Les équations basées sur la race et le sexe peuvent mieux prédire le risque de maladies liées à l’obésité

Points clés à retenir:

• Des questions démographiques simples et le tour de taille peuvent prédire la graisse abdominale et sa distribution.
• Des recherches futures examineront l’exactitude de ces équations dans différentes populations.

Des questions basées sur la race et le sexe combinées à des mesures de circonférence pourraient fournir des évaluations plus précises des risques de maladies liées à l’obésité par rapport aux indicateurs typiques, selon une étude récente.

Alors que la graisse dans la région abdominale “a des implications pour la santé pires que la graisse stockée ailleurs dans le corps”, son évaluation nécessite des mesures cliniques coûteuses telles que l’absorptiométrie à rayons X à double énergie (DXA), l’IRM et la tomodensitométrie, Jacob Earp, PhD, un professeur adjoint au département de kinésiologie de l’Université du Connecticut, a déclaré à Healio.

Ainsi, Earp et ses collègues ont développé des indices d’adiposité abdominale basés sur des questions démographiques – telles que l’âge, le sexe et l’origine ethnique – et des mesures anthropométriques telles que la taille et le poids. Les chercheurs ont ensuite évalué la précision avec laquelle ces indices prédisent la graisse abdominale et sa distribution chez les patients.

L’étude, publiée dans Nutrition, métabolisme et maladies cardiovasculaires, ont utilisé les données de l’enquête nationale sur la santé et la nutrition de 2011 à 2018 sur près de 12 000 analyses DXA d’adultes en bonne santé âgés de 20 à 59 ans. Parmi ces scans, 6 589 ont été inclus dans l’analyse finale.

Les chercheurs ont découvert que 93 % ou plus des indices d’adiposité abdominale prédits étaient correctement calculés dans les limites de l’accord.

« À partir de quelques questions démographiques simples (âge, sexe et origine ethnique) et de mesures (taille, poids et tour de taille), nous pouvons prédire avec une précision raisonnable la graisse abdominale des personnes et la répartition de leur graisse. Les résultats de ces équations représentent donc mieux le risque d’une personne pour les maladies liées à l’obésité que les mesures conventionnelles comme l’IMC ou le tour de taille seuls », a déclaré Earp. “Plus particulièrement, ces équations peuvent être utilisées pour identifier les personnes qui ne sont pas considérées comme obèses sur la base de l’IMC, mais qui sont en réalité à une augmentation des maladies liées à l’obésité en raison de l’adiposité abdominale/de la distribution des graisses.”

Earp a en outre discuté avec Healio de la manière dont les équations pourraient être mises en œuvre dans le cadre clinique et des recherches futures dans ce domaine.

Healio : Qu’est-ce qui vous a poussé à mener cette étude ?

Ecoute : La composition corporelle est une grande question en ce moment en ce qui concerne la répartition des graisses dans tout le corps et son lien avec le risque de maladies liées à l’obésité.

L’IMC est massivement défectueux car il considère simplement le poids comme une mauvaise chose. Le poids n’est pas une mauvaise chose que vous pouvez avoir. Vous pouvez avoir une masse corporelle maigre et être en surpoids. Vous pouvez être considéré comme obèse, mais en fait être en très bonne santé et très en forme.

Dans l’ensemble de la population, si vous utilisez cet outil, vous pouvez classer les gens, mais il y a beaucoup de gens qui sont mal classés. Ainsi, cet équilibre entre les muscles et la graisse est l’un des éléments clés de l’équation permettant d’obtenir de meilleurs critères de diagnostic qui peuvent être utilisés très facilement par les gens pour mesurer le risque d’obésité ou le risque de maladies liées à l’obésité.

Bonjour: Comment les médecins peuvent-ils mettre en œuvre ces équations ?

Ecoute : Nous avons mis en place des équations qui existent maintenant et qui peuvent mieux prédire la teneur en graisse viscérale. Nous avons ces équations simples qui pourraient être mises sur une calculatrice très simple que vous entrez dans les chiffres dont vous disposez déjà, comme la taille, le poids et l’ethnicité et le sexe auto-identifiés. Vous mettez cela et ajoutez le tour de taille et le tour de hanches et … vous obtenez une mesure assez précise du risque réel d’une personne pour une maladie liée à l’obésité. Ou, vous pouvez les signaler comme quelqu’un qui est mal classé, ce qui signifie que vous leur dites qu’ils sont en surpoids mais qu’ils ne courent pas un risque accru de maladie. Ou plus probablement, vous avez quelqu’un à qui on dit qu’il a un poids santé, mais que sa masse corporelle maigre est suffisamment faible pour qu’il soit maintenant cette personne à qui nous disons qu’il est en bonne santé, mais en réalité, il fait partie des moins sains. les gens là-bas.

Bonjour: Où va la recherche à partir d’ici?

Ecoute : Ces équations ont été faites chez des personnes classées comme ayant un poids normal. Nous voulons mieux comprendre ce qui arrive aux populations souffrant d’insuffisance pondérale, d’embonpoint et d’obésité. Nous voulons également commencer à examiner des populations de maladies spécifiques qui pourraient affecter différemment la distribution des graisses, comme le diabète, qui provoque toute une série de problèmes métaboliques différents.

Nous essayons également de comprendre comment considérer la graisse distribuée dans le muscle comme une autre source potentiellement préjudiciable. Par la plupart de nos mesures scientifiques, nous disons, “oh, ils ont du muscle.” Mais si ce muscle a une infiltration graisseuse, nous savons que l’infiltration dans le muscle sera la cause d’une grande partie du dysfonctionnement et de l’invalidité, en particulier chez les populations âgées et les populations sédentaires.

Les références: