MADRID, 6 de mayo de 2023 – 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. Esto es lo que revela un nuevo modelo de inteligencia artificial (IA) desarrollado en el Centro Médico Universitario de Friburgo, Alemania, que analiza la composición corporal para predecir riesgos para la salud.
Un Estudio Revelador
Tal y como se describe en la revista ‘Radiology’, los investigadores utilizaron inteligencia artificial para analizar resonancias magnéticas de cuerpo entero de más de 66.000 participantes, creando así el mapa de referencia más detallado hasta la fecha sobre la distribución de grasa y músculo en el cuerpo humano, teniendo en cuenta la edad, el sexo y la estatura.
Desde hace tiempo, los médicos han empleado 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, ya que solo considera la estatura y el peso sin tener en cuenta la masa muscular ni la distribución de la grasa.
Los Retos del IMC
El doctor Jakob Weiss, radiólogo del Departamento de Radiología Diagnóstica e Intervencionista del Centro Médico Universitario de Friburgo, menciona que “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. Pero el IMC no refleja de forma fiable la composición corporal real de una persona”.
Por su parte, el doctor Matthias Jung, primer autor del estudio, subraya 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 específicas entre hombres y mujeres.
Metodología y Resultados del Estudio
El estudio retrospectivo incluyó a 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 parte del 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 utilizando un marco de aprendizaje profundo automatizado y de código abierto. Estas métricas incluyeron tejido adiposo subcutáneo, tejido adiposo visceral, músculo esquelético, fracción de grasa del músculo esquelético y tejido adiposo intramuscular, expresadas como puntuaciones z, que indican cuánto se desvió un individuo de la norma ajustada por edad, sexo y altura.
Impacto en la Salud
Los análisis estadísticos permitieron evaluar el valor pronóstico de las categorías de puntuación z para predecir la incidencia de diabetes, eventos cardiovasculares adversos mayores y mortalidad por todas las causas. Se encontró que un alto nivel de grasa visceral se asociaba con un riesgo 2,26 veces mayor de desarrollar diabetes, un alto nivel de grasa intramuscular se vinculaba a un riesgo 1,54 veces mayor de sufrir eventos cardiovasculares graves y un bajo nivel de músculo esquelético se relacionaba con una mortalidad 1,44 veces superior, independientemente de los factores de riesgo cardiometabólicos.
El doctor Jung reiteró que “no se trata solo de la cantidad de músculo que se tiene, sino también de la calidad de ese músculo. Conocer el volumen de grasa intramuscular nos proporciona información sobre la calidad muscular que otros métodos como el IMC no pueden ofrecer fácilmente”.
Nuevas Herramientas para la Atención Médica
El equipo de investigación generó curvas de referencia que permiten un análisis más preciso y personalizado en la atención médica. Se publicó una calculadora de puntuación z de composición corporal ajustada por edad, sexo y altura, de código abierto y basada en la Web. Esta herramienta facilitará la investigación y permitirá a médicos normalizar sus conjuntos de datos, mejorando así la comparabilidad y generalización de resultados.
El doctor Weiss concluye que esta herramienta permite a los médicos utilizar imágenes de rutina para mejorar la atención médica, lo que significa que no sería necesario realizar una resonancia magnética de cuerpo completo para obtener esta información. Una tomografía computarizada o una resonancia magnética rutinaria puede proporcionar la información necesaria para compararla con los valores de referencia creados.
Perspectivas Futuras
Los próximos pasos para los investigadores incluyen validar estas curvas de referencia en poblaciones clínicas y desarrollar valores específicos para otras condiciones de salud en distintos grupos de pacientes. La herramienta también tiene el potencial de mejorar la estratificación del riesgo en oncología y diferenciar entre la pérdida de grasa deseable y la pérdida muscular indeseada en pacientes que utilizan medicamentos para perder peso.
