人类测量代谢亚型和健康结果:数据驱动的集群分析

科学领域:

• 代谢健康和人类测量
• 肥胖研究的研究.
• 数据驱动的亚型识别识别.

背景情况:

• 超重和肥胖是一种复杂的疾病,具有多种不同的健康影响.
• 现有的分类可能无法完全捕捉与超重相关的各种代谢特征.
• 需要基于数据的方法来定义肥胖的亚型.

研究的目的:

• 开发和验证WHOLISTIIC,一种新的数据驱动的集群分析,用于识别人类代谢亚型.
• 调查这些亚型与长期不良健康结果的关联.

主要方法:

• 在397,424名英国生物库参与者的K-means集群分析中.
• 利用了五个领域:中心肥胖 (腰与身高的比率),一般肥胖 (体重指数 (BMI)),四肢强度 (手握强度),胰岛素耐药性 (三糖与高密度脂蛋白胆固醇 (HDLc) 的比率) 和炎症状况 (中性粒细胞与淋巴细胞的比率).
• 在NHANES队列中的复制和Cox对结果关联的比例危险回归.

主要成果:

• 确定了六个可复制的人类测量代谢集群.
• 集群2 (高握力) 显示心血管死亡率和MACE风险增加,但呼吸道死亡率和痴呆风险降低.
• 集群3-6 (低强度,高胰岛素耐药性,高炎症或最高BMI) 显著增加了所有原因,心血管,癌症死亡率,MACE和慢性功能衰竭的风险.
• 在NHANES队列中复制了关联.

结论:

• 易于访问的人类测量和代谢参数可以定义超重和肥胖的不同亚型.
• 这些已识别的亚型与显著不同的不良健康结果的长期风险有关.
• WHOLISTIIC提供了一种有价值的工具,用于对超重和肥胖个体的风险分层.