Method for predicting the risk of type 2 diabetes mellitus development in persons with visceral obesity and prediabetes

Cover Page

Cite item

Full Text

Abstract

Aim. To create a mathematical model, which will predict the development of type 2 diabetes mellitus (DM 2) in individuals with visceral obesity and/or prediabetes.

Materials and methods. Clinical and laboratory data of 330 patients were analyzed. Multivariate regression and cosinor analysis determined the most sensitive parameters influencing the development of DM 2. With the help of discriminant linear analysis, a mathematical model for predicting DM 2 was built, with confirmation of its quality by ROC analysis.

Results. In the studied groups (DM 2), prediabetes and without carbohydrate metabolism disorders (n=110), statistically significant correlations were obtained: between basal body temperature (BBT) and daily energy value – DEV (r=0.5; p<0.0001), circadian rhythm amplitude glycemia and waist circumference (r=-0.7; p=0.004), age and BBT (r=0.5; p<0.001). In groups without carbohydrate metabolism disorders and prediabetes, multiple regression analysis identified significant factors influencing the development of DM 2: daily amplitude of BBT, daily amplitude of glycemia and bedtime (p=0.001), DEV and meal time (p=0.0001). Cosinor analysis of the daily model of glycemia and BBT established an amplitude-phase shift (p=0.028; p=0.012). Linear discriminant analysis yielded a predictive model: D=-16.845 + age х 0.044 + gender х 0.026 + amplitude of circadian rhythm of BBT х 1.424 + amplitude of circadian rhythm of glycemia х 11.155 + bedtime х 0.054 + DEV х 0.0001 + waist circumference х 0.022 + glycated hemoglobin х 1.19, where -16.845 – constant, 0.044, 0.026, 1.424, 11.155, 0.054, 0.0001, 0.022, 1.19 – coefficients of the linear discriminant function. At D<0 no development of DM 2 is predicted, at D>0 the development of DM 2 is in the near future. Sensitivity ratio – 92.5%, specificity – 79.1% (ROC analysis).

Conclusion. The presented predictive model has a high (92.5%) sensitivity due to the combination of 2 mathematical analyses. Most of the applied parameters are modifiable, which makes it possible to apply this model at the preventive stage.

About the authors

Yulia V. Nelaeva

Tyumen State Medical University

Email: agamzina@yandex.ru
ORCID iD: 0000-0001-9885-8029

канд. мед. наук, зам. дир. Института общественного здоровья и цифровой медицины, доц. каф. госпитальной терапии с курсом эндокринологии

Russian Federation, Tyumen

Alsu A. Nelaeva

Tyumen State Medical University

Email: agamzina@yandex.ru
ORCID iD: 0000-0003-0823-2538

д-р мед. наук, проф. каф. госпитальной терапии с курсом эндокринологии

Russian Federation, Tyumen

Anna E. Yuzhakova

Multiprofile Consultative and Diagnostic Center

Author for correspondence.
Email: agamzina@yandex.ru
ORCID iD: 0000-0001-9790-6885

