Defining Insulin Resistance From Hyperinsulinemic-Euglycemic Clamps

Abstract

OBJECTIVE This study was designed to determine a cutoff point for identifying insulin resistance from hyperinsulinemic-euglycemic clamp studies performed at 120 mU/m2 ⋅ min in a white population and to generate equations from routinely measured clinic and blood variables for predicting clamp-derived glucose disposal rate (GDR), i.e., insulin sensitivity.RESEARCH DESIGN AND METHODS We assembled data from hyperinsulinemic-euglycemic clamps (120 mU/m2 ⋅ min insulin dose) performed at the Pennington Biomedical Research Center between 2001 and 2011. Subjects were divided into subjects with diabetes (n = 51) and subjects without diabetes (n = 116) by self-report and/or fasting glucose ≥126 mg/dL.RESULTS We found that 75% of individuals with a GDR <5.6 mg/kg fat-free mass (FFM) + 17.7 ⋅ min were truly insulin resistant. Cutoff values for GDRs normalized for body weight, body surface area, or FFM were 4.9 mg/kg ⋅ min, 212.2 mg/m2 ⋅ min, and 7.3 mg/kgFFM ⋅ min, respectively. Next, we used classification tree models to predict GDR from routinely measured clinical and biochemical variables. We found that individual insulin resistance could be estimated with good sensitivity (89%) and specificity (67%) from the homeostasis model assessment of insulin resistance (HOMA-IR) >5.9 or 2.8< HOMA-IR <5.9 with HDL <51 mg/dL.CONCLUSIONS We developed a cutoff for defining insulin resistance from hyperinsulinemic-euglycemic clamps. Moreover, we now provide classification trees for predicting insulin resistance from routinely measured clinical and biochemical markers. These findings extend the clamp from a research tool to providing a clinically meaningful message for participants in research studies, potentially providing greater opportunity for earlier recognition of insulin resistance.

Mendefinisikan Resistensi Insulin dengan hyperinsulinemic-euglycemic clamps

ABSTRAK

TUJUAN Penelitian ini dirancang untuk menentukan titik cutoff untuk mengidentifikasi resistensi insulin dari penelitian hyperinsulinemic-euglycemic clamp yang dilakukan pada 120 mU/m2⋅menit dalam populasi putih dan menghasilkan persamaan dari variabel klinik dan darah yang rutin diukur untuk memprediksi rasio pembuangan klem yang diturunkan glukosa (Glucose

Disposal Rate[GDR]), yaitu, sensitivitas insulin.

DESAIN DAN METODE PENELITIAN Kami mengumpulkan data dari hyperinsulinemic-euglycemic

clamp (120 mU/m2⋅min dosis insulin) yang dilakukan di Pennington Biomedical Research Center antara 2001 dan 2011. Subyek dibagi menjadi subyek dengan diabetes (n=51) dan tanpa diabetes (n=116 ) berdasarkan laporan mandiri dan/atau glukosa puasa ≥ 126 mg/dL .

HASIL Kami menemukan bahwa 75 % dari individu dengan GDR < 5,6 mg / kg massa bebas lemak (FFM) + 17,7⋅menit benar-benar resisten insulin . Nilai cutoff GDR dinormalisasi untuk berat badan, luas permukaan tubuh, atau FFM adalah 4,9mg/kg⋅menit, 212,2 mg/m2⋅menit, dan 7,3 mg/kgFFM⋅menit, masing-masing. Selanjutnya, kita menggunakan model klasifikasi pohon untuk memprediksi GDR dari variabel klinis dan biokimia rutin yang diukur. Kami menemukan bahwa resistensi insulin individu dapat diperkirakan dengan sensitivitas (89%) dan spesifisitas (67%) yang baik dari penilaian model homeostasis resistensi insulin (HOMA-IR) > 5,9 atau 2,8 < HOMA-IR < 5.9 dengan HDL < 51 mg/dL .

CONCLUSIONS We developed a cutoff for defining insulin resistance from hyperinsulinemic-euglycemic clamps. Moreover, we now provide classification trees for predicting insulin resistance from routinely measured clinical and biochemical markers. These findings extend the clamp from a research tool to providing a clinically meaningful message for participants in research studies, potentially providing greater opportunity for earlier recognition of insulin resistance.

