肌肉减少症：解决诊断问题的现代方法

封面图片

如何引用文章

全文:

详细

肌肉减少症是医学统计和医疗保健系统的一个相对较新的诊断。然而，由于大量可能的不良后果，例如跌倒风险增加、残疾、住院时间延长和死亡率增加，它对医疗体系造成了社会和经济负担。虽然肌肉减少症没有高度专业化的药物疗法，但预防和及时的非药物治疗可以降低潜在不良反应的风险。诊断»肌肉减少症»不仅需要确认肌力下降，还需要确认肌肉质量下降。仪器诊断包括双能X光吸收测量 (DXA) 和生物阻抗测定法 (BIA)等方法。 这些方法可以辅以人工智能 (AI) 算法，用于在计算机断层扫描和磁共振图像上自动分割肌肉和脂肪组织，然后计算L3椎骨水平的肌肉骨骼指数。 此类软件在莫斯科市统一医疗信息和分析系统 (ERIS EMIAS)统一放射信息服务等系统中使用时，为机会性筛查提供了机会。然而，尽管欧洲老年人肌肉减少症工作组将CT和MRI技术认定为“金标准”，但仍然没有公认的用于诊断肌肉减少症的CT 和MR定量L3介质值。除此之外，还有统一术语“肌肉骨骼指数”的问题。如果这些问题通过进一步的人群研究得到解决，将有可能获得一种用于肌肉减少症的仪器诊断的新方法，并随后将其用于筛查这种疾病。

作者简介

Anastasia K. Smorchkova

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: a.smorchkova@npcmr.ru
ORCID iD: 0000-0002-9766-3390
SPIN 代码: 4345-8568
Scopus 作者 ID: 57213145638
俄罗斯联邦, Moscow

Alexey V. Petraikin

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: alexeypetraikin@gmail.com
ORCID iD: 0000-0003-1694-4682
SPIN 代码: 6193-1656

MD, Cand. Sci. (Med.)

俄罗斯联邦, Moscow

Dmitry S. Semenov

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: d.semenov@npcmr.ru
ORCID iD: 0000-0002-4293-2514
SPIN 代码: 2278-7290
Scopus 作者 ID: 57213154475
Researcher ID: P-5228-2017
俄罗斯联邦, Moscow

Daria E. Sharova

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

编辑信件的主要联系方式.
Email: d.sharova@npcmr.ru
ORCID iD: 0000-0001-5792-3912
SPIN 代码: 1811-7595
俄罗斯联邦, Moscow

