Diabetologia

Background e obiettivi: Le malattie complesse come il diabete di tipo 2 sono caratterizzate da una grande quantità di variabili di rischio con cui sono state associate nel corso degli anni, rendendole malattie complesse e multifattoriali. In passato, le analisi di associazione tra variabili di rischio e malattie complesse venivano eseguite in studi che spesso erano progettati esclusivamente per quell'analisi specifica. Tuttavia, questo approccio è cambiato dopo l'introduzione di grandi studi di coorte basati su popolazione. Questi studi, come NHANES, UK Biobank e Lifelines, valutano una pletora di diverse variabili di rischio in campioni spesso superiori a 100.000 individui. A differenza degli studi tradizionali, gli studi di coorte non sono progettati con una chiara ipotesi in mente, ma piuttosto permettono ai ricercatori di formulare il loro quesito di ricerca sulla base dei dati disponibili. Sebbene queste coorti facilitino un'area di ricerca completamente nuova, sorgono diversi problemi quando vengono combinate con gli approcci scientifici tradizionali.
Gli autori hanno impiegato un approccio di studio di associazione delle variabili di rischio (RV-WAS) guidato dai dati per valutare le associazioni tra 134 variabili di rischio note e nuove e lo sviluppo a 5 anni del diabete di tipo 2. Essi hanno cercato di rispondere al seguente quesito: “Quali variabili di rischio sono associate allo sviluppo del diabete tipo 2 e tra esse quali possono essere applicate per predire il rischio in diversi contesti clinici, comprese le variabili invasive, non invasive e le sole variabili del questionario utilizzato?
Metodi: Lifelines è uno studio di coorte prospettico multidisciplinare basato sulla popolazione che esamina in un disegno a tre generazioni la salute e i comportamenti relativi alla salute di 167.729 persone che vivono nel nord dei Paesi Bassi. Impiega una vasta gamma di procedure per valutare i fattori biomedici, socio-demografici, comportamentali, fisici e psicologici che contribuiscono alla salute e alla malattia della popolazione generale, con particolare attenzione alla multi-morbidità e alla genetica, e ha un follow-up basato su questionari raccolti ad intervalli mediani di 1,5 e 3 anni, e ripetute misure biochimiche dopo 5 anni. E’ stato usato un disegno di studio di associazione delle variabili di rischio (RV-WAS) per selezionare e replicare in modo indipendente le variabili di rischio per l'incidenza a 5 anni del diabete di tipo 2.
La popolazione totale (n = 96.534, senza diabete all’inizio dello studio) è stata divisa 50:50 in due set di dati e sono state esaminate 134 variabili per le associazioni con lo sviluppo del diabete di tipo 2. Le variabili significative sono state incrociate in un altro dataset e convalidate utilizzando un valore di p <0,05. La robustezza delle variabili di rischio è stata valutata con diversi metodi di analisi. Il rischio unico spiegato dalle variabili è stato studiato ricalcolando la discriminazione del modello dopo aver sottratto una variabile dal modello completo. Questo processo è stato applicato in tre modelli clinicamente rilevanti (cioè, un modello che includeva tutte le variabili, un modello contenete variabili non-invasive, un modello con questionario).
Risultati: Sono state identificate 63 variabili di rischio, con nuove associazioni per gli indicatori di qualità della vita e dei farmaci non cardiovascolari (come inibitori della pompa protonica, antiasmatici). Per le variabili continue, l'aumento di 1 SD di HbA1c, cioè 3,39 mmol/mol (0,31%), era equivalente in rischio all’aumento di 0,53 mmol/l di glucosio, 19,8 cm di circonferenza vita, 8,34 kg/m2 di BMI, 0,67 mmol/l di colesterolo HDL e 0,14 mmol/l di acido urico. Altre variabili richiedevano un aumento di >3 SD, che non è fisiologicamente realistico, oppure un evento raro nella popolazione. Anche se moderatamente correlata, l'inclusione di quattro variabili (glicemia, HbA1c, colesterolo HDL e attività lavorativa) ha “saziato” i modelli di previsione. Le variabili invasive, tranne glicemia e HbA1c, contribuivano poco rispetto alle variabili non invasive. Glicemia, HbA1c e storia familiare di diabete spiegavano solo una parte del rischio di malattia. L'aggiunta di variabili di rischio a un “modello di sazietà” può avere un impatto sugli HR delle variabili già presenti nel modello.