канд. мед. наук, врач – эндокринолог-диетолог

Russian Federation, Tyumen

Ivan M. Petrov

Tyumen State Medical University

Email: agamzina@yandex.ru
ORCID iD: 0000-0001-7766-1745

д-р мед. наук, ректор

Russian Federation, Tyumen

Igor F. Sholomov

Tyumen State Medical University

Email: agamzina@yandex.ru
ORCID iD: 0000-0001-8478-6087

канд. мед. наук, советник при ректорате

Russian Federation, Tyumen

References

  1. Карпельев В.А., Филиппов Ю.И., Тарасов Ю.В., и др. Математическое моделирование системы регуляции гликемии у пациентов с сахарным диабетом. Вестник РАМН. 2015;70(5):549-60 [Karpel’ev VA, Filippov YuI, Tarasov YuV, et al. Mathematical Modeling of the Blood Glucose Regulation System in Diabetes Mellitus Patients. Annals of the Russian Academy of Medical Sciences. 2015;70(5):549-60 (in Russian)]. doi: 10.15690/vramn.v70.i5.1441
  2. Южакова А.Е., Нелаева А.А., Нелаева Ю.В., Губин Д.Г. Использование амплитудно-фазовых параметров циркадианных ритмов в качестве диагностических маркеров нарушений углеводного обмена. Ожирение и метаболизм. 2022;19(1):83-91 [Yuzhakova AE, Nelaeva AA, Nelaeva YuV, Gubin DG. Using amplitude-phase parameters of circadian rhythms as diagnostic markers of carbohydrate metabolism disorders. Obesity and Metabolism. 2022;19(1):83-91 (in Russian)]. doi: 10.14341/omet12781
  3. Южакова А.Е., Нелаева А.А., Хасанова Ю.В., Медведева И.В. Факторы риска нарушений углеводного обмена с позиций хронобиологии. Вопросы питания. 2020;89(6):23-30 [Yuzhakova AE, Nelaeva AA, Khasanova YuV, Medvedeva IV. Risk factors for carbohydrate metabolism disorders from a chronobiological position. Problems of Nutrition. 2020;89(6):23-30 (in Russian)]. doi: 10.24411/0042-8833-2020-10075
  4. Refinetti R, Lissen GC, Halberg F. Procedures for numerical analysis of circadian rhythms. Biol Rhythm Res. 2007;38(4):275-325. doi: 10.1080/09291010600903692
  5. Halberg F. Chronobiology. Annu Rev Physiol. 1969;31:675-725. doi: 10.1146/annurev.ph.31.030169.003331
  6. Биоритмы и их нарушения. Режим доступа: https://docplayer.com/70611745-Bioritmy-i-ih-narusheniya.html. Ссылка активна на 12.01.2023 [Bioritmy i ikh narusheniia. Available at: https://docplayer.com/70611745-Bioritmy-i-ih-narusheniya.html. Accessed: 12.01.2023 (in Russian)].
  7. Cornelissen G. Cosinor-based rhythmometry. Theor Biol Med Model. 2014;11:16. doi: 10.1186/1742-4682-11-16
  8. Bingham C, Arbogast B, Guillaume GC, et al. Inferential statistical methods for estimating and comparing cosinor parameters. Chronobiologia. 1982;9(4):397-439.
  9. Bastardot F, Marques-Vidal P, Vollenweider P. Association of body temperature with obesity. The CoLaus study. Int J Obes (Lond). 2019;43(5):1026-33. doi: 10.1038/s41366-018-0218-7
  10. Bandín C, Martinez-Nicolas A, Ordovás JM, et al. Circadian rhythmicity as a predictor of weight-loss effectiveness. Int J Obes (Lond). 2014;38(8):1083-8. doi: 10.1038/ijo.2013.211
  11. Губин Д.Г., Петров И.М., Хасанова Ю.В., и др. Взаимосвязь индекса массы тела с задержкой фазы сна и низкой дневной температурой кожи при отсутствии различий суточной динамики физической активности. Хрономедицинский журнал (Тюменский медицинский журнал). 2020;22(1):35-41 [Gubin DG, Petrov IM, Khasanova YuV, et al. Body mass index associates with sleep phase delay and low daytime skin temperature despite similar 24-hour patterns of physical activity in adults. J Chronomed. (Tyumen Medical Journal). 2020;22(1):35-41 (in Russian)]. doi: 10.36361/2307-4698-2020-22-1-35-41
  12. Мисникова И.В., Ковалева Ю.А. Сон и нарушения метаболизма. РМЖ. 2017;22:1641-5 [Misnikova IV, Kovaleva YuA. Sleep and metabolic disorders. RMJ. 2017;22:1641-5 (in Russian)].
