Автор: доктор Приом Бозе, доктор философии 5 мая 2026 года
Рецензент: Лорен Хардакер
Инструмент на основе анализа данных, собранных почти у 200 000 человек, позволяет определить, у кого с наибольшей вероятностью могут развиться серьезные заболевания, связанные с ожирением. Это более эффективный способ подбора лечения, учитывающий не только индекс массы тела.
В недавнем исследовании Nature Medicine была разработана и апробирована модель OBSCORE, которая позволяет выявить людей с ожирением или избыточным весом, у которых с наибольшей вероятностью могут возникнуть сопутствующие проблемы со здоровьем.
Заболеваемость, связанная с ожирением, достижения в области лечения и распределение ресурсов
Ожирение — это хроническое патологическое состояние, которое значительно повышает риск развития метаболических заболеваний, в том числе диабета 2-го типа и сердечно-сосудистых заболеваний, а также механических осложнений, таких как апноэ во сне. В совокупности эти осложнения являются причиной примерно 5 миллионов смертей и 130 миллионов лет жизни, скорректированных по нетрудоспособности, в год, что в три раза больше, чем в 1990 году.
Новые фармакологические препараты, в том числе семаглутид и тирзепатид, воздействуют на рецепторы глюкагоноподобного пептида-1 (ГПП-1) и глюкозозависимого инсулинотропного полипептида (ГИП) и демонстрируют значительную эффективность в борьбе с ожирением и сопутствующими заболеваниями. Однако, учитывая, что 60–70 % взрослых в западных странах имеют избыточный вес или страдают ожирением, широкое внедрение фармакотерапии сопряжено со значительными логистическими и экономическими трудностями для систем здравоохранения.
Для эффективного распределения ресурсов между фармакологическими, диетическими, поведенческими и хирургическими методами лечения необходимо точно выявлять и классифицировать людей с повышенным риском осложнений, связанных с ожирением. Одного индекса массы тела (ИМТ) недостаточно. В современных подходах клиническое ожирение определяется с учетом множества факторов, в том числе состояния здоровья и фенотипических подтипов. Тем не менее конкретные параметры, необходимые для надежной стратификации риска, до сих пор не определены, и до сих пор не существует проверенной системы вмешательства с учетом факторов риска.
Крупномасштабные современные популяционные исследования с использованием комплексных базовых оценок и сопоставлением данных о состоянии здоровья в динамике теперь позволяют интегрировать разнородные массивы данных. Несмотря на то, что методы машинного обучения могут выявлять значимые прогностические факторы в многомерных наборах данных, их способность создавать клинические инструменты для борьбы с ожирением на основе оценки рисков остается практически неизученной.
Выявление групп повышенного риска с помощью предиктивного моделирования
В текущем исследовании представлен OBSCORE — инструмент прогнозирования риска, который позволяет выявлять людей из групп повышенного риска, нуждающихся во вмешательстве. Для этого использовался Биобанк Великобритании (UKB) — проспективное популяционное исследование с участием около 500 000 жителей Великобритании в возрасте от 40 до 69 лет.
Размер выборки не определялся статистически, рандомизация и «ослепление» не применялись. Чтобы отразить клиническую реальность, были использованы критерии исключения, аналогичные тем, что применялись в исследовании SURMOUNT-1: в исследование включались взрослые с индексом массы тела ≥27 кг/м² с сопутствующими заболеваниями или без них. Участники с противопоказаниями или специфическими заболеваниями исключались.
Двухэтапная система машинного обучения объединила метод LASSO для отбора признаков и регуляризованную модель Кокса для оптимизации и проверки, сосредоточившись на 20 наиболее значимых признаках для каждого осложнения. Когорта была разделена на три части: для отбора признаков, оптимизации и проверки, а эффективность модели оценивалась с помощью бутстреп-индекса.
Для повышения клинической эффективности была разработана единая модель с 20 основными характеристиками, которая потенциально может быть внедрена в клиническую практику для прогнозирования множества осложнений. При необходимости модели, ориентированные на конкретные исходы, переобучались. Общая клиническая модель прошла внешнюю валидацию в рамках Европейского проспективного исследования рака (European Prospective Investigation into Cancer, EPIC) в Норфолке для подгруппы исходов, а также в рамках исследований Genes & Health, в которых участвовали британцы пакистанского и бангладешского происхождения с сахарным диабетом 2-го типа.
OBSCORE позволяет точно и индивидуально стратифицировать риски, не ограничиваясь индексом массы тела
Из почти 500 000 участников Британского биобанка 197 264 человека соответствовали критериям для участия в исследовании по снижению веса (97 421 человек с избыточным весом, 99 843 человека с ожирением; средний возраст — 58 лет). На момент начала исследования у 9,3 % участников был диагностирован диабет 2-го типа, а у 4,4 % — серьезные проблемы с сердцем. В течение 10 лет отслеживались 18 осложнений, связанных с ожирением, среди которых наиболее распространенными были артропатия и гипертония. Было зарегистрировано 9337 случаев смерти. Из 2390 потенциальных предикторов после исключения сильно коррелирующих переменных осталось 2078.
