Значимость клинико-лабораторных индексов в диагностике неалкогольной жировой болезни печени

Обложка

Цитировать

Полный текст

Аннотация

Цель. Изучить значимость клинико-лабораторных неинвазивных индексов в сочетании с индексом инсулинорезистентности в диагностике неалкогольной жировой болезни печени (НАЖБП) при скрининговых обследованиях.

Материалы и методы. В исследование включены 348 работников нефтедобывающего предприятия. Выполнялось ультразвуковое сканирование (УЗИ) печени с оценкой критериев НАЖБП. Вычислялись индексы: fatty liver index (FLI), hepatic steatosis index (HSI), lipid accumulation products (LAP), индекс инсулинорезистентности (HOMA1-IR). Прогностическая значимость данных индексов в отношении вероятности диагностики НАЖБП по данным УЗИ изучалась в моделях однофакторной и многофакторной логистической регрессии с выполнением ROC-анализа.

Результаты. Индексы FLI, HSI и HOMA1-IR в моделях однофакторной логистической регрессии показали высокую статистическую значимость в диагностике НАЖБП с хорошей калибрационной способностью моделей. Доля правильной бинарной классификации в отношении наличия/отсутствия НАЖБП составила для FLI 82,4%, для HSI – 79,7%, а для HOMA1-IR – 72,7% (р<0,001). По данным ROC-анализа, площадь под кривой (AUC) при диагностике НАЖБП составила для этих индексов 0,917 (95% доверительный интервал – ДИ 0,889–0,945), 0,880 (95% ДИ 0,846–0,915) и 0,849 (95% ДИ 0,764–0,934) соответственно. Многофакторная логистическая регрессионная модель с включением FLI и HOMA1-IR позволила достичь правильной бинарной классификации в отношении НАЖБП в 84,2% случаев, а в ROC-анализе на основании предсказанных в многофакторной логистической модели вероятностей в качестве тестируемой переменной и НАЖБП при УЗИ в качестве переменной состояния установили значение AUC=0,933 (95% ДИ 0,882–0,985).

Заключение. Изученные клинико-лабораторные индексы (FLI, HSI, HOMA1-IR) обладают высокой диагностической значимостью в отношении НАЖБП, установленной по ультрасонографическим критериям. Применение предложенной двухфакторной логистической модели позволяет в условиях массового обследования достаточно точно прогнозировать наличие НАЖБП без дополнительного широкого привлечения специалистов ультразвуковой диагностики в целях рационального использования медицинских ресурсов.

Об авторах

Александр Евгеньевич Носов

ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения» Роспотребнадзора

Автор, ответственный за переписку.
Email: nosov@fcrisk.ru
ORCID iD: 0000-0003-0539-569X

кандидат медицинских наук, заведующий стационаром (отделение профпатологии терапевтического профиля)

Россия, Пермь

Мария Талгатовна Зенина

ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения» Роспотребнадзора

Email: nosov@fcrisk.ru
ORCID iD: 0000-0001-6623-3075

врач ультразвуковой диагностики

Россия, Пермь

Ольга Юрьевна Горбушина

ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения» Роспотребнадзора

Email: nosov@fcrisk.ru
ORCID iD: 0000-0002-7592-3219

врач-терапевт стационара (отделение профпатологии терапевтического профиля)

Россия, Пермь

Анастасия Сергеевна Байдина

ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения» Роспотребнадзора

Email: nosov@fcrisk.ru
ORCID iD: 0000-0003-3131-5868

кандидат медицинских наук, врач-кардиолог консультативно-поликлинического отделения

Россия, Пермь

Елена Михайловна Власова

ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения» Роспотребнадзора

Email: nosov@fcrisk.ru
ORCID iD: 0000-0003-3344-3361

кандидат медицинских наук, заведующий центром профессиональной патологии

Россия, Пермь

Вадим Борисович Алексеев

ФБУН «Федеральный научный центр медико-профилактических технологий управления рисками здоровью населения» Роспотребнадзора