KESIMPULAN Kami mengembangkan cutoff untuk menentukan resistensi insulin dari hyperinsulinemic-euglycemic clamp. Selain itu, kami sekarang menyediakan pohon klasifikasi untuk memprediksi resistensi insulin dari penanda klinis dan biokimia rutin yang diukur. Temuan ini memperpanjang klem dari alat penelitian untuk menyediakan pesan klinis bermakna bagi peserta dalam studi penelitian, berpotensi memberikan peluang yang lebih besar untuk mengenali resistensi insulin lebih awal.

There is substantial evidence that insulin resistance, typically defined as decreased sensitivity or responsiveness to the metabolic actions of insulin, is a precursor of the metabolic syndrome and type 2 diabetes. The gold standard for assessing insulin resistance in humans is the hyperinsulinemic-euglycemic clamp. Developed by DeFronzo et al. in 1979 (1), this procedure assumes that at high doses of insulin infusion (>80 mU/m2 ⋅ min), the hyperinsulinemic state is sufficient to completely suppress hepatic glucose production and that there is no net change in blood glucose concentrations under steady-state conditions. Under such conditions, the rate of glucose infused is equal to the rate of whole-body glucose disposal (GDR) or metabolizable glucose (M) and reflects the amount of exogenous glucose necessary to fully compensate for the hyperinsulinemia. GDR is expressed as a function of metabolic body size, such as body weight (kg), body surface area (m2; BSA), fat-free mass (kg; FFM), or metabolic size (kgFFM+17.7) (2).Hyperinsulinemic-euglycemic clamps are used in cross-sectional studies and in prospective studies designed to test the effect of interventions (weight loss, weight gain, or pharmacological treatment) on insulin sensitivity. The question of what is a “normal” M value is largely unknown but is dependent on the dose of insulin infused. In 1985, Bergman et al. (3) examined M values across 18 independent clamp studies with an insulin infusion rate of 40 mU/m2 ⋅ min. For nonobese normal glucose-tolerant subjects, the mean M value was between 4.7 and 8.7 mg glucose per kilogram of body mass per minute. From these data, Bergman et al. (3) proposed a conservative definition for insulin resistance as an M value <4.7 mg/kg ⋅ min. To our knowledge, only one study has used a statistical approach to determine a cutoff point for identifying insulin resistance from the clamp (4). In this analysis, results from 2,321 (2,138 subjects without diabetes) euglycemic clamp procedures (40 mU/m2 ⋅ min) in an ethnically diverse population were assembled. It was found that insulin resistance was best predicted when subjects had a GDR (M value) <28 μmol/kgFFM ⋅ min (4). Together, these previous studies give a reasonable estimate of the distribution of GDR for clamps performed with an insulin infusion rate of 40 mU/m2 ⋅ min.The question of what is a normal and clinically relevant M value derived from clamps using other insulin infusion doses, such as 120 mU/m2 ⋅ min (5–7), is unknown. As such, it is difficult for clinicians to explain the importance of the results from these clamps to research participants. The 120 mU/m2 ⋅ min insulin was chosen for this analysis for two major reasons: 1) endogenous glucose production is likely to be fully suppressed, and 2) a shorter time is needed to reach steady-state conditions with a higher infusion rate, thus making this insulin dose more cost-effective while also reducing participant burden. Moreover, although the clamp technique is the gold standard for directly assessing insulin resistance in humans, it is time-consuming, labor-intensive, and overall expensive. Therefore, the ability to predict results of the clamp from other clinical data, which are both easier to obtain and less expensive to measure, is important.In the current study, we assembled data from clamp studies performed under standard operating procedures at the Pennington Biomedical Research Center (PBRC; Baton Rouge, LA), between 2001 and 2011, with an insulin infusion rate of 120 mU/m2 ⋅ min. Our aims were to 1) determine a cutoff point for identifying insulin resistance for hyperinsulinemic-euglycemic clamp studies performed at 120 mU/m2 ⋅ min in a white population and 2) generate equations from commonly measured clinic and blood variables for predicting insulin sensitivity (M values derived from the clamp).Previous Section Next Section

