Archivo - Masa muscular, brazo, músculo. - STARAS/ ISTOCK - Archivo
MADRID, 6 May. (EUROPA PRESS) -
La calidad y la cantidad de músculo esquelético, y no solo la grasa visceral, son factores predictivos importantes de diabetes, eventos cardiovasculares graves y mortalidad, según un nuevo modelo de IA analiza la composición corporal para predecir riesgos para la salud desarrollado en el Centro Médico Universitario de Friburgo, en Alemania.
Tal y como se describe en 'Radiology', para llegar a esta conclusión, los investigadores utilizaron inteligencia artificial para analizar resonancias magnéticas de cuerpo entero de más de 66.000 participantes y crear el mapa de referencia más detallado hasta la fecha sobre la distribución de grasa y músculo en el cuerpo humano según la edad, el sexo y la estatura.
Los médicos han utilizado durante mucho tiempo el índice de masa corporal (IMC) y el peso corporal para estimar el riesgo cardiometabólico y el riesgo general para la salud. Sin embargo, el IMC es una medida imprecisa de la composición corporal que solo considera la estatura y el peso, y no tiene en cuenta la masa muscular ni la distribución de la grasa.
"Muchos índices de riesgo y decisiones de tratamiento aún se basan en el IMC o la circunferencia de la cintura porque son fáciles de obtener", argumenta el autor principal, el doctor Jakob Weiss, radiólogo del Departamento de Radiología Diagnóstica e Intervencionista del Centro Médico Universitario de Friburgo, en Alemania. "Pero el IMC no refleja de forma fiable la composición corporal real de una persona".
Weiss agrega que la comunidad médica también carece de estándares de referencia sobre cómo cambia la composición corporal en individuos asintomáticos a medida que envejecen, así como sobre las diferencias entre hombres y mujeres.
"Cada vez hay más pruebas de que las medidas de composición corporal son factores de riesgo independientes para las enfermedades cardiometabólicas y oncológicas, así como para la mortalidad", señala por su parte el primer autor, el doctor Matthias Jung, del Departamento de Radiología Diagnóstica e Intervencionista del Centro Médico Universitario de Friburgo. "Sin embargo, estas medidas están influenciadas por la estatura y el sexo, y cambian sustancialmente con la edad".
El estudio retrospectivo incluyó una cohorte de 66.608 individuos (edad media 57,7 años, 34.443 hombres, IMC medio: 26,2) que se sometieron a una resonancia magnética de cuerpo entero como participantes en el Biobanco del Reino Unido y la Cohorte Nacional Alemana entre abril de 2014 y mayo de 2022.
Los investigadores calcularon métricas de composición corporal normalizadas por edad, sexo y altura a partir de las resonancias magnéticas utilizando su marco de aprendizaje profundo totalmente automatizado y de código abierto. Las métricas de composición corporal, que incluyen tejido adiposo subcutáneo, tejido adiposo visceral, músculo esquelético, fracción de grasa del músculo esquelético y tejido adiposo intramuscular, se expresaron como puntuaciones z, que muestran cuánto se desvió un individuo de la norma ajustada por edad, sexo y altura.
Posteriormente, los investigadores realizaron análisis estadísticos para evaluar el valor pronóstico de las categorías de puntuación z (baja: z<-1; media: z=-1 a 1; alta: z>1) para predecir la incidencia de diabetes, eventos cardiovasculares adversos mayores y mortalidad por todas las causas.
Descubrieron que un alto nivel de grasa visceral se asociaba con un riesgo 2,26 veces mayor de desarrollar diabetes en el futuro, un alto nivel de grasa intramuscular se asociaba con un riesgo 1,54 veces mayor de sufrir eventos cardiovasculares graves en el futuro, y un bajo nivel de músculo esquelético se asociaba con una mortalidad por todas las causas 1,44 veces mayor, independientemente de los factores de riesgo cardiometabólicos.
"No se trata solo de la cantidad de músculo que se tiene, sino también de la calidad de ese músculo", detalla el doctor Jung. "Conocer el volumen de grasa intramuscular nos da una idea de la calidad muscular que otros métodos como el IMC, el análisis de impedancia bioeléctrica o la DEXA no pueden proporcionar fácilmente".
El equipo de investigación también generó curvas de referencia normalizadas por edad, sexo y altura para las principales medidas de composición corporal.
"Ajustar los factores de confusión es fundamental para mejorar la precisión de las pruebas de detección y personalizar las decisiones de tratamiento", expone el doctor Weiss. "Esta herramienta tiene el potencial de identificar si la composición corporal de una persona la expone a un mayor riesgo de padecer enfermedades metabólicas en comparación con personas de su misma edad".
Los investigadores publicaron su calculadora de puntuación z de composición corporal ajustada por edad, sexo y altura, de código abierto y basada en la web, para apoyar futuras investigaciones, acelerar la traslación clínica y permitir que investigadores y médicos normalicen sus propios conjuntos de datos para mejorar la comparabilidad y la generalización.
"Esta herramienta permite a los médicos utilizar imágenes de rutina de forma oportunista", detalla el doctor Weiss. "No es necesario realizar una resonancia magnética de cuerpo entero. Si ya se dispone de una tomografía computarizada o una resonancia magnética corporal de rutina, se puede extraer la información para compararla con los valores de referencia".
Weiss asegura que la herramienta de IA también podría ayudar a mejorar la estratificación del riesgo en oncología o a distinguir la pérdida de grasa deseable de la pérdida muscular no deseada en pacientes que utilizan medicamentos para bajar de peso, como los agonistas del GLP-1.
"Ya realizamos estudios de imagen a pacientes a diario", incide Weiss. "En cada exploración de abdomen o tórax, la información está presente; simplemente no la medimos ni la registramos de forma rutinaria. La IA ahora nos permite acceder a esta capa oculta de datos de manera cuantitativa y reproducible".
Los próximos pasos para los investigadores incluyen validar las curvas de referencia en poblaciones clínicas, especialmente para predecir la toxicidad del tratamiento, la supervivencia y la recurrencia en pacientes con cáncer, y desarrollar valores de referencia específicos para la enfermedad en otros grupos de pacientes.
