Кластерный анализ популяции пациентов с морбидным ожирением в бариатрической и метаболической хирургии

ВВЕДЕНИЕ. Существующие классификации различных форм ожирения недостаточно адаптированы к практическим целям бариатрической хирургии с позиций персонализации выбора метода и объема вмешательства.

ЦЕЛЬ. Разработка новых подходов к стратификации пациентов с морбидным ожирением на основе кластерного анализа; оценка эффективности и безопасности метаболических хирургических вмешательств в зависимости от принадлежности пациентов к тому или иному бариатрическому кластеру.

МЕТОДЫ И МАТЕРИАЛЫ. В исследование были включены 745 бариатрических пациентов. Для формирования клинико-демографических групп применяли процедуру двухэтапного кластерного анализа с использованием пакета «SPSS 16.0» с включением 11 категориальных и 2 количественных переменных. Выполнена оценка эффективности и безопасности метаболических хирургических вмешательств в зависимости от принадлежности пациентов к определенному бариатрическому кластеру.

РЕЗУЛЬТАТЫ. В результате кластерного анализа в общей популяции пациентов с морбидным ожирением было выделено три клинико-демографических группы (кластера) пациентов, характеризующихся уникальным исходным набором схожих показателей, отличающимся от других групп (кластеров): 1-й кластер - «преморбидное ожирение»; 2-й кластер - «морбидное ожирение без метаболического синдрома и осложнений»; 3-й кластер - «морбидное ожирение с метаболическим синдромом и (или) осложнениями». Наилучшие отдаленные результаты по шкале BAROS в целом наблюдались у пациентов 1-го кластера (87,8 % отличных и хороших результатов по сравнению с 66,7 % у пациентов 2-го кластера и 65,5 % у пациентов 3-го кластера, р<0,001). Суммарный риск серьезных осложнений у пациентов 3-го кластера был в 2,4 раза выше, чем у пациентов 1-го кластера (Р<0,05), и в 1,9 раза выше, чем у пациентов 2-го кластера (Р>0,05).

ЗАКЛЮЧЕНИЕ. Процедура кластеризации пациентов с ожирением позволяет индивидуализировать показания к проведению и выбору бариатрических вмешательств.

1. World Health Organization. WHO fact sheet No 311. Geneva: WHO; 2015. Obesity and Overweight. URL: www.who.int/mediacentre/fact-sheets/fs311/en/ (дата обращения: 30.11.2015).

2. De Schutter A, Lavie C. J., Milani R. V. The impact of obesity on risk factors and prevalence and prognosis of coronary heart disease-the obesity paradox // Prog. Cardiovasc. Dis. 2014. Vol. 56, № 4. P. 401-408. Doi: 10.1016/j.pcad.2013.08.003.

3. Association of all-cause mortality with overweight and obesity using standard body mass index categories : a systematic review and metaanalysis / K. M. Flegal, B. K. Kit, H. Orpana, B. I. Graubard // JAMA. 2013. Vol. 309, № 1. P. 71-82. Doi: 10.1001/jama.2012.113905. PMID: 23280227; PMCID: PMC4855514.

4. Ng M., Fleming T., Robinson M., Thomson B. et al. Global, regional, and national prevalence of overweight and obesity in children and adults during 1980-2013 : a systematic analysis for the Global Burden of Disease Study 2013 // Lancet. 2014. Vol. 384, № 9945. P. 766-781. Doi: 10.1016/S0140-6736(14)60460-8.

5. Ogden L. G., Stroebele N., Wyatt H. R. et al. Cluster analysis of the national weight control registry to identify distinct subgroups maintaining successful weight loss // Obesity (Silver Spring). 2012. Vol. 20, № 10. P. 2039-2047. Doi: 10.1038/oby.2012.79.

6. Green M. A., Strong M., Razak F. et al. Who are the obese? A cluster analysis exploring subgroups of the obese // J. Public. Health (Bangkok). 2016. Vol. 38. P. 258-264. Doi: 10.1093/pubmed/fdv040.

7. Everitt B. S. Unresolved Problems in Cluster Analysis // Biometrics [Wiley, International Biometric Society]. 1979. Vol. 35, № 1. P. 169-181. Doi: 10.2307/2529943.

8. C. Fraley, A. E. Raftery, How Many Clusters? Which Clustering Method? Answers Via Model-Based Cluster Analysis // The Computer Journal. 1998. Vol. 41, № 8. P. 578-588. Doi: 10.1093/comjnl/41.8.578.

9. Janne Boone-Heinonen M. P. H., Penny Gordon-Larsen. et al. Obeso-genic Clusters : Multidimensional Adolescent Obesity-related Behaviors in the U.S // Annals of Behavioral Medicine. 2008. Vol. 36, № 3. P. 217-230. Doi: 10.1007/s12160-008-9074-3

10. Dympna Gallagher, Marjolein Visser, Dennis Sepulveda et al. How Useful Is Body Mass Index for Comparison of Body Fatness across Age, Sex, and Ethnic Groups? // American Journal of Epidemiology. 1996. Vol. 143, № 3. P. 228-239. Doi: 10.1093/oxfordjournals.aje.a008733.

11. Sharma A., Kushner R. A proposed clinical staging system for obesity // International Journal of Obesity. 2009. Vol. 33. P. 289-295. Doi: 10.1038/ijo.2009.2

12. Дедов И. И., Мельниченко Г. А., Шестакова М. В. и др. Лечение морбидного ожирения у взрослых // Ожирение и метаболизм. 2018. Т. 15, № 1. С. 53-70. Doi: 10.14341/OMET2018153-70.

13. Ramos A., Kow L., Brown W. et al. Fifth IFSO Global Registry Report 2019. URL: https://www.ifso.com/pdf/5th-ifso-global-registry-report-sep-tember-2019.pdf.

14. Российский национальный бариатрический реестр. URL: www.bareoreg.ru. [Доступ только для зарегистрированных пользователей].

15. Oria H. E., Moorehead M. K. Updated Bariatric Analysis and Reporting Outcome System (BAROS) // Surg Obes Relat Dis. 2009. Vol. 5, № 1. P. 60-66. Doi: 10.1016/j.soard.2008.10.004.