参考

  1. Cruz-Jentoft AJ, Bahat G, Bauer J, et al. Sarcopenia: revised European consensus on definition and diagnosis. Age Ageing. 2019;48(1):16−31. doi: 10.1093/ageing/afy169
  2. Tkacheva ON, Kotovskaya YV, Runikhina NK, et al. Clinical guidelines on Frailty. Russ J Geriatric Med. 2020;(1):11−46. (In Russ). doi: 10.37586/2686-8636-1-2020-11-46
  3. Bischoff-Ferrari HA, Orav JE, Kanis JA, et al. Comparative performance of current definitions of sarcopenia against the prospective incidence of falls among community-dwelling seniors age 65 and older. Osteoporos Int. 2015;26(12):2793–2802 doi: 10.1007/s00198-015-3194-y
  4. da Silva Alexandre T, de Oliveira Duarte YA, Ferreira Santos JL, et al. Sarcopenia according to the European working group on sarcopenia in older people (EWGSOP) versus Dynapenia as a risk factor for disability in the elderly. J Nutr Health Aging. 2014;18(5):547−553. doi: 10.1007/s12603-014-0465-9
  5. Sousa AS, Guerra RS, Fonseca I, et al. Sarcopenia and length of hospital stay. Eur J Clin Nutr. 2016;70(5):595−601. doi: 10.1038/ejcn.2015.207
  6. Faulkner JA, Larkin LM, Claflin DR, Brooks SV. Age-related changes in the structure and function of skeletal muscles. Clin Exp Pharmacol Physiol. 2007;34(11):1091−1096. doi: 10.1111/j.1440-1681.2007.04752.x
  7. Shafiee G, Keshtkar A, Soltani A, et al. Prevalence of sarcopenia in the world: a systematic review and meta-analysis of general population studies. J Diabetes Metab Disord. 2017;16:21. doi: 10.1186/s40200-017-0302-x
  8. Petermann-Rocha F, Balntzi V, Gray SR, et al. Global prevalence of sarcopenia and severe sarcopenia: a systematic review and meta-analysis. J Cachexia Sarcopenia Muscle. 2022;13(1):86−99. doi: 10.1002/jcsm.12783
  9. Safonova YA, Zotkin EG. Sarcopenia in older patients with osteoarthritis of large joints. Sci Pract Rheumatol. 2019;57(2):154−159. (In Russ). doi: 10.14412/1995-4484-2019-154-159
  10. Tsekoura M, Kastrinis A, Katsoulaki M, et al. Sarcopenia and its impact on quality of life. Adv Exp Med Biol. 2017;987:213−218. doi: 10.1007/978-3-319-57379-3_19
  11. Sepúlveda-Loyola W, Osadnik C, Phu S, et al. Diagnosis, prevalence, and clinical impact of sarcopenia in COPD: a systematic review and meta-analysis. J Cachexia Sarcopenia Muscle. 2020;11(5):1164−1176. doi: 10.1002/jcsm.12600
  12. Nipp RD, Fuchs G, El-Jawahri A, et al. Sarcopenia is associated with quality of life and depression in patients with advanced cancer. Oncologist. 2018;23(1):97−104. doi: 10.1634/theoncologist.2017-0255
  13. Beaudart C, Biver E, Reginster JY, et al. Development of a self-administrated quality of life questionnaire for sarcopenia in elderly subjects: the SarQoL. Age Ageing. 2015;44(6):960−966. doi: 10.1093/ageing/afv133
  14. Geerinck A, Bruyère O, Locquet M, et al. Evaluation of the responsiveness of the SarQoL questionnaire, a patient-reported outcome measure specific to sarcopenia. Adv Ther. 2018;35(11):1842−1858. doi: 10.1007/s12325-018-0820-z
  15. Geerinck A, Locquet M, Bruyère O, et al. Evaluating quality of life in frailty: applicability and clinimetric properties of the SarQoL questionnaire. J Cachexia Sarcopenia Muscle. 2021;12(2):319−330. doi: 10.1002/jcsm.12687
  16. Witham MD, Heslop P, Dodds RM, et al. Performance of the SarQoL quality of life tool in a UK population of older people with probable sarcopenia and implications for use in clinical trials: findings from the SarcNet registry. BMC Geriatr. 2022;22(1):368. doi: 10.1186/s12877-022-03077-5
  17. Russian translation and validation of SarQoL ― quality of life questionnaire for patients with sarcopenia. Sci Pract Rheumatol. 2019;57(1):38−45. (In Russ). doi: 10.14412/1995-4484-2019-38-45
  18. Gani F, Buettner S, Margonis GA, et al. Sarcopenia predicts costs among patients undergoing major abdominal operations. Surgery. 2016;160(5):1162−1171. doi: 10.1016/j.surg.2016.05.002
  19. Bruyère O, Beaudart C, Ethgen O, et al. The health economics burden of sarcopenia: a systematic review. Maturitas. 2019;119:61−69. doi: 10.1016/j.maturitas.2018.11.003
  20. Peterson MD, Rhea MR, Sen A, Gordon PM. Resistance exercise for muscular strength in older adults: a meta-analysis. Ageing Res Rev. 2010;9(3):226−237. doi: 10.1016/j.arr.2010.03.004
  21. McKendry J, Currier BS, Lim C, et al. Nutritional supplements to support resistance exercise in countering the sarcopenia of aging. Nutrients. 2020;12(7):2057. doi: 10.3390/nu12072057
  22. Robinson SM, Reginster JY, Rizzoli R, et al. Does nutrition play a role in the prevention and management of sarcopenia? Clin Nutr. 2018;37(4):1121−1132. doi: 10.1016/j.clnu.2017.08.016