Conclusioni e commento editoriale: Questo studio dimostra che un metodo RV-WAS guidato dai dati può essere utilizzato per valutare e contestualizzare un'ampia varietà di potenziali variabili di rischio per il diabete di tipo 2. Partendo da 134 variabili, l’analisi ha permesso di identificare 63 variabili di rischio per lo sviluppo a 5 anni del diabete di tipo 2. La proporzione di variabili identificate è simile a quella di una recente meta-analisi (47% vs 32%) [Bellou V. 2018)], e la maggior parte delle variabili di rischio identificate sono state descritte in precedenza. Tuttavia, la prescrizione di inibitori della pompa protonica e la qualità della vita non erano state ancora riportate come variabili di rischio per lo sviluppo del diabete di tipo 2.
E’ emerso che nuove variabili di qualità della vita legate allo stato di salute predicono il diabete di tipo 2. Queste variabili indicano il valore potenziale della percezione personale della salute sullo sviluppo della malattia. Tuttavia, gli HR per molte variabili replicate sono trascurabili, lasciando un piccolo insieme di variabili rilevanti. Inoltre, solo una piccola parte delle variabili di rischio (HbA1c e misure antropometriche di adiposità) spiega il rischio di malattia in modo robusto e unico nei modelli di previsione per lo sviluppo del diabete di tipo 2. L'aggiunta di variabili a un modello “sazio” può avere un impatto sugli HR di quelle già incluse nel modello. Pertanto, le dimensioni di associazione delle variabili di rischio dovrebbero essere confrontate tra gli studi solo quando i modelli includono le stesse variabili o variabili simili.
Tra i limiti dello studio occorre riportare che la maggior parte dei partecipanti a Lifelines sono bianchi, quindi lo studio non è stato in grado di indagare in modo affidabile le associazioni con l'etnia. Inoltre, questo studio si basa su una popolazione olandese, la cui prevalenza di diabete è simile alla media degli altri paesi europei (prevalenza comparativa corretta per l'età: 5,4% vs 6,3%), ma inferiore a quella degli Stati Uniti (10,8%). Inoltre, alcune variabili potrebbero essere specifiche della regione. Per esempio, nei Paesi Bassi è comune viaggiare in bicicletta (cioè, attività fisica durante il pendolarismo lavorativo). Inoltre, non sono state analizzate alcune variabili per mancanza di dati.
Nella coorte Lifelines è stato applicato un approccio basato sui dati e sull’apprendimento automatico (machine learning) per lo studio dei confronti multipli e delle correlazioni tra le variabili di rischio. Questi metodi dovrebbero essere utilizzati in studi futuri per esplorare completamente i dati disponibili per le variabili di rischio e la loro applicabilità nella previsione del rischio. Poiché per questi approcci sono necessarie grandi coorti basate sulla popolazione con un'ampia serie di informazioni fenotipiche, dovrebbero essere incoraggiati la formazione e il facile accesso a tali studi. Le varianti di questa analisi potrebbero far luce anche sul complesso sviluppo di questa malattia. Per esempio, gli stessi metodi potrebbero essere utilizzati per valutare le variabili di rischio nello sviluppo del pre-diabete, una diagnosi per la quale il trattamento è molto discusso. Inoltre, si dovrebbero valutare robuste variabili di rischio per le diverse complicanze del diabete di tipo 2, che potrebbero portare a un approccio di prevenzione più mirato. Inoltre, le differenze nelle variabili di rischio tra le complicanze potrebbero fornire approfondimenti sulla fisiopatologia delle diverse complicanze.
I modelli attuali di previsione per la stima del rischio di diabete dovrebbero essere rivisti in base al contesto clinico (es. uso di misure di screening invasivo, non-invasivo o solo questionario) per ottimizzare il compromesso semplicità-prestazioni. E’ auspicabile un approccio sistematico nella valutazione, contestualizzazione e implementazione clinica delle variabili di rischio che siano sensibili alla complessa eziologia della malattia.

Infografica

infografica 1608

A cura di Roberto Miccoli e Max Petrelli

van der Meer TP, Wolffenbuttel BHR, Patel CJ. Data-driven assessment, contextualisation and implementationof 134 variables in the risk for type 2 diabetes: an analysis of Lifelines, a prospective cohort study in the Netherlands. Diabetologia (2021) 64:1268–1278. doi.org/10.1007/s00125-021-05419-1


Fai il login per vedere l'articolo originale

Cookie

Il sito Siditalia.it utilizza esclusivamente cookie tecnici (propri o di terze parti) che non raccolgono dati di profilazione durante la navigazione.
Continuando la navigazione del sito o cliccando su "Chiudi" acconsenti all'uso dei cookie