  13. Губин Д.Г. Хронодиагностика и хронотерапия – основа персонализированной медицины. Тюменский медицинский журнал. 2019;21(1):20-40 [Gubin DG. Chronodiagnostics and chronotherapy – frontiers for personalized clinical medicine. Tyumen Medical Journal. 2019;21(1):20-40 (in Russian)]. doi: 10.36361/2307-4698-2019-21-1-20-40
  14. Elhayany A, Lustman A, Abel R, et al. A low carbohydrate Mediterranean diet improves cardiovascular risk factors and diabetes control among overweight patients with type 2 diabetes mellitus: a 1-year prospective randomized intervention study. Diabetes Obes Metab. 2010;12(3):204-9. doi: 10.1111/j.1463-1326.2009.01151.x
  15. Карпельев В.А., Филиппов Ю.И., Тарасов Ю.В., и др. Математическое моделирование системы регуляции гликемии у пациентов с сахарным диабетом. Вестник РАМН. 2015;70(5):549-60 [Karpel`ev VA, Filippov YuI, Tarasov YuV, et al. Mathematical Modeling of the Blood Glucose Regulation System in Diabetes Mellitus Patients. Vestn Ross Akad Med Nauk. 2015;70(5):549-60 (in Russian)]. doi: 10.15690/vramn.v70.i5.1441
  16. Тихонова Т.М. Математическая модель определения группы риска развития медленно прогрессирующего аутоиммунного диабета взрослых. Сахарный диабет. 2014;17(1):15-20 [Tikhonova TM. A Mathematical model for stratification of LADA risk groups. Diabetes Mellitus. 2014;17(1):15-20 (in Russian)]. doi: 10.14341/DM2014115-20
  17. Мустафина С.В., Рымар О.Д., Щербакова Л.В., Воевода М.И. Способ прогнозирования риска развития сахарного диабета 2-го типа. Изобретение ЕА201501035. Режим доступа: https://patentscope.wipo.int/search/ru/detail.jsf;jsessionid=26FBA4BCAAD4FBB1269C4E231E7A48C8.wapp1nA?docId=EA219423577&recNum=43&office=&queryString=diabetes&prevFilter=&sortOption=&maxRec=5818. Ссылка активна на 12.01.2023 [Mustafina SV, Rymar OD, Shcherbakova LV, Voevoda MI. Sposob prognozirovaniia riska razvitiia sakharnogo diabeta 2-go tipa. Izobretenie EA201501035. Available at: https://patentscope.wipo.int/search/ru/detail.jsf;jsessionid=26FBA4BCAAD4FBB1269C4E231E7A48C8.wapp1nA?docId=EA219423577&recNum=43&office=&queryString=diabetes&prevFilter=&sortOption=&maxRec=5818. Accessed: 12.01.2023 (in Russian)].
  18. Валеева Ф.В., Киселева Т.А., Медведева М.С., и др. Взаимосвязь полиморфизма rs7903146 tcf7l2 c функцией бета-клеток поджелудочной железы среди женщин с избыточной массой тела и ожирением. Сборник тезисов по материалам конференции по лечению и диагностике сахарного диабета «Фундаментальная и клиническая диабетология в 21 веке: от теории к практике». М. 2022 [Valeeva FV, Kiseleva TA, Medvedeva MS, et al. Vzaimosviaz' polimorfizma rs7903146 tcf7l2 c funktsiei beta-kletok podzheludochnoi zhelezy sredi zhenshchin s izbytochnoi massoi tela i ozhireniem. Sbornik tezisov po materialam konferentsii po lecheniiu i diagnostike sakharnogo diabeta “Fundamental'naia i klinicheskaia diabetologiia v 21 veke: ot teorii k praktike”. Moscow. 2022 (in Russian)].
  19. Юнкеров В.И., Григорьев С.Г., Резванцев М.В. Математико-статистическая обработка данных медицинских исследований. СПб.: Военно-мед. акад., 2011 [Iunkerov VI, Grigor'ev SG, Rezvantsev MV. Matematiko-statisticheskaia obrabotka dannykh meditsinskikh issledovanii. Saint Petersburg: Voenno-med. akad., 2011 (in Russian)].

Supplementary files

Supplementary Files
Action
1. JATS XML
Download
2. Fig. 1. Vector of body temperature changes within the interval of 03:00-20:00.

Download (99KB)
Indexing metadata
3. Fig. 2. Linear discriminant function in groups with prediabetes and visceral obesity without carbohydrate metabolism disorders (4.73×5.01, n=220).

Download (67KB)
Indexing metadata
4. Fig. 3. ROC analysis of the parameters included in the predictive model of the development of DM 2.

Download (131KB)
Indexing metadata

Copyright (c) 2024 Consilium Medicum

Creative Commons License
This work is licensed under a 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».