Наилучшие прогностические показатели были получены для общего состояния здоровья, поведения и клинических биомаркеров крови; наихудшие — для полигенных оценок. При использовании всех признаков результаты были аналогичными тем, что были получены при использовании только 20 лучших признаков, за исключением заболеваний и принимаемых лекарств, где использование большего количества признаков дало лучшие результаты.
Чтобы проверить точность прогнозирования, мы поэтапно добавляли различные типы медицинских данных, используя 20 наиболее значимых показателей из каждой области. Сочетание диагнозов, сведений о принимаемых лекарствах и результатах анализов крови с общей информацией о состоянии здоровья повысило точность прогнозирования, что подчеркивает важность клинических записей. Однако добавление дополнительных данных, таких как показатели работы сердечно-сосудистой и дыхательной систем, состав тела, метаболиты или генетическая информация, практически не повлияло на точность прогнозирования большинства исходов.
Наилучшие прогностические показатели наблюдались при таких заболеваниях, как подагра, хроническая болезнь почек и сахарный диабет 2-го типа. Эти результаты во многом обусловлены биомаркерами в крови, однако некоторые заболевания, в том числе диафрагмальная грыжа, по-прежнему сложно поддаются точному прогнозированию.
Для создания единой модели OBSCORE, которая прогнозирует риск по всем 18 исходам, были отобраны 20 общих, в основном не связанных между собой клинических признаков. В этой модели приоритет отдается быстрым и доступным клиническим данным, а не сложным маркерам, таким как метаболиты и генетические данные, которые не принесли особой пользы.
Модель OBSCORE продемонстрировала точность прогнозирования, сравнимую с более сложными моделями, ориентированными на конкретные исходы, с незначительными отличиями. Она стабильно превосходила подходы, основанные на индексе массы тела, и модели, основанные на показателях из уже существующих шкал оценки риска (таких как ASCVD и SCORE2), особенно в отношении несердечно-сосудистых заболеваний, таких как диабет 2-го типа и апноэ во сне. Эти результаты были стабильны во всех подгруппах пациентов и показали применимость модели в других группах, что подчеркивает ее потенциальную универсальность.
При сравнении показателей выявляемости при различных пороговых значениях ложноположительных результатов OBSCORE и расширенные модели, учитывающие конкретные исходы, показали схожие результаты. Важно отметить, что OBSCORE более эффективно выявлял людей из группы высокого риска, о чем свидетельствовали более высокие вероятности осложнений после тестирования, особенно в случае сахарного диабета 2-го типа. Несмотря на то, что калибровка OBSCORE в целом была надежной, иногда отмечалось завышение риска, что было устранено с помощью дополнительной статистической корректировки.
Разделив людей на группы в зависимости от абсолютного риска, система OBSCORE позволяет принимать более целенаправленные меры. Примечательно, что многие люди, отнесенные к группе высокого риска, имели избыточный вес, а не ожирение, что указывает на ограниченность оценки риска только по индексу массы тела. Риск также значительно варьировался в зависимости от категории ИМТ, и система OBSCORE позволяла гораздо точнее разделить людей на группы высокого и низкого риска, чем только по ИМТ, что приводило к существенным различиям в прогнозируемых результатах. Был разработан интерактивный онлайн-инструмент, позволяющий пользователям изучать персонализированные оценки риска.
В исследовании SURMOUNT-1 препарат тирзепатид снижал как массу тела, так и соотношение окружности талии к росту во всех группах риска по шкале OBSCORE. У пациенток из групп повышенного риска наблюдалось в среднем большее абсолютное снижение показателей, хотя относительное снижение было немного меньше. После лечения показатели риска по шкале OBSCORE значительно снизились во всех группах, принимавших тирзепатид, что указывает на чувствительность модели к изменениям прогнозируемого риска после вмешательства.
OBSCORE предлагает масштабируемый потенциал для поддержки принятия клинических решений
В ходе текущего исследования был разработан и протестирован инструмент прогнозирования риска, который позволяет лучше выявлять людей с высоким риском развития осложнений, связанных с ожирением. Благодаря точной стратификации риска этот инструмент может помочь врачам определить приоритетность раннего вмешательства и более эффективно распределять ресурсы. Полученные результаты подтверждают целесообразность внедрения основанных на данных подходов, ориентированных на оценку риска, для персонализации стратегий борьбы с ожирением в качестве дополнительной системы поддержки принятия решений. Прежде чем внедрять этот инструмент в повседневную клиническую практику, необходимо провести его дополнительную проверку, калибровку и определить клинически значимые пороговые значения риска.
Однако следует учитывать ряд ограничений, в том числе тот факт, что исследование проводилось преимущественно среди участников среднего и старшего возраста, что население Британского биобанка в целом здоровее, чем население в среднем, что результаты могут быть необъективными из-за использования электронных медицинских карт, а также что прогностическая ценность некоторых заболеваний, таких как гастроэзофагеальная рефлюксная болезнь и артропатия, ниже. Кроме того, выявленные предикторы не обязательно являются причинно-следственными и требуют дополнительной проверки на различных группах населения.
Ссылка на журнал:
Демиркан К. и др. (2026). Приоритизация лиц из группы риска для снижения веса на основе данных. Nature Medicine, 1-11. DOI: https://doi.org/10.1038/s41591-026-04353-2. https://www.nature.com/articles/s41591-026-04353-2
Чтобы написать отзыв нужно авторизоватся