Muscle‐to‐fat ratio identifies functional impairments and cardiometabolic risk and predicts outcomes: biomarkers of sarcopenic obesity
Notice bibliographique
Résumé
Abstract Background Sarcopenic obesity aims to capture the risk of functional decline and cardiometabolic diseases, but its operational definition and associated clinical outcomes remain unclear. Using data from the Longitudinal Aging Study of Taipei, this study explored the roles of the muscle‐to‐fat ratio (MFR) with different definitions and its associations with clinical characteristics, functional performance, cardiometabolic risk and outcomes. Methods (1) Appendicular muscle mass divided by total body fat mass (aMFR), (2) total body muscle mass divided by total body fat mass (tMFR) and (3) relative appendicular skeletal muscle mass (RASM) were measured. Each measurement was categorized by the sex‐specific lowest quintiles for all study participants. Clinical outcomes included all‐cause mortality and fracture. Results Data from 1060 community‐dwelling older adults (mean age: 71.0 ± 4.8 years) were retrieved for the study. Overall, 196 (34.2% male participants) participants had low RASM, but none was sarcopenic. Compared with those with high aMFR, participants with low aMFR were older (72 ± 5.6 vs. 70.7 ± 4.6 years, P = 0.005); used more medications (2.9 ± 3.3 vs. 2.1 ± 2.5, P = 0.002); had a higher body fat percentage (38 ± 4.8% vs. 28 ± 6.4%, P < 0.001), RASM (6.7 ± 1.0 vs. 6.5 ± 1.1 kg/m 2 , P = 0.001), and cardiometabolic risk [fasting glucose: 105 ± 27.5 vs. 96.8 ± 18.7 mg/dL, P < 0.001; glycated haemoglobin (HbA1c): 6.0 ± 0.8 vs. 5.8 ± 0.6%, P < 0.001; triglyceride: 122.5 ± 56.9 vs. 108.6 ± 67.5 mg/dL, P < 0.001; high‐density lipoprotein cholesterol (HDL‐C): 56.2 ± 14.6 vs. 59.8 ± 16 mg/dL, P = 0.010]; and had worse functional performance [Montreal Cognitive Assessment (MoCA): 25.7 ± 4.2 vs. 26.4 ± 3.0, P = 0.143, handgrip strength: 24.7 ± 6.7 vs. 26.1 ± 7.9 kg, P = 0.047; gait speed: 1.8 ± 0.6 vs. 1.9 ± 0.6 m/s, P < 0.001]. Multivariate linear regression showed that age ( β = 0.093, P = 0.001), body mass index ( β = 0.151, P = 0.046), total percentage of body fat ( β = 0.579, P < 0001) and RASM ( β = 0.181, P = 0.016) were associated with low aMFR. Compared with those with high tMFR, participants with low tMFR were older (71.7 ± 5.5 vs. 70.8 ± 4.7 years, P = 0.075); used more medications (2.8 ± 3.3 vs. 2.1 ± 2.5, P = 0.006); had a higher body fat percentage (38.1 ± 4.7 vs. 28 ± 6.3%, P < 0.001), RASM (6.8 ± 1.0 vs. 6.5 ± 1.1 kg/m 2 , P < 0.001), and cardiometabolic risk (fasting glucose: 104.8 ± 27.6 vs. 96.9 ± 18.7 mg/dL, P < 0.001; HbA1c: 6.1 ± 0.9 vs. 5.8 ± 0.6%, P < 0.001; triglyceride: 121.4 ± 55.5 vs. 108.8 ± 67.8 mg/dL, P < 0.001; HDL‐C: 56.4 ± 14.9 vs. 59.7 ± 15.9 mg/dL, P = 0.021); and had worse functional performance (MoCA: 25.6 ± 4.2 vs. 26.5 ± 3.0, P = 0.056; handgrip strength: 24.6 ± 6.7 vs. 26.2 ± 7.9 kg, P = 0.017; gait speed: 1.8 ± 0.6 vs. 1.9 ± 0.6 m/s, P < 0.001). Low tMFR was associated with body fat percentage ( β = 0.766, P < 0.001), RASM ( β = 0.476, P < 0.001) and Mini‐Nutritional Assessment ( β = −0.119, P < 0.001). Gait speed, MoCA score, fasting glucose, HbA1c and tMFR were significantly associated with adverse outcomes, and the effects of aMFR were marginal ( P = 0.074). Conclusions Older adults identified with low MFR had unfavourable body composition, poor functional performance, high cardiometabolic risk and a high risk for the clinical outcome.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».