Måttband mot labbtest för kroppsfett: Hur träffsäkert är det?

Kriteriearkitekturen för flerkomponentsmodeller

Kvantifiering av människans kroppssammansättning i laboratoriemiljö bygger på referensmodeller som delar upp kroppen i distinkta kemiska eller anatomiska fraktioner [16]. Tvåkomponentsmodeller (2C) delar helt enkelt upp massan i fettmassa (FM) och fettfri massa (FFM), men de förlitar sig på fasta antaganden om densitet och hydrering hos FFM som ofta introducerar mätfel över olika idrotts- och kliniska populationer [7, 16].

Fyrkomponentsmodellen (4C) utgör den gyllene standarden (kriteriemetod) för in vivo-analys av kroppssammansättning genom att självständigt mäta total kroppsmassa, kroppsvolym (BV), totalt kroppsvatten (TBW) och benmineralinnehåll (BMC eller benaska) [5, 7, 16]. En klassisk matematisk konfiguration av 4C-modellen uttrycks som:

$$\text{Fett (kg)}=2.747\text{BV}-0.710\text{TBW}+1.460\text{A}-2.050\text{Vikt}$$

där BV erhålls från pletysmografiteknik med luftundanträngning (ADP) eller hydrostatisk vägning, TBW via deuteriumoxid- (${\text{D}}_2\text{O}$) eller ${}^{18}\text{O}$-utspädning, benmineralaska ($A$) från dubbelenergiröntgenabsorptiometri (DXA) BMC multiplicerat med 1,0436, och Vikt är total kroppsmassa [7, 16]. Felpropagationsanalys indikerar att en korrekt utförd 4C-modell uppnår en mätprecision för fettmassa på cirka 0,25 kg samtidigt som den fastställer en genomsnittlig biologisk hydreringsfaktor för FFM på $0,74\pm 0,02$ [7].

Luftundanträngningspletysmografi (såsom BOD POD-systemet) tillämpar Poissons lag över dubbla oscillerande kammare för att bestämma kroppsvolym, vilket kräver tvåpunktsvolymkalibrering (tom kammare och en 50 L-cylinder), åtsittande klädsel för att undvika isotermiska ytareartefakter, samt korrigering för thorakal gasvolym (TGV) [9]. BOD POD-instrumentering uppvisar en intern variationskoefficient på 2,3 % och ett generellt volymfelintervall på $\pm 1,0\%$ till $2,7\%$ [7, 9]. När fältbaserade metoder eller surrogatbildtekniker utvärderas fungerar 4C-kriteriemodeller (eller 3C-DXA-ramverk) som det riktmärke mot vilket prediktionsfel kvantifieras [1, 5, 10, 18].

Mekaniken bakom standardiserade antropometriska formler

Fältbaserade bedömningar av kroppssammansättning använder ofta måttbandsmätta omkretsar på grund av låg kostnad och hög tillgänglighet. Det mest framträdande protokollet är det amerikanska försvarsdepartementets (DoD) omkretsmetod, ursprungligen framtagen av James Hodgdon vid Navy Health Research Center med kriteriedata från undervattensvägning och därefter korsvaliderad på personal från 1984 års Army Body Composition Study [10, 14]. De matematiska formuleringarna (med mått i tum) är strukturerade enligt följande [12]:

• Män: $$\%\text{BF}=86.010\times {log}_{10}(\text{buk}-\text{hals})-70.041\times {log}_{10}(\text{längd})+36.76$$
• Kvinnor: $$\%\text{BF}=163.205\times {log}_{10}(\text{midja}+\text{höft}-\text{hals})-97.684\times {log}_{10}(\text{längd})-78.387$$

Andra antropometriska index försöker kringgå flerpunktsomkretsar genom att isolera specifika anatomiska kvoter. Body Adiposity Index (BAI), som introducerades av Bergman et al., uppskattar fettmassa från höftomkrets och längd: $\text{BAI}=[\text{höftomkrets (cm)}/(\text{längd (m)}{)}^{1.5}]-18$ [21]. På liknande sätt utnyttjar Relative Fat Mass (RFM)-indexet och midja-till-längd-kvoten (WHtR) geometrin mellan midja och kroppslängd för att uppskatta central adipositas och tröskelvärden för viskeral fettvävnad (VAT) över demografiska grupper [3, 23].

+-----------------------------------------------------------------------------+
|                   HIERARKI FÖR KROPPSSAMMANSÄTTNINGSMODELLER                |
|                                                                             |
|  [4-komponentskriterium]                                                    |
|   ├── Total kroppsmassa (Kalibrerad våg)                                    |
|   ├── Kroppsvolym (ADP / BOD POD via Poissons lag) [9]                      |
|   ├── Totalt kroppsvatten (D2O / 18O isotoputspädning) [7]                  |
|   └── Benmineralmassa / aska (DXA BMC x 1,0436) [7]                         |
|        │                                                                    |
|        ▼ Precision: ±0,25 kg FM [7]                                         |
|                                                                             |
|  [Surrogatlaboratoriemodeller]                                              |
|   ├── Dubbelenergiröntgenabsorptiometri (DXA 3C) [5, 10]                     |
|   └── DXA-härledda volymvariationer av 4C (4C-DXA1 / 4C-DXA2) [1, 3]        |
|                                                                             |
|  [Antropometriska fältmodeller]                                             |
|   ├── DoD-omkretsekvationer (buk, hals, midja, höft) [4, 10, 12]            |
|   ├── Body Adiposity Index (BAI: höft & längd) [21]                         |
|   └── Relativa kvoter (WHtR, RFM, BMI) [3, 15, 23]                         |
+-----------------------------------------------------------------------------+

Tvärsnittsnoggrannhet och systematiska fel

Valideringsstudier som jämför omkretsekvationer direkt mot laboratoriebaserad bilddiagnostik och flerkomponentskriterier påvisar tydliga systematiska fel kopplade till deltagarnas slankhet, kön och fettfördelning [10].

I en undersökning av 609 aktivt tjänstgörande amerikanska marinsoldater (430 män, 179 kvinnor; i åldern 18–57 år) utvärderade mot trekomponents-DXA uppvisade DoD:s bukomkretsekvationer en påtaglig riktningsavvikelse [10]:

• Hos män underskattade omkretsekvationen systematiskt kroppsfettprocenten med en genomsnittlig bias på $-2,6\pm 3,7\%$ (ålder $\le 30$) och $-2,5\pm 3,7\%$ (ålder $>30$) [10].
• Hos kvinnor överskattade ekvationen systematiskt kroppsfettprocenten med $+2,3\pm 4,3\%$ (ålder $\le 30$) och $+1,3\pm 4,8\%$ (ålder $>30$) [10].
• Individuella regressionsanalyser avslöjade proportionell bias: omkretsmetoden överskattade systematiskt kroppsfett hos slank personal samtidigt som den underskattade kroppsfett hos individer med högre fettmassa [10].

I jämförelse uppvisade bioelektrisk impedansanalys (BIA via RJL Systems Quantum IV) i samma kohort lägre genomsnittlig bias gentemot DXA (män $\le 30$: $0,4\pm 3,2\%$, $>30$: $-0,5\pm 3,5\%$; kvinnor $\le 30$: $1,4\pm 3,1\%$, $>30$: $0,0\pm 3,3\%$) [10].

Liknande riktningsfel uppstår med enkla omkretsindex. I en kohort av 95 kvinnor som utvärderades via DXA presterade vanligt BMI bättre än BAI vid prediktion av kroppsfettprocent (BMI: $r=0,823$, $r^2=0,678$, $\text{SEE}=3,89\%$; BAI: $r=0,702$, $\text{SEE}=4,88\%$) och underskattade kroppsfett med i genomsnitt $8,7\%$ vid högre fettnivåer [21]. I en separat 4C-modellstudie på 188 unga vuxna korrelerade dock BAI ($r=0,668$) och midjeomkrets ($r=0,194$) starkare med 4C-härledd fettprocent än vad BMI gjorde ($r=0,192$) [21]. På epidemiologisk nivå visade en systematisk översikt av 32 diagnostiska träffsäkerhetsstudier att midjeomkrets har en sammanslagen sensitivitet på $62,4\%$ hos män och $57,0\%$ hos kvinnor för att identifiera fetma i förhållande till bilddiagnostiska standarder, med en specificitet på $88,1\%$ respektive $94,8\%$ [15].

Longitudinell uppföljning och känslighet för förändringar i kroppssammansättning

Även om tvärsnittskorrelationer mellan antropometri och flerkomponentskriterier kan verka måttligt höga, visar omkretsekvationer uttalade begränsningar vid spårning av longitudinella förändringar i kroppssammansättning [4, 14].

I en 9 månader lång longitudinell utvärdering av 21 manliga Army ROTC-kadetter som genomgick en genomsnittlig kroppsmasseökning på $+1,8\text{ kg}$, visade Bland-Altman- och regressionsanalyser att DoD:s omkretsekvation misslyckades med att spåra sammansättningsförändringar [4, 14]. Omkretsberäkningarna underskattade signifikant förändringar i fettprocent och fettmassa jämfört med kriteriemätningar via luftundanträngningspletysmografi [4, 14]. Eftersom muskelhypertrofi förändrar hals- och bukmått icke-linjärt i förhållande till fettinlagring, feltolkar omkretsbaserade ekvationer vävnadsmorfologiska förändringar under träningsförhållanden [4, 10].

Spårningsbegränsningar finns även bland surrogatlaboratoriemetoder. I en studie med 27 manliga elitjudoutövare som övervakades mot en 4C-kriteriemodell (ADP, DXA BMC och ${\text{D}}_2\text{O}$-utspädning) spände DXA:s individuella 95 % överensstämmelsegränser (limits of agreement) över $-3,7\%$ till $+5,3\%$ för relativ fettmassa och $-2,6\text{ kg}$ till $+3,7\text{ kg}$ för absolut fettmassa [5]. Avgörande var att DXA endast förklarade $29\%$ av variansen i relativ fettmasseförändring ($\mathrm{\Delta }\%\text{FM}$), $36\%$ av absolut fettmasseförändring ($\mathrm{\Delta }\text{FM}$) och $38\%$ av förändringen i fettfri massa ($\mathrm{\Delta }\text{FFM}$) som observerades via 4C-modellen [5].