  23. Lozano-Montoya I, Correa-Pérez A, Abraha I, et al. Nonpharmacological interventions to treat physical frailty and sarcopenia in older patients: a systematic overview ― the SENATOR Project ONTOP Series. Clin Interv Aging. 2017;12:721−740. doi: 10.2147/CIA.S132496
  24. Lappe JM, Binkley N. Vitamin D and sarcopenia/falls. J Clin Densitom. 2015;18(4):478−482. doi: 10.1016/j.jocd.2015.04.015
  25. Rooks D, Roubenoff R. Development of pharmacotherapies for the treatment of sarcopenia. J Frailty Aging. 2019;8(3):120−130. doi: 10.14283/jfa.2019.11
  26. Morley JE, Abbatecola AM, Argiles JM, et al. Sarcopenia with limited mobility: an international consensus. J Am Med Dir Assoc. 2011;12(6):403−409. doi: 10.1016/j.jamda.2011.04.014
  27. Malmstrom TK, Miller DK, Simonsick EM, et al. SARC-F: a symptom score to predict persons with sarcopenia at risk for poor functional outcomes. J Cachexia Sarcopenia Muscle. 2016;7(1):28−36. doi: 10.1002/jcsm.12048
  28. Bahat G, Yilmaz O, Kiliç C, et al. Performance of SARC-F in regard to sarcopenia definitions, muscle mass and functional measures. J Nutr Health Aging. 2018;22(8):898−903. doi: 10.1007/s12603-018-1067-8
  29. Porto JM, Nakaishi AP, Cangussu-Oliveira LM, et al. Relationship between grip strength and global muscle strength in community-dwelling older people. Arch Gerontol Geriatr. 2019;82:273−278. doi: 10.1016/j.archger.2019.03.005
  30. Maggio M, Ceda GP, Ticinesi A, et al. Instrumental and non-instrumental evaluation of 4-meter walking speed in older individuals. PLoS One. 2016;11(4):e0153583. doi: 10.1371/journal.pone.0153583
  31. Podsiadlo D, Richardson S. The timed “Up & go”: a test of basic functional mobility for frail elderly persons. J Am Geriatr Soc. 1991;39(2):142−148. doi: 10.1111/j.1532-5415.1991.tb01616.x
  32. Beaudart C, McCloskey E, Bruyère O, et al. Sarcopenia in daily practice: assessment and management. BMC Geriatr. 2016;16(1):170. doi: 10.1186/s12877-016-0349-4
  33. Stringer HJ, Wilson D. The role of ultrasound as a diagnostic tool for sarcopenia. J Frailty Aging. 2018;7(4):258−261. doi: 10.14283/jfa.2018.24
  34. Petraikin AV, Smoliarchuk MY, Petryaykin FA, et al. Assessment the accuracy of densitometry measurements using DMA PP2 Phantom. Traumatol Orthopedics Russ. 2019;25(3):124−134. (In Russ). doi: 10.21823/2311-2905-2019-25-3-124-134
  35. Shen W, Punyanitya M, Wang Z, et al. Total body skeletal muscle and adipose tissue volumes: estimation from a single abdominal cross-sectional image. J Appl Physiol (1985). 2004;97(6):2333−2338. doi: 10.1152/japplphysiol.00744.2004
  36. Mourtzakis M, Prado CM, Lieffers JR, et al. A practical and precise approach to quantification of body composition in cancer patients using computed tomography images acquired during routine care. Appl Physiol Nutr Metab. 2008;33(5):997−1006. doi: 10.1139/H08-075
  37. Kim EY, Kim YS, Park I, et al. Prognostic significance of CT-determined sarcopenia in patients with small-cell lung cancer. J Thorac Oncol. 2015;10(12):1795−1799. doi: 10.1097/JTO.0000000000000690
  38. Baracos V, Kazemi-Bajestani SM. Clinical outcomes related to muscle mass in humans with cancer and catabolic illnesses. Int J Biochem Cell Biol. 2013;45(10):2302−2308. doi: 10.1016/j.biocel.2013.06.016
  39. Franceschi C, Garagnani P, Morsiani C, et al. The continuum of aging and age-related diseases: common mechanisms but different rates. Front Med (Lausanne). 2018;5:61. doi: 10.3389/fmed.2018.00061
  40. Ferrucci L, Fabbri E. Inflammageing: chronic inflammation in ageing, cardiovascular disease, and frailty. Nat Rev Cardiol. 2018;15(9):505−522. doi: 10.1038/s41569-018-0064-2
  41. Zamboni M, Rubele S, Rossi AP. Sarcopenia and obesity. Curr Opin Clin Nutr Metab Care. 2019;22(1):13−19. doi: 10.1097/MCO.0000000000000519
  42. Batsis JA, Villareal DT. Sarcopenic obesity in older adults: etiology, epidemiology and treatment strategies. Nat Rev Endocrinol. 2018;14(9):513−537. doi: 10.1038/s41574-018-0062-9
  43. Tomlinson DJ, Erskine RM, Winwood K, et al. Obesity decreases both whole muscle and fascicle strength in young females but only exacerbates the aging-related whole muscle level asthenia Physiol Rep. 2014;2(6):e12030. doi: 10.14814/phy2.12030
  44. Kim KM, Jang HC, Lim S. Differences among skeletal muscle mass indices derived from height-, weight-, and body mass index-adjusted models in assessing sarcopenia. Korean J Intern Med. 2016;31(4):643−650. doi: 10.3904/kjim.2016.015
