Intramuskuläres Fett und Muskelmasse mittels Magnetresonanztomogramm als Biomarker für Metabolische Erkrankungen: Ergebnisse aus einer bevölkerungsbasierten Kohortenstudie

Die Skelettmuskulatur, eines der größten Kompartimente im menschlichen Körper, hat einen großen Einfluss auf die Gesundheit und den Metabolismus. Darüber hinaus gibt es neue Erkenntnisse über den Zusammenhang von Diabetes und muskulären Veränderungen, wie Myosteatose und Sarkopenie1–4. Eine steigende Prävalenz von Diabetes und dessen assoziierte Komorbiditäten sowie Mortalität5 machen eine frühzeitige Diagnostik erforderlich9. Muskeleigenschaften könnten sich daher als verlässliche bildmorphologische Biomarker eignen. Diese Arbeit sollte die Frage klären, ob die PDFF- und CSA- Segmentierung und Quantifizierung mittels MRT eine verlässliche Methode ist. Darüber hinaus war ein weiteres Ziel das intramuskuläre Fett und die Muskelmasse im MRT als diagnostische und prognostische Biomarker für T2DM und Prädiabetes zu evaluieren. Hierbei sollten muskuläre Veränderungen sowie Assoziationen zu DM und kardiometabolischen Risikofaktoren analysiert werden. Hierfür wurden im Rahmen einer großen bevölkerungsbasierten Kohortenstudie anhand von anatomischen Referenzpunkten mittels einer Multi-Echo Dixon MRT Sequenz die abdominelle Skelettmuskulatur segmentiert und quantifiziert. Die Bestimmung des Fettgehalts erfolgt mittels PDFF-Karten. Auf deren Grundlage konnte mittels eines Algorithmus das intra- und extramyozelluläre intrafasziale Fettgewebe differenziert werden. Die Berechnung von AMMIGesamt und AMMIFettfrei beruhte zusätzlich auf der Quantifizierung der Muskelquerschnittsfläche. AMMIFettfrei wurde unter Herausrechnen von intramyozellulären Fett ermittelt. Diese Arbeit bestätigte durch eine niedrige Inter- und Intraobserver Variabilität in der PDFF- und CSA-Quantifizierung die exzellente Reproduzierbarkeit dieser Methodik. Es zeigten sich signifikante Unterschiede im Ausmaß des PDFFs sowohl in den einzelnen abdominellen Muskelgruppen als auch in den verschiedenen Gruppen (Kontrollgruppe, Prädiabetes und T2DM Gruppe). Insbesondere konnte der signifikante Zusammenhang zwischen dem diabetischen Status und der Myosteatose bestätigt werden. Diese Assoziation wird beeinflusst von Alter und VAT, welche sich für die Ausdehnung der abdominellen Myosteatose als 80 unabhängige Prädiktoren erwiesen. Dies könnte darauf hinweisen, dass Myosteatose eine zufällige Mitentwicklung im Entstehen und Fortschreiten von T2DM ist. Das intramuskuläre Fett kann daher als zuverlässiger und einfach realisierbarer MRT-basierender Biomarker zur kardiometabolischen Risikostratifizierung bei Prädiabetikern und Diabetikern Typ 2 verwendet werden. Darüber hinaus konnte mit einem automatischen Segmentierungsalgorithmus das intra- und extramyozelluläre Fettverteilungsmuster bestimmt werden. Hierbei zeigten sich signifikante Unterschiede zwischen normalgewichtigen und adipösen Studienteilnehmern mit T2DM, Prädiabetes und einer normoglykämen Kontrollgruppe. Zudem konnte auch hier ein signifikanter Zusammenhang mit kardiometabolischen Risikofaktoren nachgewiesen werden. Des Weiteren bestätigte diese Arbeit den signifikanten Vorhersagefehler von BIA gegenüber Muskelmassenparametern bei Adipösen. Das MRT bietet zur Bestimmung von Muskelmassenparametern (AMMIFettfrei, AMMIGesamt) bei Normalgewichtigen und Adipösen eine einfache und zuverlässige Möglichkeit, die unabhängig vom Gewicht und damit der BIA Messung überlegen ist. AMMIFettfrei und AMMIGesamt gelten daher als vielversprechende bildgebende Biomarker bei der Muskelmassenanalyse. Insbesondere AMMIFettfrei ist unabhängig von Adipositas und bietet sich daher als Biomarker sehr gut an. Diese Arbeit zeigt, dass das intramuskuläre Fett und die Muskelmasse als bildgebende Biomarker für metabolische Erkrankungen, wie T2DM und Prädiabetes, etabliert werden könnten. Jedoch muss die klinische Relevanz dieser bildgebender Biomarker noch weiter untersucht werden. Die durch diese Arbeit entstandenen segmentierten Daten könnten in Zukunft für die Etablierung von automatischen Segmentierungsalgorithmen als Trainingsdaten dienen