RESEARCH DESIGN AND METHODS

The Pennington Center Longitudinal Study is an ongoing investigation of the effects of obesity and lifestyle factors on the development of chronic diseases such as type 2 diabetes and cardiovascular disease. The sample is comprised of volunteers who have participated in nutrition, weight loss, and other metabolic intervention and observational studies at the PBRC since 1992. The current cross-sectional analysis is limited to adult participants who had a single-step 120 mU/m2 ⋅ min hyperinsulinemic-euglycemic clamp before any intervention and a dual-energy X-ray absorptiometry (DXA) scan between 2001 and 2011 (n = 263). Subjects with fasting plasma glucose

>180 mg/dL or a diagnosis of diabetes >5 years were excluded. Our cohort consisted of 167 whites, 94 African Americans, and two others. When euglycemic-hyperinsulinemic clamp studies were first established at PBRC by one of the authors (E.R.), the capability for measuring isotope tracers, and therefore hepatic glucose production, was unavailable. Therefore, clamps were performed at 120 mU/m2 ⋅ min as this insulin dose was considered high enough to completely suppress hepatic glucose production.Diabetes status was defined by self-report or fasting plasma glucose concentrations ≥126 mg/dL. Subjects were classified as being diabetic if they 1) self-reported “yes” to having diabetes (n = 62) or 2) self-reported “no” to diabetes but had a fasting glucose ≥126 mg/dL (n = 4). Subjects were classified as being nondiabetic if they self-reported “no” and had a fasting glucose <126 mg/dL (n = 197). Furthermore, to verify diabetes status, we also obtained HbA1c data, which were available in 104 of 263 subjects. HbA1c levels were higher in subjects classified as having diabetes (6.1 ± 0.6%) compared with subjects classified as not having diabetes (5.4 ± 0.4%). All procedures were approved by the PBRC Institutional Review Board, and all participants provided written, informed consent.Anthropometry and body compositionHeight was measured with a wall-mounted stadiometer and metabolic weight with a digital scale. BMI was calculated as weight in kilograms divided by height in meters squared. Whole-body percent body fat was measured by DXA (Hologics QDR 4500A; Hologics, Bedford, MA), and fat mass (FM) and FFM were calculated from the percent body fat and body weight. BSA was calculated using the Du Bois equation (8).Insulin sensitivityIn vivo insulin sensitivity was assessed with a hyperinsulinemic-euglycemic clamp with a primed continuous infusion of insulin at 120 mU/m2 ⋅ min to achieve endogenous steady-state insulin concentrations and to draw steady-state blood samples. An intravenous catheter was placed in an antecubital vein for infusion of insulin and glucose. A second catheter was placed retrograde in a dorsal vein of the contralateral hand for blood draws. The hand was placed in a heating box at 41°C for arterialization of venous blood. A 20% glucose solution was infused at a variable rate necessary to maintain plasma glucose concentrations between 90 and 100 mg/dL. For clamps performed at 120 mU/m2 ⋅ min, the duration was 2 h, and for clamps at 80 mU/m2 ⋅ min, the clamp duration was at least 3 h. The mean rate of exogenous glucose infusion during the last 30 min was defined as the GDR (1). First, GDR was adjusted for glucose concentrations during this steady-state interval (GDR × [average group steady-state glucose/individual steady-state glucose]) (3). Next, to adjust for metabolic size, GDR was normalized for weight, BSA, FFM, or FFM+17.7 (2).

Blood analysis

Plasma glucose was analyzed with a Yellow Springs Instruments 2300 STAT Glucose Analyzer (Yellow Springs Instruments Inc., Yellow Springs, OH). Plasma insulin was measured by chemiluminescent immunoassays on an Immulite 2000 Analyzer (Diagnostic Products), and lipid (FFA, total cholesterol, and HDL) concentrations were measured with a Beckman Coulter Synchron DXC 600 Pro. LDL was calculated with the Friedewald calculation.

