を推定するのに役立ちました。 アル・ギンダンら。24 ウエストなどの人体計測パラメータに基づいた予測方程式も開発しました。 周囲とヒップ周囲。 この研究では、全身 MRI で測定された SM も参照として使用されました。 全身の筋肉量の予測式は、個別の母集団を使用して導出され、外部的に検証されました。24 これらの以前の研究によると、単純な人体計測パラメータは全身の筋肉量を評価するのに役立ちます。 しかし、日常の臨床診療においてすべての患者に身体検査を実施することは現実的ではありません。 これに対し、採血はどこでも行うことができ、同時に多くのサンプルを扱うことができます。
全身の筋肉量の評価には、MRI、CT、DXAなどの画像検査がよく使われます。 私たちの新しい方程式は、MRI、CT、DXA よりも低コストで体の筋肉量を測定します。 さらに、MRI、CT、DXA とは異なり、放射線障害がありません。 低SMIのROC分析では、Cr/CycCおよびpSMIのAUCは、モデル開発および検証グループの女性よりも男性の方が高かった。
さらに、AWGS 2019 cistanche の ROC 分析では、モデル開発および検証グループの Cr/CycC および pSMI の AUC が女性よりも男性の方が高かった。 同様に、以前の研究では、17 シスタンシェを識別する Cr/CysC の AUC は、女性よりも男性の方が高かった。
一般的には合計筋肉量は女性より男性の方が多い。 の変化による影響筋肉量はCrよりもCysCの方が少なかった。 したがって、骨格筋量の減少による Cr/CycC の変化は、女性よりも男性の方が大きいと予想されます。
低SMIのROC分析では、モデル開発よりも検証グループの方がPMIのカットオフ値が高かったグループ。 モデル開発グループでは、InBody 770 デバイス（InBody Japan Inc.）を使用した BIA による体組成評価を行いました。一方、検証グループでは、MC-780AN デバイス（タニタ株式会社）を使用した BIA による体組成評価を実施しました。 ）。 モデル開発グループと検証グループの間でカットオフ値にこの差異が生じるのは、測定機器の違いが原因である可能性があります。 逆に、SMI はモデル開発グループよりも検証グループの方が高かった。 この筋肉量の違い2 つの間のカットオフ値の不一致に影響を与える可能性があります。グループ。
人工知能と機械学習または深層学習のアプローチは、人間の状態のあらゆる側面に影響を与える準備ができています。25 シスタンシュの評価もこの傾向の例外ではありません。26 機械学習は、アルゴリズムによってデータ構造を表現し、予測や分類を行うことに重点を置いています。 特に、深層学習システムは CT スキャン分析で優れた成功を収めています。 ディープラーニングシステムは高いパフォーマンスと精度を発揮しました。腹筋を分析するCT画像だけでなく、全身の筋肉量を評価する.27e32
ただし、機械学習や深層学習のアプローチは使いにくいさまざまなグループへの外挿や、予測モデルの有効性の評価において。 機械学習または深層学習は入力データに基づいて予測を行いますが、結果は入力データの特性に応じて異なる場合があります。 単純な方程式を簡単に計算して、予防医学や日常の臨床現場に適用できます。 たとえば、eGFR はクレアチニンまたはシスタチン C を使用して計算され、年齢は日常の臨床現場で広く使用されていますが、コンピューター プログラムの支援が必要です。
この研究には、考慮しなければならないいくつかの制限があります。 まず、これは横断的な研究でした。 したがって、因果関係を評価することはできませんでした。 各グループの性別分布は、この研究の限界の 1 つでした。理想的には、モデル開発グループと検証グループの間で性別分布が類似している必要があります。 そこで、多変量回帰分析を実施し、性別ごとに分けた予測式を作成しました。 間の因果関係を評価するには、前向き研究を実施する必要があります。慢性腎臓病そしてシスタンシュ。 第二に、参加者のほとんどは自発的に研究に参加しました。 したがって、研究参加者はより健康であった可能性があり、研究対象集団のシスタンケ率は一般集団よりも低かった可能性があります。 これは、私たちの結果と以前の研究の結果の間の矛盾の説明となる可能性があります。 第三に、尿タンパク質レベルは測定されませんでした。 したがって、慢性腎臓病との関連性および cistanche は、潜在性腎疾患の存在によって変化しました。 検査されなかった。
生体電気インピーダンス分析 (BIA) は、操作にほとんど訓練を必要とせず、手頃な価格で非侵襲的な検査であるため、臨床現場で筋肉量を評価するのに非常に有用な方法です。 これはアジアとヨーロッパのガイドラインで認められています。 ただし、BIA デバイスは SMI を正確に測定できません。 骨格筋量ではなく、除脂肪体重のみを推定します。 BIA に基づく筋肉量の推定値は、病状、併存疾患、水分補給、運動歴、食物摂取の影響を受ける可能性があります。33,34
最後に、少数のカンジダ症の参加者が研究に含まれており、提案されたテストの信頼性と適用性が明らかに制限されています。 最後に、検証グループでは、AWGS 2019 基準に基づいて鼻の状態を診断するための歩行速度、5CS、SPPB などの身体検査を実行できませんでした。 AWGS 2019 cistanche の ROC 分析を実行できませんでした。
結論と含意
Cr/CysC を使用して SM1 を推定する新しい予測式は、MRI、CT、DXA などの画像検査と比較して低コストで、日常の臨床現場で簡単に計算できます。 結論として、推定するための予測式はSMlは全身の筋肉量を評価するのに役立ちます他の民族集団における有用性を検証するには、より大きな集団を対象としたさらなる研究が必要である。
