Abdominal MRI-Derived Liver, Visceral Fat, and Pancreatic Phenotypes Improve Prediction of Incident Type 2 Diabetes.

چکیده اصلی

AIMS: To evaluate whether abdominal magnetic resonance imaging (MRI)-derived metabolic phenotypes improve the opportunistic prediction of incident type 2 diabetes (T2D) beyond clinical risk models. MATERIALS AND METHODS: This study included 36,833 UK Biobank participants who underwent abdominal MRI and were free of T2D at imaging baseline. The original Cambridge Diabetes Risk Score (CDRS) was evaluated, and glycated haemoglobin (HbA1c) was added to form the clinical CDRS model. MRI phenotypes were selected using a LASSO-based selection-frequency analysis and added to construct the clinical CDRS-MRI model. Model performance was assessed in an internal validation set using Harrell's C-index, continuous net reclassification improvement (NRI), and integrated discrimination improvement (IDI). RESULTS: During a median follow-up of 7.38 years, 570 participants developed incident T2D. The selection-frequency analysis retained four MRI phenotypes: liver proton density fat fraction, liver volume, visceral fat volume, and pancreas volume. In the internal validation set, C-indices were 0.765 (95% CI, 0.731-0.800) for the original CDRS model, 0.820 (95% CI, 0.786-0.849) for the clinical CDRS model, and 0.849 (95% CI, 0.818-0.877) for the clinical CDRS-MRI model. The clinical CDRS-MRI model improved the C-index by 0.084 versus the original CDRS model and by 0.029 versus the clinical CDRS model, with a continuous NRI of 56.2% (95% CI, 40.6%-70.0%) and an IDI of 0.022 (95% CI, 0.010-0.037). CONCLUSIONS: Abdominal MRI-derived phenotypes improved the prediction of incident T2D beyond established clinical risk models. These findings support secondary use of available abdominal MRI data for metabolic risk stratification, pending external validation.

ترجمه فارسی چکیده

هدف: بررسی این است که آیا ویژگی‌های متابولیک حاصل از اسکن MRI شکم، پیش‌بینی نوع ۲ دیابت حاد را بهتر از مدل‌های ریسک بالینی بهبود می‌دهند. روش‌ها: این مطالعه شامل ۳۶،۸۳۳ شرکت‌کننده در پروژه UK Biobank بود که اسکن MRI شکم انجام داده بودند و در زمان شروع مطالعه از نوع ۲ دیابت رنج نمی‌بردند. امتیاز ریسک دیابت کمبریج (CDRS) ارزیابی شد و گلیکوهمیگلوبین (HbA1c) برای تشکیل مدل بالینی CDRS اضافه گردید. ویژگی‌های MRI با استفاده از تحلیل فرکانس انتخاب بر اساس LASSO انتخاب شدند و برای ساخت مدل بالینی CDRS-MRI اضافه گردیدند. عملکرد مدل در مجموعه اعتبارسنجی داخلی با استفاده از شاخص C-Harrell، بهبود بازبینی مداوم (NRI) و بهبود تشخیص تفکیکی (IDI) ارزیابی شد. نتایج: در طی پیگیری میانگین ۷.۳۸ ساله، ۵۷۰ شرکت‌کننده دچار نوع ۲ دیابت حاد شدند. تحلیل فرکانس انتخاب چهار ویژگی MRI را حفظ کرد: کسر چربی پروتون کبد، حجم کبد، حجم چربی عمومی و حجم لوزالمعده. در مجموعه اعتبارسنجی داخلی، شاخص‌های C به ترتیب ۰.۷۶۵ (۹۵٪ CI، ۰.۷۳۱-۰.۸۰۰) برای مدل CDRS اصلی، ۰.۸۲۰ (۹۵٪ CI، ۰.۷۸۶-۰.۸۴۹) برای مدل بالینی CDRS و ۰.۸۴۹ (۹۵٪ CI، ۰.۸۱۸-۰.۸۷۷) برای مدل بالینی CDRS-MRI بودند. مدل بالینی CDRS-MRI شاخص C را نسبت به مدل CDRS اصلی ۰.۰۸۴ و نسبت به مدل بالینی CDRS ۰.۰۲۹ بهبود داد، با NRI مداوم ۵۶.۲٪ (۹۵٪ CI، ۴۰.۶%-۷۰.۰٪) و IDI ۰.۰۲۲ (۹۵٪ CI، ۰.۰۱۰-۰.۰۳۷). نتیجه‌گیری: ویژگی‌های حاصل از MRI شکم پیش‌بینی نوع ۲ دیابت حاد را فراتر از مدل‌های ریسک بالینی موجود بهبود دادند. این یافته‌ها از استفاده ثانویه از داده‌های موجود MRI شکم برای طبقه‌بندی ریسک متابولیک حمایت می‌کنند، مشروط بر اعتبارسنجی خارجی.

متن کامل اصلی