Морфометрия мышечной и жировой ткани по данным компьютерной томографии в условно-здоровой популяци г. Москвы: кросс-секционное исследование

Введение: Изменение состава тела (мышечная, жировая ткань) может влиять на клинические исходы основного заболевания. Для комплексной оценки cостава тела в рамках инструментальной диагностики используются биоимпедансный анализ, двухэнергетическая рентгеновская абсорбциометрия, компьютерная и магнитно-резонансная томография (КТ и МРТ). Несмотря на признание КТ и МРТ методами «золотого стандарта», их использование затруднено из-за сложностей ручной разметки, отсутствия общепринятых диагностических порогов. Технологии искусственного интеллекта (ТИИ) могут быть использованы для полной автоматизации процесса, а также расчета пороговых диагностических значений в рамках кросссекционных популяционных исследований.

Цель: Получить данные о половозрастном распределении морфометрических показателей мышечной и жировой ткани, определенных с использованием программного обеспечения (ПО) на основе ТИИ по данным КТ с захватом зоны интереса (тело позвонка LIII), в условно-здоровой популяции города Москвы.

Материалы и методы: Проведено ретроспективное, обсервационное кросс-секционное описательное исследование в 65 медицинских учреждениях Департамента здравоохранения г. Москвы. Отбор результатов КТ условно-здоровых пациентов осуществлялся многоэтапно, с оценкой данных анамнеза. Производилась группировка по полу и возрасту. Нативные КТ-изображения анализировались ПО на основе ТИИ, с сегментацией и расчетом площади скелетной мышечной ткани (ПСМТ), скелетно-мышечного индекса (СМИ), рентгенологической плотности скелетной мышечной ткани (РПСМТ), площади подкожной жировой ткани (ППЖТ), площади висцеральной жировой ткани (ПВЖТ), площади внутримышечной жировой ткани (ПВМЖТ) и ее доли (ДВМЖТ). Для каждого показателя построены модели квантильной регрессии (перцентили 5%, 25%, 50%, 75%, 95%) с 95% доверительными интервалами. Статистика: Определение пороговых значений морфометрических показателей выполнено с помощью построения модели квантильной регрессии. В качестве сравнительных тестов использованы t-тест, однофакторный дисперсионный анализ и критерий Манна–Уитни. Статистический анализ проводился с использованием ПО jamovi версии 2.3.28, а также RStudio 2024.12.1.

Результаты: По итогам многоэтапного анализа КТ-изображений, их текстовых протоколов и данных электронных медицинских карт, соответственно критериям включения и исключения итоговая выборка составила 900 пациентов (579 женщин (64,3%) и 321 мужчин (35,7%)). Показаны схожие тренды у ПСМТ и СМИ: постепенный подъем до пиковых значений с последующим снижением, минимумы — в группе «80 и более лет». ПСМТ, СМИ и РПСМТ статистически значимо выше у мужчин (p<0,001) и различаются по возрастным группам (p<0,001). Медианные максимумы ПСМТ: мужчины — 41 год (168,77 см2), женщины — 41 год (115,17 см2). Медианные максимумы СМИ: мужчины — 47 лет (53,66 см2/м2), женщины — 48 лет (41,95 см2/м2). ППЖТ и ПВЖТ демонстрировали рост до пиковых значений с минимумом в группе «18– 29 лет». ППЖТ, ПВЖТ, ПВМЖТ и ДВМЖТ статистически значимо различались по полу (p=0,001 для ДВМЖТ, в остальных p<0,001) и возрасту (p<0,001). Медианные максимумы ППЖТ: мужчины — 63 года (177,93 см2), женщины — 62 года (226,97 см2). Медианные максимумы ПВЖТ: мужчины — 71 год (233,97 см2), женщины — 71 год (169,26 см2).

Обсуждение: Получены репрезентативные популяционные данные о половозрастном распределении морфометрических показателей состава тела условно-здоровых мужчин и женщин города Москвы путем использования ПО на основе ТИИ. Результаты открывают возможности для дальнейших исследований изменения состава тела при различных патологиях и диагностики факта наличия саркопении путем оппортунистического анализа ранее выполненной КТ с захватом зоны интереса. Наблюдаемые особенности распределения показателей как мышечной, так и жировой ткани соответствуют данным схожих популяционных исследований в литературе, однако показатели СМИ в московской популяции оказались ниже как американской, так и нидерландской популяции (статистически значимо для женщин). Выявленные отличия значений московской популяции дополнительно обусловливают ценность полученных результатов.

Заключение: Впервые представлены популяционные данные о половозрастном распределении морфометрических показателей состава тела по КТ-изображениям для города Москвы, определенные с помощью ПО на основе ТИИ. Все показатели имеют статистически значимые различия между половыми и возрастными группами, с более высокими значениями мышечной и висцеральной жировой ткани у мужчин и подкожной, внутримышечной жировой ткани у женщин. СМИ в московской популяции ниже, чем в американской и нидерландской, что подчеркивает актуальность полученных данных в контексте диагностики саркопении по КТ-изображениям в европейской части России.

1. Dixon C.B., Masteller B., Andreacci J.L. The effect of a meal on measures of impedance and percent body fat estimated using contact-electrode bioelectrical impedance technology // European Journal of Clinical Nutrition. 2013. Vol. 67, No. 9. P. 950–955. doi: https://doi.org/10.1038/ejcn.2013.118.

