摘要
低脂肪无质量指数(FFMI)是常规治疗中通常不测量的慢性阻塞性肺疾病(COPD)死亡率的独立危险因素。在目前的研究中,我们旨在从胸大肌区域(FFM)获得无脂肪质量PMA)并评估是否低ffmiPMA与COPD病例的全因死亡率相关。我们使用了来自两个独立COPD队列的数据,ECLIPSE和COPDGene。
我们使用ECLIPSE研究中两组同等规模的COPD病例(n=759)来推导并验证一个计算FFM的方程PMA使用PMA的生物电阻抗进行测量。然后我们将该方程应用于COPD队列中的COPD病例(n=3121),并评估生存率。低FFMIPMA的定义,使用学校分类(男性FFMI <16,女性FFMI <15)和来自英国生物银行的FFMI第五百分位标准值。
最终的回归模型包括PMA、体重、性别和身高,并有调整后的R2以脂肪游离质量(FFM)作为结果,试验组的FFM与PMA和FFM仍然很高(Pearson Contelation = 0.97)。在CopDgene中,具有低FFMI的COPD病例PMA死亡风险增加(HR1.6,p<0.001)。
我们证实了FFMI低的COPD病例PMA会增加死亡风险
摘要
源自胸部CT的低脂肪质量指数(FFMI)与COPD病例中的存活率降低相关http://ow.ly/KNaU30gsFZM
介绍
低无脂体重指数(FFMI)是慢性阻塞性肺疾病(COPD)死亡的独立危险因素,与肺功能无关[1- - - - - -3.].FFMI,通过将无脂质量(FFM)除以高度平方(单位:kg·m)得到−2),是肌肉的间接标记物,包括骨骼肌和非骨骼肌质量、器官、结缔组织和骨骼[4].然而,通常在常规护理期间或在调查COPD的大型流行病学队列中通常测量。FFM可以通过使用间接技术来测量,例如空气位移体积描记法(ADP),生物电阻抗分析(BIA),皮肤折叠人体测量法(SFA)或双X射线吸收测定法(DXA)[4,5].ADP是一种可重复测量FFM的方法,但假设所有患者的瘦组织密度相同[6,7]。BIA和SFA很方便,但与当前的研究标准DXA相比,它们都被批评分别低估或高估了FFM[5,8]DXA技术是一种更昂贵的方法,使用涉及辐射照射的专业设备和训练有素的技术人员,通常在COPD诊所之外[9].
已经定义了低FFMI,根据人口使用不同的切割点。在COPD病例中,FFMI小于16千克·m−2雄性或15公斤·米−2在女性通常用于定义低ffmi [1,10]欧洲老年人肌肉减少症工作组目前建议使用年龄和性别分层人群的指标来确定低FFMI的切点[11]。随着年龄的增长,FFMI下降速度加快,目前的切点可能会低估超重和肥胖个体的低FFMI[12,13]在对低FFMI进行分类时,除性别外,还应考虑年龄和体重指数(BMI)。这方面的例子包括根据186年的数据按年龄、性别和BMI类别分层的报告参考值 975名健康人,年龄45至69岁 岁,作为英国生物银行的一部分招募[13].
胸部计算机断层扫描(CT)越来越多地用于常规护理,并可用于监测肌肉质量。在慢性阻塞性肺病(COPD)中,肌肉群(包括肋间肌肉和大腿中部区域)的CT成像已用于评估低肌肉质量和预测不良临床结果[14,15].对于癌症患者,使用第三腰椎(L3)区域的轴向CT计算FFMI[16- - - - - -18].我们之前证明胸肌面积(PMA)是一种可重复测量肌肉质量的方法,可以很容易地从胸部CT扫描中获得[19,20]。此外,低PMA与死亡风险增加有关[21]癌症病例中的肌肉损失[22]。因为肺癌筛查的低剂量CT已成为高危吸烟者和前吸烟者标准护理的一部分[23,24],PMA可以在不增加成本或辐射照射的情况下获得。但是,在COPD病例中,PMA和FFM之间的关系尚未得到详细探讨。要做到这一点,需要大量的COPD病例,同时测量FFM和胸部CT。我们的目标是从PMA(FFM)中得出FFMPMA),评估FFMI是否低PMA与COPD病例的全因死亡率相关。为了实现我们的目标,我们比较了PMA和FFM,从BIA测量,并使用关系得出一个公式,从PMA计算FFM (FFMPMA),在COPD纵向评估以确定预测替代终点(ECLIPSE)研究中对COPD病例的大型队列进行了测量。然后,我们将该公式应用于一个来自COPDGene的COPD独立队列,以检验低FFMI之间的关系PMA和全因死亡率。我们使用FFMIPMA(与FFM相对PMA)评估生存率,根据确定的定义低FFMI的切点得出[1,10].