  45. Newman AB, Kupelian V, Visser M, et al. Sarcopenia: alternative definitions and associations with lower extremity function. J Am Geriatr Soc. 2003;51(11):1602−1609. doi: 10.1046/j.1532-5415.2003.51534.x
  46. Ha J, Park T, Kim HK, et al. Development of a fully automatic deep learning system for L3 selection and body composition assessment on computed tomography. Sci Rep. 2021;11(1):21656. doi: 10.1038/s41598-021-00161-5
  47. Prado CM, Lieffers JR, McCargar LJ, et al. Prevalence and clinical implications of sarcopenic obesity in patients with solid tumours of the respiratory and gastrointestinal tracts: a population-based study. Lancet Oncol. 2008;9(7):629−635. doi: 10.1016/S1470-2045(08)70153-0
  48. Martin L, Birdsell L, Macdonald N, et al. Cancer cachexia in the age of obesity: skeletal muscle depletion is a powerful prognostic factor, independent of body mass index. J Clin Oncol. 2013;31(12):1539−1547. doi: 10.1200/JCO.2012.45.2722
  49. Popuri K, Cobzas D, Esfandiari N, et al. Body composition assessment in axial ct images using fem-based automatic segmentation of skeletal muscle. IEEE Trans Med Imaging. 2016;35(2):512−520. doi: 10.1109/TMI.2015.2479252
  50. Park J, Gil JR, Shin Y, et al. Reliable and robust method for abdominal muscle mass quantification using CT/MRI: an explorative study in healthy subjects. PLoS One. 2019;14(9):e0222042. doi: 10.1371/journal.pone.0222042
  51. Fedorov A, Beichel R, Kalpathy-Cramer J, et al. 3D Slicer as an image computing platform for the quantitative imaging network. Magn Reson Imaging. 2012;30(9):1323−1341. doi: 10.1016/j.mri.2012.05.001
  52. Burns JE, Yao J, Chalhoub D, et al. A machine learning algorithm to estimate sarcopenia on abdominal CT. Acad Radiol. 2020;27(3):311−320. doi: 10.1016/j.acra.2019.03.011
  53. Blanc-Durand P, Schiratti JB, Schutte K, et al. Abdominal musculature segmentation and surface prediction from CT using deep learning for sarcopenia assessment. Diagn Interv Imaging. 2020;101(12):789−794. doi: 10.1016/j.diii.2020.04.011
  54. Graffy PM, Liu J, Pickhardt PJ, et al. Deep learning-based muscle segmentation and quantification at abdominal CT: application to a longitudinal adult screening cohort for sarcopenia assessment. Br J Radiol. 2019;92(1100):20190327. doi: 10.1259/bjr.20190327
  55. Ackermans LL, Volmer L, Wee L, et al. Deep learning automated segmentation for muscle and adipose tissue from abdominal computed tomography in polytrauma patients. Sensors (Basel). 2021;21(6):2083. doi: 10.3390/s21062083
  56. Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. Lecture Notes Computer Sci. 2015:234−241. doi: 10.1007/978-3-319-24574-4_28
  57. Shelhamer E, Long J, Darrell T. Fully convolutional networks for semantic segmentation. IEEE Trans Pattern Anal Mach Intell. 2017;39(4):640−651. doi: 10.1109/tpami.2016.2572683
  58. Kanavati F, Islam S, Arain Z, et al. Fully-automated deep learning slice-based muscle estimation from CT images for sarcopenia assessment. Clin Radiol. 2022;77(5):e363−e371. doi: 10.1016/j.crad.2022.01.036
  59. Kim DW, Kim KW, Ko Y, et al. Assessment of myosteatosis on computed tomography by automatic generation of a muscle quality map using a web-based toolkit: feasibility study. JMIR Med Inform. 2020;8(10):e23049. doi: 10.2196/23049
  60. Dong X, Dan X, Yawen A, et al. Identifying sarcopenia in advanced non-small cell lung cancer patients using skeletal muscle CT radiomics and machine learning. Thorac Cancer. 2020;11(9):2650−2659. doi: 10.1111/1759-7714.13598
  61. Graffy PM, Liu J, Pickhardt PJ, et al. Deep learning-based muscle segmentation and quantification at abdominal CT: Application to a longitudinal adult screening cohort for sarcopenia assessment. Br J Radiol. 2019;92(1100):20190327. doi: 10.1259/bjr.20190327
  62. Petraikin AV, Artyukova ZR, Nizovtsova LA, et al. Analysis of the effectiveness of implementing screening of osteoporosis. Health Care Manager. 2021;(2):31−39. (In Russ). doi: 10.21045/1811-0185-2021-2-31-39
  63. Morozov SP, Vladzymyrsky AV, Ledikhova NV, et al. Moscow experiment on Computer Vision in radiology: Involvement and participation of Radiologists. Doctor Inform Tech. 2020;(4):14−23. (In Russ). doi: 10.37690/1811-0193-2020-4-14-23
  64. Senyukova OV, Pyatkovskiy SA, Petraikin AV, et al. Automatic segmentation of muscle and adipose tissue on CT images for assessing human body composition and diagnosing sarcopenia. In: Conference “Information Technologies for personalized medicine” with a block of the summer school for young scientists, November 4, 2021: collection of abstracts. Moscow; 2021. P. 41. (In Russ). doi: 10.14341/cbaipm-2021-41

