Aufgrund der weltweit steigenden Prävalenz von kardiometabolischen Erkrankungen wie Typ-2-Diabetes und Herz-Kreislauf-Erkrankungen, wächst auch das Bedürfnis, Patienten mit einem erhöhten kardiometabolischen Risiko frühestmöglich identifizieren zu können. Während aktuell angewandte Methoden in der Praxis bei der Risikovorhersage in der allgemeinen Bevölkerung größtenteils verlässlich sind, sind sie meist limitiert, wenn es um die Risikoeinschätzung in spezifischen Populations-Subgruppen geht (z. B. Menschen mit Fettleibigkeit oder Typ-2-Diabetes).
Drei der weltweit führenden 20 Risikofaktoren für den Verlust von Lebensjahren im Jahr 2040 stechen besonders hervor: Bluthochdruck, hoher Nüchternblutglukosespiegel und ein hoher Body-Mass-Index (BMI) [1]. Unter Berücksichtigung dieser und anderer Risikofaktoren hat sich in der Wissenschaft das Konzept der metabolischen Gesundheit entwickelt, bei der wichtige Risikofaktoren gruppiert werden, um eine Identifizierung verschiedener Subphänotypen mit unterschiedlichem kardiometabolischem Risiko zu ermöglichen. Darüber hinaus wurden im Rahmen diverser Studien unter Einbezug von metabolischen, anthropometrischen sowie genetischen Merkmalen Cluster-Analysen durchgeführt, die neuartige Subphänotypen mit unterschiedlichem Risiko identifizieren.
In einem aktuellen Übersichtsartikel fassen Experten die unterschiedlichen Ansätze dieser beiden neuen Konzepte und ihre Limitierungen zusammen und wägen ab, inwieweit diese zur besseren Risikoeinschätzung bei der Vorhersage, Prävention und Behandlung von kardiometabolischen Erkrankungen geeignet sind [2].
Metabolische Gesundheit
Aktuell beruht die Definition von metabolischer Gesundheit hauptsächlich auf den Kriterien des metabolischen Syndroms. Menschen gelten meist als metabolisch gesund, wenn sie weniger als zwei der Risikofaktoren für das metabolische Syndrom, ohne Taillenumfang-Kriterium, (Hyperglykämie, erhöhte HDL-Cholesterin- und Triglyzeridwerte, Bluthochdruck) aufweisen. Unter Berücksichtigung der Risikofaktoren des metabolischen Syndroms und des BMI können Menschen in sechs Subgruppen eingeteilt werden: in jeweils metabolisch gesunde oder ungesunde Normalgewichtige, Übergewichtige oder Fettleibige. Diese Klassifikation soll bei der Risikoabschätzung von kardiometabolischen Erkrankungen helfen.
Den Autoren zufolge ist bei dieser Bewertung jedoch problematisch, dass zum einen eine allgemein gültige, strikte Definition einer (beeinträchtigten) metabolischen Gesundheit fehlt und zum anderen, dass es sich um ein relativ binäres System handelt, welches nicht das Kontinuum von kardiometabolischen Risikofaktoren berücksichtigt. Hinzu kommt, dass metabolisch gesunde Phänotypen einen transienten Charakter haben und oftmals in absehbarer Zeit in die metabolisch ungesunden Subgruppen fallen.
Basierend auf ihren eigenen Forschungsarbeiten schlagen die Autoren eine neue Definition der metabolischen Gesundheit vor. Diese berücksichtigt die Risikofaktoren Bluthochdruck, Typ-2-Diabetes und das Verhältnis zwischen Taillen- und Hüftumfang (welches laut Ergebnissen zuverlässiger in der Risikovorhersage für kardiovaskuläre Mortalität ist als der Taillenumfang oder BMI).
Cluster-Analysen
Cluster-Analysen nutzen statistische Ansätze, um Personen auf Grundlage ihrer Ähnlichkeit in Bezug auf verschiedene Risikofaktoren unterschiedlichen Subgruppen zuzuordnen. So wurden bereits neue phänotypische Subgruppen von Menschen mit Diabetes definiert. Harte Cluster-Analysen berücksichtigen sechs Variablen (GADA-Antikörper, Alter bei Diagnose, BMI, HbA1c und Schätzungen der Betazellfunktion und Insulinresistenz, basierend auf HOMA) und ordnen Individuen strikt einem von fünf Clustern zu, die verschiedene Assoziationen mit wichtigen diabetischen Komplikationen aufweisen. Im Gegensatz dazu können Personen bei den soften Cluster-Analysen gemischten Phänotypen zugehören. Andere Cluster-Analysen beziehen genetische Faktoren oder die Tree-Methode mit ein.
Die klinische Relevanz der identifizierten Subphänotyp-Cluster ist den Autoren zufolge bislang ungewiss. Einerseits fehlen Daten aus dem klinischen Umfeld und die Analysen basieren vorwiegend auf Forschungsbedingungen. Andererseits fehlen bei den Analysen oftmals wichtige kardiovaskuläre Risikofaktoren. Auch hier muss der nicht-stabile Charakter der Subphänotypen berücksichtigt werden und die Cluster-Zuweisung wird sich über die Zeit womöglich ändern.
Bewährte Risikoeinschätzungsmethoden sind aktuell überlegen
Die Autoren kommen zu dem Schluss, dass in der allgemeinen Bevölkerung weder das Konzept der metabolischen Gesundheit noch die Zuweisung zu Subphänotypen-Clustern den bereits etablierten Risikovorhersagemodellen überlegen ist. Jedoch könnten beide Ansätze hilfreich dabei sein, das kardiometabolische Risiko in bestimmten Subgruppen (z. B. mit verschiedenen BMI-Kategorien oder bei Menschen mit Diabetes) besser vorherzusagen. Die Autoren vermuten, dass das Konzept der metabolischen Gesundheit bei der praktischen Umsetzung durch behandelnde Ärzte und in der Patientenkommunikation einfacher sein könnte. Cluster-Analysen könnten hingegen wichtige Aufschlüsse über Pathomechanismen liefern und helfen, Menschen spezifischen pathophysiologischen Risikogruppen zuzuordnen. Inwieweit diese Zuordnung in der Praxis bei der Prävention und Behandlung sinnvoll ist, muss noch geklärt werden.