材料和方法
在获得Eclipse和CopdGun在内的所有参与中心的机构审查委员会的批准后,获得数据的获取和分析,包括布里格姆和妇女医院和伯明翰阿拉巴马大学。之前已经详细描述了ECLIPSE和COPDGene研究[25,26].简而言之,Eclipse学习(SCO104960,nct00292552.,www.eclipse-copd.com.)招募COPD患者和控制历史,吸烟历史≥10包 - 年龄45-75岁,来自12个国家的46个中心[25].COPDGENE研究(NCT00608764,www.copdgene.org)登记的吸烟者,无论是否患有慢性阻塞性肺病(非西班牙裔美国白人和非裔美国人),年龄在45-80岁之间,在21个美国中心至少有10包年的终生吸烟史[26].
COPD是通过对慢性阻塞性肺病(金)肺功能血液计量等级2-4的全局倡议来定义的,用后支气管扩张剂FEV1/FVC小于0.7和FEV1不到80%预测[27].在ECLIPSE中,FFM来源于BIA,使用Bodystat 1500 (Bodystat Ltd, Isle of Man, UK)测量。将测量到的阻力换算为FFM,公式由R乌顿等.[28]:
如前所述,经训练的分析人员使用内部软件,从主动脉弓上方的单轴切片中定量评估PMA[补充图S1] [19,29].一旦肌肉的边界通过手动追踪关闭,将施加第二滤波步骤以除去所有肌肉内血管丝,例如代表脂肪组织的脂肪组织,其在组织衰减范围为-50至90 Hounsfield单元之外。聚合PMA(以cm为单位)2)计算为该单层胸大肌和胸小肌的左右横截面积之和。数据的质量控制包括两个步骤。所有肺节段均由具有肺影像学经验的肺科医生(A. Diaz和G. Washko)进行目视检查。识别出分割失败(如。由于先前的胸壁手术,手臂和解剖扭曲的孕口,并排除在外。在第二步中,检查每个肌肉组(右,左,主要和次要肌肉)的PMA值的分布,并且重新检查了来自中值值的肌肉群值大于6SD的个体的CT扫描如果通过扫描重新检查支持,请制作。在Eclipse研究中的一个COPD案例和Copdgene中的一个具有重复的胸部CTS,并且在这两种情况下,来自第一胸部CT的PMA被任意选择每个复制,并且排除第二个测量。Eclipse的分析进一步仅限于使用BIA在FFM测量的60天内进行胸部CT的COPD病例。在胸部CT和表型数据通过质量控制中,共有98.0%的COPD病例,用PMA测量PMA,并包括在分析中。共有98.3%的Copdgene中的COPD病例,具有胸部CT和表型数据,包括死亡信息,通过质量控制,并包括在分析中。
所有统计分析均使用R软件程序进行。ECLIPSE样本被随机分为训练组和测试组,每个组包括759例COPD病例。训练组被用来开发一个预测FFM的公式PMA,测试组用于客观测试该公式的性能。为了在建模之前测试训练组和测试组之间的一般特征差异,使用t检验和卡方检验。在训练组中,进行手动逐步多元回归分析,以FFM作为因变量以体重、性别和身高为自变量(p<0.05),校正后的R2相关性作为预测模型的质量参数。在赤池信息准则的基础上,进一步使用自动前后逐步多元回归评估变量选择。在实验组中,使用Pearson相关系数评估BIA所得FFM与PMA所得FFM之间的一致性。使用Bland-Altman图检查试验组FFM值范围内的系统偏差。FFMI是用FFM除以高度的平方(单位为米)得到的。FFMIPMA用于区分从在整个研究中使用BIA测量的FFMI的FFMI衍生自PMA源自PMA的FFMI。
使用Kaplan–Meier曲线和Cox比例风险回归,利用2016年9月的死亡率数据,对COPDGene进行生存建模。Cox比例风险模型包括对分类变量性别、种族、黄金等级和共病数量的调整,以及对年龄和吸烟时间的连续测量on(美国胸科学会(ATS)包年)。所有协变量均在基线检查时收集。Race基于自我报告和肺活量测定金级。共病评估为自我报告的医生诊断的癌症、充血性心力衰竭、冠心病、糖尿病、高血压、心脏病发作、中风和胃食管反流。低FFMIPMA的定义,使用两个标准:学校分类和英国生物库规范的价值。Schols分类法的特点是伴有FFMI的男性COPD病例PMA<16和女性COPD合并FFMIPMA<15表示FFMI较低PMA[1].英国生物样本库标准值用于对低FFMI进行分类PMA,当ffmi.PMA低于英国生物样本库健康个体中适当年龄、性别和BMI类别的第五百分位标准值[13].