Statistical methodsDescriptive data are presented as mean ± SD. Statistical analysis was performed with SAS version 9.2 (SAS Institute, Cary, NC). The χ2 test was used to test significance of group differences in sex. Independent sample t tests and Mann-Whitney U tests were used to test group differences for continuous variables. GDR determined from the hyperinsulinemic-euglycemic clamp and adjusted for weight, BSA, FFM, or FFM+17.7 was used as a biomarker for separating subjects who were insulin resistant (had type 2 diabetes mellitus) from those who were insulin sensitive (did not have type 2 diabetes). We defined the optimal cutoff point for discriminating insulin-resistant subjects from insulin-sensitive subjects as the GDR that provided both high sensitivity (ability to detect insulin-resistant subjects) and simultaneously provided high specificity (ability to detect insulin-sensitive subjects). Thus, sensitivity is the proportion of true positives

(individuals known to be insulin resistant who were classified as insulin resistant based on their GDR), whereas 1 – specificity is the proportion of false positives (individuals known to be insulin sensitive who were classified as insulin resistant based on their GDR). We used a receiver-operating characteristic (ROC) curve, a plot of the sensitivity versus 1 – specificity, to display the trade-off between true positives and false positives across incremental choices of discriminating cutoff points for glucose disposal rate (9,10). The cutoff point corresponding to the optimal balance of true versus false positives indicates the best threshold for discriminating insulin-resistant individuals from insulin-sensitive individuals.Principles of classification trees.Classification trees were used to determine a specific set of rules (algorithm) for classifying subjects as insulin resistant or insulin sensitive from GDR (11). This method makes no assumptions about the underlying distribution of data and takes into account interactions among covariates and outcome variables. An advantage of the classification tree method is that it allows observations with missing values in a dataset, as opposed to traditional logistic regression analysis, which removes observations with missing predictor values. Tree-based methods recursively partition the predictor variables into a set of decision points or classification “nodes.” A binary decision tree is fully grown when classification rules are completely diagrammed. Without pruning, a large and complex tree can be built at the cost of overfitting the data (12). Thus, pruning the tree is implemented so that we can select a tree size that minimizes the cross-validated error and avoids overfitting.

Decision rules for classifying subjects can be obtained by assigning each terminal node a class label as either “1” (presence of insulin resistance) or “0” (absence of insulin resistance). The choice of a class label is based on a defined cutoff point and also the proportion of true event occurrences at that terminal node. For example, if “0.25” or above is chosen as a cutoff point, then only terminal nodes with true event occurrence proportion equal to or larger than “0.25” are classified as “insulin resistant” and the remaining are classified as “0” or insulin sensitive. The proportion displayed at each terminal node can be considered as a “risk score” for insulin resistance.

Single Classification Tree Method.In order to select the best-performing models for exploring the relationship between insulin sensitivity and clinical variables, subjects were randomly split into a training subset for building the model (n = 125) and a testing subset for evaluating the performance of the model (n = 42) at a ratio of 3:1.The Single Classification Tree Method was chosen as the statistical exploratory method because it outperformed other approaches such as logistic regression and boosting regression trees in terms of sensitivity, specificity, and area under the ROC curve, denoted aROC (10), on the testing dataset. Thus, aROC is used as a measure of average prediction performance of different classification algorithms. Because aROC represents area of a portion under a unit square, its value ranges between 0 and 1. Random guessing results in an aROC approximately equal to 0.5. A realistic classification method should have an aROC >0.5, and a classification rule with aROC >0.70 is generally considered adequate; aROC very close to 1 indicates exceptionally good performance. Our goal was to examine the selected decision trees for predicting insulin resistance to accommodate different clinical/research settings where values for all variables would not necessarily be available.The tree analysis was performed with data from 167 whites. The main outcome variable used in this analysis was GDR adjusted for FFM+17.7 (GDRadj) because we believe that this adjustment is the best available method accounting for metabolic size (2). Covariates included sex, age, weight, height, BMI, BSA, FFM, self-reported family history of diabetes, fasting glucose, fasting insulin, cholesterol, HDL, LDL, triglycerides, FFA, and homeostasis model assessment of insulin resistance (HOMA-IR) [fasting insulin (μU/mL) × fasting glucose (mg/dL)/405]. Three classification tree models were developed to answer different questions. Model 1 was constructed with all available input variables, mimicking a clinical situation where body composition and blood markers were all included. Model 2 uses only fasting glucose and insulin

concentrations, BMI, age, and sex as input variables. Model 3 is a minimalist model constructed using age, sex, and BMI.Previous Section Next Section