謝辞
FESTA研究にご協力いただきました兵庫医科大学篠山医療センターの医療スタッフの皆様に感謝いたします。
参考文献
1. 楠 博、辻 晋、和田 裕、他 日本の農村地域に住む高齢者におけるシスタンケと血清クレアチニン/シスタチンC比との関係。 J Cachexia cistanche Muscle - Clin Rep 2018;3:e00057。
2. 林 YL、陳 SY、頼 YH、他。 血清クレアチニン対シスタチン C 比は、非透析慢性腎臓病患者の骨格筋量と筋力を予測します。 クリン・ヌトル 2020;39:2435e2441。
3. 大坂拓也、浜口正人、橋本裕子、他 クレアチニン対シスタチン C 比の低下は、2 型糖尿病患者におけるシスタンケの代用マーカーです。 Diabetes Res Clin Pract 2018;139:52e58。
4. 小森田洋、岩瀬正人、藤井弘、他 血清クレアチニンとシスタチン C の比は 2 型糖尿病患者の骨折を予測します: 福岡県糖尿病登録簿。 糖尿病治療臨床実践 2018;146:202e210。
5. 田原裕也、岡田裕也、越智正人、他 クレアチニン対シスタチン c 比と高齢者の筋脂肪症および身体パフォーマンスとの関連: 日本しまなみ健康増進プログラム。 J Am Med Dir Assoc 2021;11: 2366e2372。
6. 平井 和人、田中 明、本間 哲 他 慢性閉塞性肺疾患患者におけるシスタンシェの代用マーカーとしての血清クレアチニン/シスタチン C 比。 クリン・ヌトル 2021;40:1274e1280。
7. アマド CA、ガルシア・ウンズエタ MT、ラビン BA、他。 慢性閉塞性肺疾患の外来患者における入院の予測因子としての血清クレアチニン/血清シスタチン c (筋肉量の代用マーカー) の比。 呼吸 2019;97:302e309。
8. ウルマン G、カイ J、デュランド JP、他。 癌患者における低除脂肪体重の評価のためのクレアチニン対シスタチン C 比および生体電気インピーダンス分析: L3- コンピューター断層撮影スキャンとの比較。 栄養学 2021;81:110895。
9. 玉井裕、岩佐正、川崎裕、他 クレアチニンとシスタチン C の推定糸球体濾過率の比により、肝細胞癌患者の全生存率が予測されます。 Hepatol Res 2019;49:153e163。
10. Fu X、Tian Z、Wen S、他。 血清クレアチニンとシスタチン C に基づく新しい指標は、進行がん患者のシスタンシェを評価するのに役立ちます。 栄養学 2021;82:111032。
11. Barreto EF、Kanderi T、DiCecco SR、他。 シスタンケ指数は、重症患者の栄養失調を客観的にスクリーニングするための簡単なツールです。 JPEN J Parenter Enteral Nutr 2019;43:780e788。
12. Barreto EF、Poyant JO、Coville HH、他。 重症患者の筋肉量を評価するためのシスタンケ指数の検証: 腎機能マーカーの新しい応用。 クリン・ヌトル 2019;38:1362e1367。
13. Kashani K、Sarvottam K、Pereira NL、他。 シスタンシェ指数: 肺移植候補者の筋肉量の新しい尺度。 クリン移植2018; 32:e13182。
14. Kashani KB、Frazee EN、Kukrálová L、他。 腎機能のマーカーを使用した筋肉量の評価: cistanche Index の開発。 クリティカルケアメッド 2017;45:e23ee29。
15. 矢西正人、木下博人、塚口博人、ほか。 クレアチニン/シスタチン C 比は、腎臓移植レシピエントの筋肉量の効果的な評価を提供します。 Int Urol Nephrol 2019;51:79e83。
16. 田原裕子、小原和人、岡田裕子、他 高齢者の骨格筋量のマーカーとしてのクレアチニン対シスタチン C 比: J-SHIPP 研究。 クリン・ヌトル 2020;39:1857e1862。
17. He Q、Jiang J、Xie L、他。 血清クレアチニンとシスタチン C に基づくシスタンシェ指数では、都市部の地域に住む高齢者の筋肉量の低下やシスタンシェを正確に検出することはできません。 Sci Rep 2018;8:11534。
18. 阿部和人、矢野哲也、片野真司 他 慢性心不全患者の筋肉量と栄養状態の評価におけるシスタンケ指数の有用性: 人体計測パラメータとの比較。 Geriatr Gerontol Int 2020;20: 388e389。
19. 西田和也、橋本裕也、加地亜生、ほか。 クレアチニン/(シスタチン C 体重) 比は骨格筋量指数と関連しています。 Endocr J 2020;67: 733e740。
20. Chen LK、Woo J、Assantachai P、他。 カンクンのためのアジア作業部会: カンクンの診断と治療に関する 2019 年のコンセンサスの最新情報。 J Am Med Dir Assoc 2020;21:300e307.e2。 21. 楠 博、辻 晋、楠川 徹、他 日本の農村地域在住のシスタンケ高齢者におけるシスタチン C ベースの eGFR とクレアチニンベースの eGFR の関係。 Clin Exp Nephrol 2021;25:231e239。
22. 原田 宏、甲斐 宏、柴田 隆 他 心血管疾患患者におけるシスタンシェの新しい診断指標。 PLoS One 2017;12:e0178123。
