Otyłość od lat stanowi jedno z najpoważniejszych wyzwań zdrowia publicznego, jednak nie wszyscy pacjenci z nadmierną masą ciała rozwijają powikłania w takim samym stopniu. Najnowsze badanie opublikowane w Nature Medicine pokazuje, że dzięki wykorzystaniu danych klinicznych i metod uczenia maszynowego możliwe jest znacznie dokładniejsze przewidywanie ryzyka chorób związanych z otyłością. Opracowany model OBSCORE może zmienić sposób kwalifikacji pacjentów do interwencji i leczenia.
Z tego artykułu dowiesz się…
- Jak działa model OBSCORE i na jakiej podstawie przewiduje ryzyko chorób związanych z otyłością
- Dlaczego BMI nie wystarcza do oceny rzeczywistego ryzyka zdrowotnego pacjenta
- Jakie czynniki kliniczne i metaboliczne decydują o rozwoju powikłań, takich jak cukrzyca czy choroby serca
- W jaki sposób wczesna identyfikacja pacjentów wysokiego ryzyka może poprawić leczenie i profilaktykę
Otyłość – choroba o zróżnicowanym przebiegu klinicznym
Choć w krajach zachodnich aż 60–70% dorosłych żyje z nadwagą lub otyłością, przebieg kliniczny tej choroby jest wysoce zróżnicowany. U części pacjentów przez wiele lat nie obserwuje się poważnych powikłań, podczas gdy u innych rozwijają się choroby układu krążenia, cukrzyca typu 2 czy nowotwory.
Ta heterogeniczność stanowi istotne wyzwanie dla systemów ochrony zdrowia. Dotychczas powszechnie stosowany wskaźnik BMI nie pozwala bowiem na precyzyjną ocenę ryzyka powikłań, co może prowadzić zarówno do niedoszacowania zagrożenia, jak i nadmiernej interwencji u pacjentów o niższym ryzyku.
OBSCORE – nowy model predykcji ryzyka chorób związanych z otyłością
Aby rozwiązać ten problem, naukowcy z Queen Mary University of London oraz Berlińskiego Instytutu Zdrowia Charité opracowali model ryzyka nazwany OBSCORE. Narzędzie to umożliwia przewidywanie ryzyka rozwoju aż 18 chorób związanych z otyłością na podstawie 20 powszechnie dostępnych wskaźników zdrowotnych. Co istotne, model bazuje na danych rutynowo zbieranych w praktyce klinicznej, takich jak:
- wyniki badań laboratoryjnych,
- dane demograficzne,
- pomiary antropometryczne,
- informacje o stylu życia.
Dzięki temu OBSCORE może być stosunkowo łatwo wdrożony w codziennej praktyce medycznej jako narzędzie wspierające decyzje kliniczne.
Analiza danych 200 000 pacjentów i rola uczenia maszynowego
Podstawą opracowania modelu była analiza danych aż 200 000 uczestników brytyjskiego Biobanku. Jest to jedno z największych na świecie badań populacyjnych, integrujące szczegółowe dane zdrowotne z długoterminową dokumentacją medyczną. Naukowcy wykorzystali interpretowalne modele uczenia maszynowego, analizując ponad 2000 wskaźników zdrowia. W wyniku tej analizy wyodrębniono 20 najważniejszych czynników predykcyjnych, które w sposób najbardziej wiarygodny prognozują rozwój powikłań.
Co więcej, model został zweryfikowany w niezależnych kohortach badawczych, takich jak Genes & Health oraz European Prospective Investigation into Cancer (EPIC) – Norfolk, co znacząco zwiększa jego wiarygodność i potencjał wdrożeniowy.
BMI to za mało – nowe spojrzenie na ocenę ryzyka
Jednym z najważniejszych wniosków badania jest fakt, że BMI nie odzwierciedla rzeczywistego ryzyka zdrowotnego. Naukowcy wykazali, że osoby o podobnej masie ciała mogą mieć diametralnie różne profile ryzyka. Co szczególnie istotne z punktu widzenia praktyki klinicznej, część pacjentów z najwyższym ryzykiem powikłań nie miała otyłości, lecz jedynie nadwagę. Oznacza to, że kluczowe znaczenie ma nie tylko masa ciała, ale również złożona interakcja czynników metabolicznych i klinicznych.
Wczesna identyfikacja = skuteczniejsza profilaktyka i leczenie
Nowe narzędzie może znacząco poprawić efektywność systemów opieki zdrowotnej poprzez umożliwienie:
- wcześniejszego wykrycia osób wysokiego ryzyka,
- lepszego dopasowania interwencji terapeutycznych,
- intensywniejszego monitorowania wybranych pacjentów,
- optymalizacji wykorzystania zasobów systemowych.
Jak podkreśla główna autorka badania:
W związku z tym, że otyłość dotyka coraz większą część populacji na świecie, zapobieganie jej długoterminowym powikłaniom zdrowotnym stało się poważnym wyzwaniem dla systemów opieki zdrowotnej. Nasza praca pokazuje, jak głęboko fenotypowane, wielkoskalowe dane zdrowotne można wykorzystać do opracowania opartych na danych ram, które identyfikują osoby z wyższym ryzykiem wystąpienia powikłań i mogą pomóc we wspieraniu bardziej opartych na ryzyku podejść do leczenia otyłości.
Z kolei dr Kamil Demircan zwraca uwagę na indywidualny charakter ryzyka:
Dwie osoby o podobnej masie ciała mogą mieć bardzo różne ryzyko rozwoju chorób, takich jak cukrzyca czy choroby serca. Dzięki systematycznej analizie szerokiego zakresu czynników zdrowotnych w oparciu o dane, zidentyfikowaliśmy niewielki zestaw czynników, które razem mogą pomóc we wcześniejszym wykryciu osób z grupy najwyższego ryzyka, dając jaśniejszy obraz ich przyszłego ryzyka wystąpienia chorób związanych z otyłością.
Potencjał dla systemów ochrony zdrowia
Choć model OBSCORE wymaga dalszej walidacji klinicznej oraz oceny opłacalności wdrożenia, jego potencjał jest znaczący. Może on wspierać nie tylko indywidualne decyzje terapeutyczne, ale także planowanie działań na poziomie populacyjnym. W kontekście rosnącej liczby pacjentów z chorobami metabolicznymi i kardiologicznymi, narzędzia oparte na analizie danych mogą odegrać kluczową rolę w transformacji systemów opieki zdrowotnej w kierunku medycyny precyzyjnej.
Główne wnioski
- Model OBSCORE umożliwia przewidywanie ryzyka 18 chorób związanych z otyłością na podstawie 20 powszechnie dostępnych wskaźników zdrowotnych.
- Analiza danych 200 000 uczestników brytyjskiego Biobanku oraz wykorzystanie uczenia maszynowego pozwoliły wyodrębnić kluczowe czynniki ryzyka.
- Osoby z najwyższym ryzykiem powikłań nie zawsze mają najwyższe BMI – ryzyko zależy od złożonych czynników metabolicznych, a nie tylko masy ciała.
- Wdrożenie modelu może umożliwić wcześniejszą interwencję, lepsze monitorowanie i bardziej spersonalizowane leczenie, co ma znaczenie dla systemów ochrony zdrowia.
Źródło:
- https://www.nature.com/articles/s41591-026-04353-2
- Queen Mary University of London