RESULTS

Subject characteristicsOur white cohort comprised 51 subjects with diabetes and 116 subjects without diabetes (Table 1). Subjects with diabetes were significantly older (age 57.2 ± 8.6 vs. 44.2 ± 13.2 years, P < 0.001) and had higher LDL (P = 0.05) and glucose levels (by study design; P < 0.001) than subjects without diabetes. There were no significant sex differences between subjects with and without diabetes (P = 0.10).View this table: In this window

  In a new window

Table 1Subject characteristics for whites undergoing hyperinsulinemic-euglycemic clamp studies at 120 mU/m2 ⋅ min

Distribution and optimal cutoff for determination of insulin resistanceThe distribution of GDR, whether it was adjusted for weight, BSA, FFM, or FFM+17.7 was bimodal (summarized in Table 2). As expected, GDR was lower in subjects with diabetes compared with subjects without diabetes, regardless of how GDR was adjusted for metabolic size. For GDRadj, the mean was 7.4 ± 2.7 mg/kgFFM+17.7 ⋅ min in subjects without diabetes and 4.6 ± 1.7 mg/kgFFM+17.7 ⋅ min in subjects with diabetes. A cutoff of 5.6 mg/kgFFM+17.7 ⋅ min provided the maximum theoretical sensitivity (75%) and specificity (71%) with an aROC of 80% for defining insulin resistance. In other words, the optimal cutoff for identifying insulin-resistant individuals from the 120 mU/m2 ⋅ min clamp was 5.6 mg/kgFFM+17.7 ⋅ min. Using this criterion in the whole group, 44.3% of individuals fell below this cut point and could be considered insulin resistant. The same cutoff (5.6 mg/kgFFM+17.7 ⋅ min) was observed when this analysis was performed in the whole cohort (n = 267) (data not shown). When GDR was adjusted for body weight, BSA, or FFM, the cutoff value for insulin resistance was 4.9 mg/kg weight ⋅ min, 212 mg/m2 ⋅ min, and 7.3 mg/kgFFM ⋅ min, respectively (Table 2).View this table: In this window

  In a new window

Table 2GDR values at 120 mU/m2 ⋅ min for subjects with and without diabetes adjusted for metabolic size, including body weight, BSA, FFM, and FFM+17.7 kg

As a subanalysis, we also compiled data from 86 hyperinsulinemic-euglycemic clamps performed at 80 mU/m2 ⋅ min. Similar to the 120-mU insulin dose, the distribution of GDR was bimodal with lower GDR in subjects with diabetes (n = 11) compared with subjects without diabetes (n = 75). The average data and cutoff points for GDR expressed by weight, BSA, FFM, or FFM+17.7, and the subject characteristics for this cohort are provided in Supplementary Tables 1 and 2. In subjects without diabetes, the mean GDRadj was 8.2 ± 3.0 mg/kgFFM+17.7 ⋅ min compared with 3.3 ± 0.7 mg/kgFFM+17.7 ⋅ min in subjects with diabetes, and the cutoff for defining insulin resistance was 4.1 mg/kgFFM+17.7 ⋅ min with a maximal sensitivity and specificity of 83 and 96%, respectively (aROC = 0.98). When GDR was adjusted for body weight, BSA, or FFM, the cutoff value for insulin resistance was 4 mg/kgweight ⋅ min, 192 mg/m2 ⋅ min and 5 mg/kgFFM ⋅ min, respectively (Supplementary Table 2). Tree model analyses were not performed at the 80-mU insulin dose because of the relatively small sample size and unbalanced proportion of subjects with and without diabetes.Tree models for predicting insulin resistance using all predictors

As indicated in RESEARCH DESIGN AND METHODS, tree models and decision rules were developed to predict GDRadj based on a randomly selected training set (n = 125) followed by evaluating the performance of the models in the remaining testing set (n = 42).Model 1: all predictors.In the tree model based on all predictors (Model 1), the following predictors were statistically significant: HOMA-IR, HDL, and fasting glucose resulting in an aROC of 87%. Figure 1 depicts the classification tree model using these predictors. The number of insulin-resistant individuals and the number of insulin-sensitive individuals are shown in Fig. 1. Using an arbitrary cutoff of 0.25 as the “risk score” of having insulin resistance, nodes ≥25% (proportion of insulin-resistant individuals) predict insulin resistance and nodes <25% predict insulin sensitivity. Therefore, in Fig. 1, the associated decision rules for predicting an individual as being insulin resistant is either having the following:1) a HOMA-IR >5.9 or 2) HOMA-IR = 2.8–5.9 and HDL <51 mg/dL. Use of other choices for the predictive cutoff value (e.g., 50%) yielded similar sensitivity (89%) and specificity (67%) results (data not shown).