补充文件

附件文件
动作
1. JATS XML
下载
2. *图1年轻（a-d）和老年（e-h）妇女不同身体质量指数（BMI）值的双能量X射线吸收仪（根据D.J. Tomlinson等人[43]）获得的诊断图像实例。用蓝色的标记骨组织，用红色的标记无脂肪的肌组织，用黄色的标记脂肪组织。

下载 (366KB)
索引源数据
3. *图2使用J. Ha等人[46]的L3SEG-net AI算法在L3水平上对测量肌组织的、皮下脂肪组织和内脏脂肪组织进行切片的面积测量实例（单位：cm2）。自左而右用红色标记皮下脂肪组织，用紫色标记骨骼肌肉量，用绿色标记内脏脂肪组织。 *可以在Creative Commons Attribution 4.0 International License (CC BY 4.0), Scientific Reports上找到。

下载 (168KB)
索引源数据
4. *图3用网络的自动工具获得的肌肉组织质量图（根据D.W. Kim等人[59]）。IMAT: 肌间脂肪组织区；LAMA：低密度肌肉组织区；NAMA：正常密度肌肉组织区；SMA：骨骼肌区；TAMA：腹部的肌肉组织一般区。 *可以在Creative Commons Attribution 4.0 International License (CC BY 4.0), JMIR Medical Informatics上找到。

下载 (444KB)
索引源数据

版权所有 © Eco-Vector, 2022

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

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».