72 BMI-Z-Score (SDS) versus berechnetem Körperfettanteil zur Vorhersage möglicher Komorbiditäten adipöser Kinder und Jugendlicher-Analyse der APV Daten

Zusammenfassung

Die Vorhersagbarkeit der jeweiligen Komorbiditäten mit dem berechneten KFA ist möglich, jedoch schneidet die Vorhersage auf Basis des BMI-SDS besser ab. Möglicherweise sind die in der Formel beschriebenen Ethnien in einem deutschsprachigen Kollektiv seltener anzutreffen bzw. aus dem Geburtsland nicht sicher ableitbar. Ob eine auf nationale Verhältnisse angepasste Formel vergleichbare Ergebnisse erzielt, muss weiter untersucht und mit objektiven Verfahren zur Bestimmung der Körperkomposition überprüft werden.

Einleitung

Der BMI-SDS wird i.d.R. zur Gewichtsklassifikation herangezogen. Hudda et al. (2019) entwickelten eine Formel, um den Körperfettanteil (KFA) unter Berücksichtigung von Alter (A), Geschlecht, Größe (H), Gewicht (W) sowie Ethnie (E) zu berechnen und zeigten eine gute Vorhersage für die Entwicklung eines Typ-2-Diabetes. Auf Basis des APV-Kollektivs wurde geprüft, ob der berechnete KFA gegenüber dem BMI-SDS (nach KIGGS) hinsichtlich der Vorhersagbarkeit einer arteriellen Hypertonie (HYP, nach KiGGS), Dyslipidämie (HLP, gemäß American Heart Association) und gestörtem Kohlenhydrat(KH)-Stoffwechsel (mind. 1 Kriterium erfüllt: nüchtern BZ>100 mg/dl, 2h-BZ im oGTT>140 mg/dl, HbA1c>5,7%) überlegen ist.

Material und Methodik

100 103 Kinder und Jugendliche zwischen 4 bis 15 J. wurden integriert (48,2% männlich (n=48 250); 23,9% mit Migrationshintergrund (MH); anthropometrische Daten s. [Tab. 1]). Bei n=64 651 war das Geburtsland bekannt, bei den übrigen wurde gemäß der Formel „weiss“ angenommen. Der KFA wurde wie folgt berechnet: = W−exp[0.3073×H²−10 0155×W⁻¹+0,004571×W+0,01408×E Schwarzafrikanisch) − 0,06509×E Südasien−0,02624×E übriges Asien−0,01745×Andere E−0,9180×ln(A)+0,6488 × A^0.5+0,04723×männlich+2,8055]. Die Patienten wurden anhand des BMI-SDS und des berechneten KFA in Quartile eingeteilt. Die Vorhersage wurde auf Basis einer logistischen Regression, der Vergleich beider Modelle mit dem Vuong-Test berechnet.

	Median	unteres Quartil	oberes Quartil
n=100 103
Alter (J.)	12,6	10,7	14,0
Gewicht (kg)	69,9	55,8	84,1
Größe (cm)	157,3	147,0	165,2
BMI (kg/m2)	28,0	25,1	31,4
BMI-SDS	1,93	1,50	2,34
KFA (%)	39,0	35,5	42,3
Fettmasse (kg)	26,8	20,8	33,7

Ergebnisse

58,0% hatten eine HYP, 33,3% eine HLP und 11,5% eine Störung des KH-Stoffwechsels, Anteil der Komorbiditäten in Abhängigkeit der Quartile (Q) s. [Tab. 2].

	HYP		HLP		Störung des KH-Stoffwechsels
	BMI-SDS	KFA	BMI-SDS	KFA	BMI-SDS	KFA
Q1	44,2%	45,6%	27,5%	27,6%	7,9%	8,2%
Q2	54,0%	54,2%	31,0%	31,5%	9,2%	9,2%
Q3	61,6%	62,2%	33,8%	33,8%	10,4%	10,4%
Q4	70,2%	71,8%	36,6%	37,3%	12,7%	13,0%

In beiden Modellen fanden sich für alle 3 Komorbiditäten signifikante ß-Koeffizienten im Trendtest (je p<0,001, adjustiert nach Alter, Geschlecht und MH); der Bezug zum BMI-SDS war jeweils signifikant enger (p<0,001).

Unterstützt von dem EU-IMI2-Konsortium SOPHIA

Publication History

Article published online:
24 September 2021