View larger version: In this page

  In a new window Download as PowerPoint Slide

Figure 1Tree model for insulin resistance determined using all available body composition and blood measures. HOMA-IR and HDL were the only significant determinants in this model. The model is built on a randomly selected training cohort of 125 subjects and tested in 42 subjects. An arbitrary risk score of 0.25 is calculated. Therefore, if a terminal node has a >25% proportion, those subjects are more likely to be insulin resistant (dashed lines). The decision nodes for being insulin resistant are as follows:1) HOMA-IR >5.9 and 2) 2.8< HOMA-IR <5.9 and HDL <51 mg/dL.

Model 2: anthropometry, fasting glucose, and insulin measurements.The next tree model was performed using only body composition, fasting glucose, insulin, and age and sex as predictor variables. Only fasting insulin and glucose were significant predictors in building the tree model with an aROC of 86% in the testing subset (Fig. 2). Similar to the above tree model using all predictors, we assigned an arbitrary cutoff of 0.25 as the “risk score” of being classified as insulin resistant. Therefore, in Fig. 2, the associated decision rule for predicting an individual to be insulin resistant is a fasting insulin concentration >10.6 μU/mL. This decision rule has an estimated sensitivity of 100% and specificity of 54%.

View larger version: In this page

  In a new window Download as PowerPoint Slide

Figure 2Tree model for insulin resistance using only fasting glucose, insulin, age, sex, and BMI. Only fasting insulin was a significant determinant in the model. The model is built on a randomly selected training cohort of 125 subjects and tested on 42 subjects. An arbitrary risk score of 0.25 is calculated. Therefore, if a terminal node has a >25% proportion, those subjects are more likely to be insulin resistant (dashed lines). The decision node for being insulin resistant is having a fasting insulin >10.6 μU/mL.

Model 3: age, sex, and BMI.The last tree model we tested for predicting insulin sensitivity from the clamp only used age, sex, and BMI as predictor variables. Again based on an arbitrary cutoff of 0.25% for detecting insulin resistance, the only significant predictor variable was BMI with an aROC of 61% and a BMI >24.7 kg/m2 predicting insulin resistance. As expected, as the number of predictor variables decreases, the aROC and sensitivity and specificity results worsen.

The same tree-based model analysis was also performed in a larger, more ethnically diverse cohort of 263 individuals (167 whites, 94 African Americans, one Hispanic, and one other). As expected, with a greater number of subjects, higher aROCs, and sensitivity and specificity results were obtained in the larger cohort (data not shown).

Previous Section Next Section

CONCLUSIONS

The hyperinsulinemic-euglycemic clamp technique is the gold standard for assessing insulin sensitivity in humans. This method is widely used in research studies to examine the effects of an intervention, such as low-calorie diet or pharmacological therapy. Unfortunately, few data exist on what is considered a “normal” glucose infusion rate, i.e., normal insulin sensitivity. Moreover, the ability to compare results from clamp studies is clouded by the fact that GDR results are expressed as a function of body weight, BSA, or FFM. The goal of the current study was to provide cutoff values for defining insulin resistance and insulin sensitivity in clamps performed at an insulin dose of 120 mU/m2 ⋅ min and to provide decision trees for predicting insulin resistance from routinely measured clinical and biochemical parameters. Similar to a previous study (4), we found that the distribution of whole-body glucose disposal rate is bimodal. This bimodality allowed us to use a statistical approach to determine a cutoff for defining insulin resistance or insulin sensitivity. We found that a GDR or M value of 5.6 mg/kgFFM+17.7 ⋅ min in whites gives an almost 80% probability of predicting insulin resistance. In other words, individuals with a GDR <5.6 mg/kgFFM+17.7 ⋅ min have an 80% chance of being insulin resistant. The same cutoff was found in a larger, more ethnically diverse cohort (data not shown).In a smaller sample of clamps performed at 80 mU/m2 ⋅ min, a cutoff of 5.3 mg/kgFFM+17.7 ⋅ min (98% prediction probability) was determined for defining insulin resistance. That is, subjects with a GDR <5.3 mg/kgFFM+17.7 ⋅ min have a 98% probability of having insulin resistance. To expand the applicability of these findings to the investigators who do not measure body composition, we determined cut points for insulin resistance for GDR expressed by weight, BSA, or FFM. These data allow researchers performing hyperinsulinemic-euglycemic clamps at the 80 and 120 mU/m2 ⋅ min insulin infusion rates to gain valuable clinical information on a subject’s insulin sensitivity and translate findings from a primarily research setting to a clinically relevant message. A summary of our results at 80 and 120 mU/m2 ⋅ min and results from other studies at 40 mU/m2⋅ min (3,4) is provided in Supplementary Table 3.