Email: nosov@fcrisk.ru

доктор медицинских наук, директор

Россия, Пермь

Список литературы

  1. Jennison E, Patel J, Scorletti E, Byrne CD. Diagnosis and management of non-alcoholic fatty liver disease. Postgrad Med J. 2019;95(1124):314-22. doi: 10.1136/postgradmedj-2018-136316
  2. European Association for the Study of the Liver (EASL); European Association for the Study of Diabetes (EASD); European Association for the Study of Obesity (EASO). EASL-EASD-EASO Clinical Practice Guidelines for the Management of Non-Alcoholic Fatty Liver Disease. Obesity Facts. 2016;9(2):65-90. doi: 10.1159/000443344
  3. Singh S, Allen AM, Wang Z, et al. Fibrosis progression in nonalcoholic fatty liver vs nonalcoholic steatohepatitis: a systematic review and meta-analysis of paired-biopsy studies. Clinical Gastroenterol Hepatol. 2015;13:643-54. doi: 10.1016/j.cgh.2014.04.014
  4. Targher G, Byrne CD, Lonardo A, et al. Non-alcoholic fatty liver disease and risk of incident cardiovascular disease: A meta-analysis. J Hepatol. 2016;65(3):589-600. doi: 10.1016/j.jhep.2016.05.013
  5. Byrne CD, Targher G. NAFLD: A multisystem disease. J Hepatol. 2015;62(1):47-64. doi: 10.1016/j.jhep.2014.12.012
  6. Mantovani A, Zaza G, Byrne CD, et al. Nonalcoholic fatty liver disease increases risk of incident chronic kidney disease: A systematic review and meta-analysis. Metabolism. 2018;79:64-76. doi: 10.1016/j.metabol.2017.11.003
  7. Оганов Р.Г., Симаненков В.И., Бакулин И.Г., и др. Коморбидная патология в клинической практике. Кардиоваскулярная терапия и профилактика. 2019;18(1):5-66 [Oganov RG, Simanenkov VI, Bakulin IG, et al. Comorbidities in clinical practice. Algorithms for diagnostics and treatment. Cardiovascular Therapy and Prevention. 2019;(1):5-66 (in Russian)]. doi: 10.15829/1728-8800-2019-1-5-66
  8. Практическое руководство по ультразвуковой диагностике. Общая ультразвуковая диагностика. Под ред. В.В. Митькова. М.: Видар-М, 2005 [A practical guide to ultrasound diagnostics. General ultrasound diagnostics. Ed. VV Mitkov. Moscow: Vidar-M, 2005 (in Russian)].
  9. Li X, Zhou Z, Qi H, et al. Replacement of insulin by fasting C-peptide in modified homeostasis model assessment to evaluate insulin resistance and islet beta cell function. Journal of Central South University. Medical sciences. 2004;29(4):419-23
  10. Basukala P, Jha B, Yadav BK, Shrestha PK. Determination of Insulin Resistance and Beta-Cell Function Using Homeostatic Model Assessment in Type 2 Diabetic Patients at Diagnosis. Diabetes Metab J. 2018;9(3):790. doi: 10.4172/2155-6156.1000790
  11. Валеева В.Ф., Нуруллина Г.И. Диагностическая ценность С-пептида и модифицированных индексов HOMA при различных нарушениях углеводного обмена на фоне терапии глюкокортикоидами. Мед. вестн. юга России. 2018;9(1):23-31 [Valeeva FV, Nurullina GI. C-peptide and modified HOMA-index in different carbohydrate metabolism disturbances during glucocorticoid therapy. Medical Herald of the South of Russia. 2018;9(1):23-31 (in Russian)]. doi: 10.21886/2219-8075-2018-9-1-23-31
  12. Nurullina G. The role of HOMA-IR and HOMA_ISLET indices in different carbohydrate metabolism disorders during glucocorticoid therapy. Ann Rheum Dis. 2017;76:1161. doi: 10.1136/annrheumdis-2017-eular.5721
  13. Browning JD, Szczepaniak LS, Dobbins R, et al. Prevalence of hepatic steatosis in an urban population in the United States: impact of ethnicity. Hepatology. 2004;40:1387-95. doi: 10.1002/hep.20466
  14. Prati D, Taioli E, Zanella A, et al. Updated deinitions of healthy ranges for serum alanine aminotransferase levels. Ann Intern Med. 2002;137:1-10. doi: 10.7326/0003-4819-137-1-200207020-00006
  15. Ballestri S, Nascimbeni F, Baldelli E, et al. Ultrasonographic fatty liver indicator detects mild steatosis and correlates with metabolic/histological parameters in various liver diseases. Metabolism. 2017;72:57-65. doi: 10.1016/j.metabol.2017.04.003
  16. Bedogni G, Bellentani S, Miglioli L, et al. The Fatty Liver Index: a simple and accurate predictor of hepatic steatosis in the general population. BMC Gastroenterol. 2006;6(33). doi: 10.1186/1471-230X-6-33
  17. Bedogni G, Kahn HS, Bellentani S, Tiribelli C. A simple index of lipid overaccumulation is a good marker of liver steatosis. BMC Gastroenterol. 2010;10(98). doi: 10.1186/1471-230X-10-98
  18. Xia C, Li R, Zhang S, et al. Lipid accumulation product is a powerful index for recognizing insulin resistance in non-diabetic individuals. Eur J Clin Nutr. 2012;66(9):1035-8. doi: 10.1038/ejcn.2012.83
  19. Zhu J, He M, Zhang Y, et al. Validation of simple indexes for nonalcoholic fatty liver disease in western China: a retrospective cross-sectional study. Endocr J. 2018;65(3):373-81. doi: 10.1507/endocrj.EJ17-0466
  20. Lee JH, Kim D, Kim HJ, et al. Hepatic steatosis index: a simple screening tool reflecting nonalcoholic fatty liver disease. Dig Liver Dis. 2010;42:503-8. doi: 10.1016/j.dld.2009.08.002
  21. Cuthbertson DJ, Weickert MO, Lythgoe D, et al. External validation of the fatty liver index and lipid accumulation product indices, using 1H-magnetic resonance spectroscopy, to identify hepatic steatosis in healthy controls and obese, insulin-resistant individuals. Eur J Endocrinol. 2014;171(5):561-9. doi: 10.1530/EJE-14-0112
  22. Huang X, Xu M, Chen Y, et al. Validation of the Fatty Liver Index for Nonalcoholic Fatty Liver Disease in Middle-Aged and Elderly Chinese. Medicine. 2015;94(40):e1682. doi: 10.1097/MD.0000000000001682
  23. Yang BL, Wu WC, Fang KC, et al. External validation of fatty liver index for identifying ultrasonographic fatty liver in a large-scale cross-sectional study in Taiwan. PLoS One. 2015;10(3):e0120443. doi: 10.1371/journal.pone.0120443.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. ROC-кривые для индексов FLI, HSI, LAP и НАЖБП по данным УЗИ.

Скачать (75KB)
3. Рис. 2. ROC-кривые для индекса HOMA1-IR и НАЖБП по данным УЗИ.

Скачать (64KB)
4. Рис. 3. ROC-кривые для прогнозной вероятности на основе многофакторной логистической модели и НАЖБП по данным УЗИ.

Скачать (63KB)

© ООО "Консилиум Медикум", 2021

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
 
 


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».