后果
为了从PMA得出全身FFM,ECLIPSE研究中的COPD患者被随机分为两组,每组人数相同(测试组和训练组)。测试组和训练组在年龄、性别、体重、身高、当前吸烟状况或肺功能测量方面无显著差异(表1).未经调整的R2COPD患者训练组PMA与FFM的相关性为0.38 (表2.).完全调整后的最终模型如公式1所示:
1该方程包括PMA,体重,性别和高度,并进行了调整的r2试验组的全身FFM之间的相关性为0.92。
然后我们生成了FFMPMA在测试组中,使用等式1.在该子组中,FFM和FFMPMA相关系数为0.973,95%可信区间为0.969-0.976,p<2.2×10−16) (图1A).FFM和FFM之间的相关性PMA为0.935(95%CI 0.922-0.945,P <2.2×10−16)0.967(95%可信区间0.958-0.974,p<2.2×10)−16)分别在ECLIPSE试验组的男性和女性COPD患者之间(补充图S2).Bland-Altman的情节(图1B.和补充图S2)进一步支持了total body FFM和FFM之间的良好协议PMA跨越测试组中值的范围。FFM之间的平均差PMA测试组中的全身FFM为-0.28千克,对应于-0.5%的FFM。与FFM之间平均差异有关的协议的限制PMA和FFM为±4.7千克。
![图1](http://www.qdcxjkg.com/content/erj/50/6/1701134/F1.medium.gif)
a) 胸大肌面积脂肪游离质量(FFM)与脂肪含量的关系PMA)和无脂质(FFM)组共783例ECLIPSE慢性阻塞性肺疾病患者。b) FFM的Bland-Altman图比较PMA和FFM在测试组。
超重和肥胖COPD患者FFMI较低
然后使用方程式1计算FFMPMA在科普德涅,我们划分了FFMPMA通过高度平方生成索引(FFMIPMA),以便对FFMI较低的个案进行分类PMA.在表3,我们注意到没有BMI大于25的COPD患者被归类为低FFMIPMA,使用Schols分类标准[1]当我们使用英国生物银行标准值时,基于年龄、性别和BMI分层组的第五个百分位值,如Franssen等.[13],11%的COPD病例,患者的超重和4.2%的COPD病例均具有低FFMPMA.此外,使用英国生物样本库标准值,BMI较低的COPD病例数量明显较低,FFMI也较低PMA(表3, 92%的与19.3%)。
Copdgene中胸部CT和生存率的FFMI之间的关系
接下来,我们的目标是通过低FFMI进行分层的生存PMA。我们首先探讨ECLIPSE和COPDGene中COPD患者的人体测量和肺功能特征。总体而言,COPDGene中的COPD患者女性、非裔美国人和当前吸烟者人数较多,体重较高,FEV较高1%预测,FEV较低1/ fvc和较少的肺气肿比Eclipse的COPD病例(表4.).