Given the demanding nature, expense, and time involved in performing hyperinsulinemic-euglycemic clamps, we aimed to develop models for predicting insulin resistance by the clamp from routinely measured anthropometric, body composition, and biochemical markers. Our first classification model (Model 1) included all available variables (listed inRESEARCH DESIGN AND METHODS) and found that subjects with a 1) HOMA-IR >5.9 or 2) HOMA-IR between 2.8 and 5.9 and HDL <51 mg/dL predicted insulin resistance with good specificity and sensitivity. The finding that HOMA-IR was the strongest predictor of GDRadj is not surprising given the strong correlation between HOMA-IR and insulin sensitivity derived from the clamps demonstrated previously (13). In addition, our findings are similar to those from the study by Stern et al. (4) in which they generated classification trees from clamps performed at 40 mU/m2 ⋅ min. Stern et al. (4) found HOMA-IR, BMI, waist circumference, and LDL as significant predictors of insulin resistance, with similar sensitivity and specificity results (our study: aROC = 0.87; Stern et al.: aROC = 0.90). Model 2 used only anthropometry, fasting glucose, insulin, and age and sex. Similar to Model 1, we found that only fasting insulin was a significant predictor of GDRadj, with a fasting insulin >10.6 μU/mL defining insulin resistance. Model 3 used only age, sex, and BMI to predict GDRadj. This model gave poor specificity and sensitivity results that highlighted the well-known fact that insulin resistance is a heterogeneous disorder that is not only dependent on weight, sex, and age (14). Coupled with previous studies defining insulin resistance from clamps performed at 40 mU/m2 ⋅ min (3,4), our results at 80 and 120 mU/m2 ⋅ min insulin doses contribute substantially to the literature determining insulin resistance from clamps (Supplementary Table 3).To account for the metabolic mass that uses insulin during a clamp procedure, GDR derived from the clamp must be adjusted for metabolic size. The majority of studies in the literature tend to use total body weight or kilograms of FFM with a smaller number of studies using BSA. However, total body weight is not a completely appropriate method for comparing individuals, because obese subjects have a greater proportion of low-metabolizing mass (adipose tissue) and females have a greater percentage of fat than men. BSA also poses a sex difference problem (2). From studies of metabolic rate in the Pima Indians, Lillioja and Bogardus (2) showed that metabolic rate is directly proportional to FFM+17.7 kg, suggesting that this measure can be equated to metabolic size. On the basis of this finding, we have chosen this normalization method in our classification analysis. However, we have also considered that not all researchers may have access to measuring body composition (DXA) and have also reported on these insulin resistance cutoffs normalized by weight and BSA. Finally, it needs to be noted that dividing GDRs during a clamp by resting metabolic rate would really represent the best way to compare values from people with different body sizes.Limitations of this study may be the small sample size of clamp studies at 120 mU/m2 ⋅ min, and particularly at 80 mU/m2 ⋅ min. However, we were able to achieve good statistical sensitivity and specificity results (>80% prediction probability) in this cohort. We also demonstrated the same cutoff points in a larger, more ethnically diverse population. Another potential limitation may be that we did not use radiolabeled glucose tracers to quantify endogenous glucose production. However, the high insulin infusion doses reported in this study generally suppress most, if not all, the baseline splanchnic glucose output (15). We also acknowledge that there is considerable overlap in insulin sensitivity (M) between subjects with and without diabetes (2). An alternative approach would have been to divide our cohort into subjects with normal glucose tolerance, impaired glucose tolerance, or type 2 diabetes; however, this would have further diminished our sample size.In conclusion, our study provides novel data for defining insulin resistance from hyperinsulinemic-euglycemic clamps performed at insulin doses of 120 and 80 mU/m2 ⋅ min. Moreover, we have provided classification trees for predicting insulin resistance from routinely measured biochemical markers. Together, our findings extend the hyperinsulinemic-euglycemic clamp from what is largely considered a research tool to providing clinically meaningful messages for patients, thus providing greater likelihood of earlier detection of insulin resistance.