KRITERIUM (4C-modell) vs. SURROGATERS LONGITUDINELLA KÄNSLIGHET

Förklarad varians i longitudinella förändringar (Elitidrottare, DXA vs. 4C-kriterium [5]):
Relativ fettmassa (%FM) förändring:   [████████░░░░░░░░░░░░] 29%
Absolut fettmassa (FM) förändring:    [██████████░░░░░░░░░░] 36%
Fettfri massa (FFM) förändring:       [███████████░░░░░░░░░] 38%

Omkretsekvationer vs. Kriterium ADP (ROTC-kadetter över 9 månader [4, 14]):
- Underskattade Δ%BF efter +1,8 kg massökning
- Misslyckades med att spåra individuella förändringar i fett- vs. fettfri massfördelning

Validitet hos hybrid- och surrogatmodeller med flera komponenter

För att överbrygga klyftan mellan fältmetoder och komplexa 4C-tester har forskare undersökt hybridekvationer som ersätter volymmätning med DXA-härledda kroppsvolymuppskattningar i matematiska 4C-ramverk [1, 3].

McLester et al. utvärderade två DXA-härledda kroppsvolymekvationer (4C-DXA1 och 4C-DXA2) mot en 4C-ADP-kriteriemodell över olika kategorier av kroppsmasseindex och midjeomkrets [1]:

• Normalviktiga vuxna (BMI $<25,0{\text{ kg/m}}^2$, $n=40$): 4C-DXA1 underskattade fettprocenten signifikant med ett konstant fel (CE) på $-3,0\%$ ($p<0,001$, $\text{SEE}=2,59\%$, $95\%\text{ LOA}=\pm 5,0\%$), medan 4C-DXA2 överskattade fettprocenten signifikant ($\text{CE}=+4,8\%$, $p<0,001$, $\text{SEE}=1,24\%$) [1].
• Överviktiga vuxna utan riskmidjeomkrets (BMI $\ge 25,0{\text{ kg/m}}^2$, $n=40$): 4C-DXA1 fettprocent skilde sig inte i genomsnittligt konstant fel ($\text{CE}=-0,5\%$, $p=0,112$, $\text{SEE}=1,92\%$), men uppvisade signifikant proportionell bias ($p=0,007$) [1].
• Överviktiga vuxna med riskmidjeomkrets (BMI $\ge 25,0{\text{ kg/m}}^2$, $\text{WC}\ge 88\text{ cm}$ för kvinnor, $\ge 102\text{ cm}$ för män, $n=35$): Båda ekvationerna gav små genomsnittliga överskattningar ($\text{CE}=+2,2\%$ och $+2,3\%$, $p<0,001$), men 4C-DXA1 uppvisade ingen proportionell bias ($p=0,183$, $\text{SEE}=1,84\%$, $95\%\text{ LOA}=\pm 3,8\%$), vilket gjorde den till den enda surrogatmodellen som bedömdes vara giltig för just den kohorten [1].

Senare demografiska anpassningar, såsom ekvationen 4C-DXANickerson, har bekräftat att specialiserade DXA-volymkonverteringar kan ge valida 4C-kroppsvolymuppskattningar i specifika grupper, inklusive latinamerikanska vuxna [3]. På samma sätt ger kalibrerade prediktionsekvationer för multifrekvens-bioelektrisk impedans (mBCA) för ungdomar (i åldern 10–17 år) utvecklade mot 4C-kriterier (som inkluderar ADP, ${\text{D}}_2\text{O}$ och DXA BMC) god samstämmighet för FFM ($R^2=0,96$, $\text{SRMSE}=2,18\text{ kg}$) utan signifikant genomsnittlig bias ($38,4\pm 11,4\text{ kg}$ vs. $38,9\pm 12,0\text{ kg}$) [6].

Praktisk sammanfattning

Standardiserade antropometriska omkretsekvationer erbjuder lättillgängliga uppskattningar med låg belastning av kroppsfettprocent över stora populationer, men deras beroende av rigida geometriska antaganden introducerar systematiska fel [10, 14]. Vid jämförelse mot 4-komponentskriteriemodeller och 3-komponents-DXA-skanningar överskattar omkretsekvationer systematiskt fettprocenten hos slanka individer, underskattar fettprocenten hos individer med högre fettmassa och misslyckas med att longitudinellt spåra vävnadsförändringar under perioder av träning eller viktförändring [4, 10, 14]. För seriös uppföljning inom idrott där det är avgörande att skilja mellan skelettmuskelhypertrofi, förändringar i vätskebalans och förändringar i fettvävnad kan fältbaserade omkretsekvationer inte ersätta laboratoriebaserade flerkomponentsmodeller [4, 5, 7].