中位数FFMI.PMA从Copdgene中衍生自CT略高(中位数18.4千克·m−2,范围为11.1-29.5 千克·米−2),中位数为18.0 kg·m−2,范围为11.5-28.1 千克·米−2).最初,我们使用FFMIPMA<16 千克·米−2在男性COPD病例和FFMI中PMA< 15公斤·m−2在女性COPD病例中,定义低FFMIPMA.在我们的分析中,在3121名具有PMA数据和COPDGene纵向随访的受试者中,有729人死亡,中位随访时间为6.25年。FFMI低的慢性阻塞性肺病病例PMA比FFMI患者更容易死亡PMA高于此阈值(图2A).我们进一步研究了全因死亡率和低FFMI之间的关系PMA在COPD病例中,使用Cox回归模型,考虑性别、年龄、种族、吸烟持续时间、GOLD类别和共病数量。当控制这些额外的协变量,低FFMIPMA仍与60%的死亡风险增加有关(表5.模型I: HR 1.6, 95% CI 1.2-1.9, p<0.001)。当我们定义一个低FFM时,也观察到这些结果PMA,使用英国生物库标准值(表5.II型:HR 1.5,95%CI 1.2-1.8,P <0.001)。
![图2](http://www.qdcxjkg.com/content/erj/50/6/1701134/F2.medium.gif)
讨论
我们生成了一个公式来推导FFMPMA还有FFMIPMA,使用从胸部CT扫描的PMA扫描的PMA,带有COPD。我们已经表明了一个低ffmiPMA是COPD患者全因死亡率的重要预测因子,与性别、年龄、种族、吸烟时间、黄金等级和共病数量无关。我们的研究强调需要进一步研究,确定超重和肥胖COPD患者的低FFMI阈值;然而,我们相信我们的方法将有助于增加研究COPD人群中可能只有胸部CT扫描可用于监测身体成分的FFMI。
在本报告中,我们使用从躯干区域获得的肌肉质量来计算FFMIPMA并在未调整模型和包括性别、身高和体重在内的模型中证明了PMA和基于bia的FFM评估之间存在很强的相关性。考虑到身体组成的性别二态性,包含这种人体测量学的模型性能的改善并不令人惊讶。慢性阻塞性肺病患者的差异消耗在全身和四肢水平均已观察到[30,31].我们从试验组PMA得出全身FFM的方程式的高性能表明COPD患者的肌肉消瘦比之前确定的更均匀,或者我们的基准BIA对区域差异不敏感。
在这项研究中,我们证明了低FFMI与生存降低相关PMA,由CT测量的PMA得出,经肺功能调整后,按GOLD分期分类。尽管COPD仍然主要根据气流阻塞进行诊断,但患者的重要终点,如影响生活质量和疾病进展的终点,往往与气流阻塞程度无关[32].FFMI的预后效用得到很好的支持,因为若干研究表明,具有低FFMI的COPD病例中的发病率和死亡率增加[1,2,33].因此,在临床实践中鼓励评估肌肉功能(包括质量和力量)。事实上,鉴别出肌肉质量低的患者有助于制定改善肌肉功能的治疗方案,包括运动训练、营养和激素治疗[34].虽然我们的分析不允许我们深入了解将低肌肉质量联系起来的机制,但COPD患者的先前数据表明其中一个潜在机制是全身炎症。具有升高的血浆纤维蛋白原水平的COPD受试者,血液生物标志物用于全身炎症,具有低FFM [2]与低纤维蛋白原水平的患者相比,其死亡风险更高[35].另一种可能性是,低肌肉质量可能反映了身体活动的减少,而这反过来又与全因死亡率的增加有关[36].
有趣的是,当Schols标准用于分类低FFMI时PMA在COPD病例中,我们没有观察到COPDGene伴低FFMI的超重COPD病例PMA.COPD病例的其他研究还观察到使用类似切割的超重和肥胖病例中的低FFMI少数COPD病例[37,38]相反,在体重指数低于美国的人群中观察到,例如在亚洲,根据斯科尔斯切点,较高的病例数将具有较低的FFMI;建议使用较低的切点来定义低肌肉质量,以诊断肌肉减少症[39].随着人口混合程度的提高,用种族群体的信息来描述个体将变得更加困难。通过使用身体质量指数、年龄和性别等信息来定义切点,而不考虑种族,则更为相关。此外,肥胖是慢性阻塞性肺病的一个危险因素,肥胖患病率持续上升[40.].由于目前低FFMI的切点表明低FFMI患者的生存率降低,在不断增加的超重和肥胖COPD患者中诊断不足的低FFMI是有问题的。长期来看,考虑BMI、年龄和性别的低FFMI切点将具有更大的效用。