2. Mourtzakis M., Prado C.M.M., Lieffers J.R. et al. A practical and precise approach to quantification of body composition in cancer patients using computed tomography images acquired during routine care // Applied Physiology, Nutrition, and Metabolism. 2008. Vol. 33, No. 5. P. 997–1006. doi: https://doi.org/10.1139/H08-075.

3. Cruz-Jentoft A.J., Bahat G., Bauer J. et al. Sarcopenia: revised European consensus on definition and diagnosis // Age and Ageing. 2019. Vol. 48. Sarcopenia, No. 1. P. 16–31. doi: https://doi.org/10.1093/ageing/afy169.

4. Хоружая А.Н., Арзамасов К.М., Коденко М.Р. и др. Диагностика внутричерепных кровоизлияний по данным компьютерной томографии головного мозга с помощью искусственного интеллекта // Digital Diagnostics. 2025. Т. 6, № 2. С. 214–228. doi: https://doi.org/10.17816/DD645364.

5. Васильев Ю.А., Нанова О.Г., Владзимирский А.В. и др. Опыт использования технологий искусственного интеллекта в лабораторной медицине, их эффективность и сценарии применения: систематический обзор // Digital Diagnostics. 2025. Т. 6, № 2. С. 251–267. doi: https://doi.org/10.17816/DD635349.

6. Garrett J.W., Pickhardt P.J., Summers R.M. Methodology for a fully automated pipeline of AI-based body composition tools for abdominal CT // Abdominal Radiology. 2025. doi: https://doi.org/10.1007/s00261-025-04951-7.

7. Lee M.W., Jeon S.K., Paik W.H. et al. Prognostic value of initial and longitudinal changes in body composition in metastatic pancreatic cancer // Journal of Cachexia, Sarcopenia and Muscle. 2024. Vol. 15, No. 2. P. 735–745. doi: https://doi.org/10.1002/jcsm.13437

8. Лядов В.К., Федоринов Д.С., Стаценко Я.А. и др. Кахексия и саркопения как предиктивные факторы при раке желудка: обсервационное исследование // Московский хирургический журнал. 2024. № 1. С. 61–69. doi: https://doi.org/10.17238/2072–3180–2024-1-61-69.

9. Неешпапа А.Г., Каретникова В.Н., Кривошапова К. Е. и др. Динапения и пресаркопения у пациентов с коронарным атеросклерозом: клинические предикторы и структурно-функциональные особенности сердца // Российский кардиологический журнал. 2024. Т. 30, № 1. С. 5967. doi: https://doi.org/10.15829/1560-4071-2025-5967.

10. Сморчкова А.К., Васильев Ю.А., Шумская Ю.Ф. и др. Автоматизированная оценка мышечной и жировой ткани по данным компьютерной томографии для неинвазивного определения активности воспалительных заболеваний кишечника: пилотное исследование // Вестник СурГУ. Медицина. 2025. Т. 18, № 3. С. 39–49. doi: https://doi.org/10.35266/2949-3447-2025-3-5.

11. Jenkins D.G., Quintana-Ascencio P.F. A solution to minimum sample size for regressions // PLoS One. 2020. Vol. 15, No. 2. P. e0229345. doi: https://doi.org/10.1371/journal.pone.0229345.

12. Weston A.D., Grossardt B.R., Garner H.W. et al. Abdominal Body Composition Reference Ranges and Association With Chronic Conditions in an Age- and SexStratified Representative Sample of a Geographically Defined American Population // The Journals of Gerontology, Series A: Biological Sciences and Medical Sciences. 2024. Vol. 79, No. 4. P. glae055. doi: https://doi.org/10.1093/gerona/glae055.

13. Tonnesen P.E., Mercaldo N.D., Tahir I. et al. Muscle Reference Values From Thoracic and Abdominal CT for Sarcopenia Assessment: The Framingham Heart Study // Investigative Radiology. 2024. Vol. 59, No. 3. P. 259–270. doi: https://doi.org/10.1097/RLI.0000000000001012.

14. Yoon J.K., Lee S., Kim K.W. et al. Reference Values for Skeletal Muscle Mass at the Third Lumbar Vertebral Level Measured by Computed Tomography in a Healthy Korean Population // Endocrinology and Metabolism. 2021. Vol. 36, No. 3. P. 672–677. doi: https://doi.org/10.3803/EnM.2021.1041.

15. Coelho-Júnior H.J., Marques F.L., Sousa C.V. et al. Age- and sex-specific normative values for muscle mass parameters in 18,625 Brazilian adults // Frontiers in Public Health. 2024. Vol. 11. P. 1287994. doi: https://doi.org/10.3389/fpubh.2023.1287994.

16. Raguso C.A., Kyle U., Kossovsky M.P. et al. A 3-year longitudinal study on body composition changes in the elderly: Role of physical exercise // Clinical Nutrition. 2006. Vol. 25, No. 4. P. 573–580. doi: https://doi.org/10.1016/j.clnu.2005.10.013.

17. Westenberg L.B., Zorgdrager M., Swaab T.D.A. et al. Reference values for low muscle mass and myosteatosis using tomographic muscle measurements in living kidney donors // Scientific Reports. 2023. Vol. 13, No. 1. P. 5835. doi: https://doi.org/10.1038/s41598-023-33041-1