与当前调查有关的若干限制,必须解决。我们使用BIA的总体FFM来生成方程,以导出来自PMA的总体FFM。在研究中测量FFM的金标准研究方法是DXA,因为BIA已被证明低估FFM,对患者的水合地位敏感[41.]在我们的分析中,我们使用了一个公式将BIA得出的全身FFM转换为一个值,该值解释了COPD患者BIA低估FFM的原因[28].我们没有提出从DXA派生FFM的方法,而是使用来自BIA的PMA从BIA获得FFM的方法。BIA是监控FFM的验证技术。例如,欧洲临床营养和新陈代谢(Espen)[42.],欧洲呼吸社188bet官网地址会[43.]和癌症癌症的国际共识论文[44.都将BIA列为监测FFMI的一种方法,FFMI是评估营养不良、恶病质、肌肉减少和衰弱的重要组成部分。然而,额外的研究集中在生成一个公式来推导FFM,测量通过来自PMA的DXA可能会完善我们在当前研究中提出的方程。此外,我们使用ECLIPSE基线访问时胸部CT的PMA和BIA的FFM来生成预测公式,并不是所有参与者都在同一天测量了胸部CT和BIA。为了解决这一局限性,我们限制了我们的分析包括来自ECLIPSE的COPD病例,并在60天内进行胸部CT和BIA。此外,在Cox回归分析中,我们的研究使用了自我报告的共病,并存在召回偏倚。尽管如此,慢性阻塞性肺病患者FFMI较低PMA死亡存活风险(HR)也有类似的增加一流切割点:1.6,95%可信区间1.2–1.8)与其他研究中的其他慢性阻塞性肺病病例相比,研究了低FFMI与全因死亡率之间的关系。例如,在一组1898例COPD病例中,Vestbo等.[2]报告了与低FFMI相关的死亡风险增加(HR 1.5, 95% CI 1.2-1.8)。
因此,我们报告了一个公式,该公式可用于利用胸部CT信息建立COPD患者全身FFM的估计值,并有助于确定COPD患者预后的特征。该公式可用于COPD患者的胸部CT检查,以扩大肌肉萎缩的研究,肌肉萎缩是COPD患者全因死亡风险增加的标志,需要进一步研究。总之,我们已经证明,COPD和低FFMI的受试者(来自易于获得的CT PMA测量)死亡风险增加。
补充材料
补充材料
请注意:补充材料不是由编辑部编辑的,而是由作者提供的。
补充figureS1erj - 01134 - 2017 - _figures1
补充figureS2erj - 01134 - 2017 - _figures2
披露
补充材料
a·迪亚兹erj - 01134 - 2017 - _diaz
m . Dransfielderj - 01134 - 2017 - _dransfield
g . Kinneyerj - 01134 - 2017 - _kinney
>。麦当劳ERJ-01134-2017\u
e·西尔弗曼ERJ-01134-2017_Silverman
g . Washkoerj - 01134 - 2017 - _washko
确认
我们要感谢Andy Currie在编制这份手稿时提供技术援助。在线补充材料中可以找到涉及Eclipse和Copdenge Cohorts的完整调查员,临床中心和资助者。
作者的贡献
构思与设计:M.N. McDonald, E. Rutten, R. Harmouche, A.A. Diaz, R.S.J. Estepar, E.F. Wouters, S.I. Rennard, R. Casaburi, C.P. Hersh, M. Dransfield, E.K. Silverman, G.R. Washko。
数据收集:R. Harmouche,E.F. Wouters,S.I. Rennard,R.Casaburi,M. Dransfield,E.K.Silverman,G.R.Washko。
数据分析:M.N. McDonald, S.M. Lutz, A.A. Diaz。
手稿编辑/撰写:MN McDonald、E.Rutten、S.M.Lutz、R.Harmouche、A.A.Diaz、R.S.J.Estepar、G.Kinney、J.Hokanson、B.A.Gower、E.F.Wouters、S.I.Rennard、R.Casaburi、C.P.Hersh、M.Dransfield、E.K.Silverman、G.R.Washko。
脚注
这篇文章有补充资料可从www.qdcxjkg.com
支持声明:授予国家心脏,肺和血液研究所的R00HL121087,R01HL122464,R01HL122464,R01HL089856和R01HL089897和Parker B. Francis Foundation。COPDGENE®项目也由COPD基金会通过对由Astrazeneca,Boehringer Ingelheim,Glaxosmithkline,Novartis,辉瑞,西门子和阳光组成的行业咨询委员会所作的捐款。Eclipse由GSK资助。内容完全是作者的责任,不一定代表资金机构的官方意见。本文的资金信息已存入Crossref资助者注册表
利益冲突:可以在本文旁边找到披露www.qdcxjkg.com
- 收到2017年6月5日。
- 接受2017年9月3日。
- 版权所有©ERS 2017