Ada bukti substansial bahwa resistensi insulin , biasanya didefinisikan sebagai penurunan sensitivitas atau tanggap terhadap tindakan metabolisme insulin , adalah prekursor dari sindrom metabolik dan diabetes tipe 2 . Standar emas untuk menilai resistensi insulin pada manusia adalah penjepit hyperinsulinemic - euglycemic . Dikembangkan oleh DeFronzo et al . pada tahun 1979 ( 1 ) , prosedur ini mengasumsikan bahwa pada dosis tinggi infus insulin ( > 80 mU/m2 ⋅ min ) , negara hyperinsulinemic cukup untuk sepenuhnya menekan produksi glukosa hepatik dan bahwa tidak ada perubahan bersih dalam konsentrasi glukosa darah di bawah stabil kondisi - kondisi . Dalam kondisi seperti itu , tingkat glukosa infus adalah sama dengan tingkat pembuangan glukosa seluruh tubuh ( GDR ) atau glukosa metabolis ( M ) dan mencerminkan jumlah glukosa eksogen diperlukan untuk sepenuhnya mengkompensasi hiperinsulinemia tersebut . GDR dinyatakan sebagai fungsi dari ukuran tubuh metabolik , seperti berat badan ( kg ) , luas permukaan tubuh ( m2; BSA ) , massa lemak bebas ( kg , FFM ) , atau ukuran metabolik ( kgFFM 17,7 ) ( 2 ) .

Klem hyperinsulinemic - euglycemic digunakan dalam studi cross-sectional dan studi prospektif yang dirancang untuk menguji pengaruh intervensi ( penurunan berat badan , berat badan , atau pengobatan farmakologis ) pada sensitivitas insulin . Pertanyaan tentang apa itu " normal" nilai M sebagian besar tidak diketahui , tetapi tergantung pada dosis insulin infus. Pada tahun 1985 , Bergman et al . ( 3 ) diperiksa M nilai di 18 studi penjepit independen dengan tingkat infus insulin dari 40 mU/m2 ⋅ min . Untuk mata pelajaran glukosa toleran obes normal, nilai rata-rata adalah antara M 4,7 dan 8,7 mg glukosa per kilogram massa tubuh per menit . Dari data tersebut , Bergman et al . ( 3 ) mengusulkan definisi konservatif untuk resistensi insulin sebagai nilai M < 4,7 mg / kg ⋅ min . Untuk pengetahuan kita, hanya satu penelitian yang menggunakan pendekatan statistik untuk menentukan titik cutoff untuk mengidentifikasi resistensi insulin dari penjepit ( 4 ) . Dalam analisis ini , hasil dari 2.321 ( 2.138 subjek tanpa diabetes ) prosedur penjepit euglycemic ( 40 mU/m2 ⋅ min ) pada populasi etnis yang beragam berkumpul . Ditemukan bahwa resistansi insulin terbaik diprediksi ketika subjek memiliki GDR ( nilai M ) < 28 umol / kgFFM ⋅ min ( 4 ) . Bersama-sama , studi-studi sebelumnya memberikan perkiraan yang wajar dari distribusi GDR untuk klem dilakukan dengan tingkat infus insulin dari 40 mU/m2 ⋅ min .

Pertanyaan tentang apa itu nilai M normal dan relevan secara klinis berasal dari klem menggunakan dosis infus insulin lain, seperti 120 mU/m2 ⋅ min ( 5-7 ) , tidak diketahui . Dengan demikian , sulit bagi dokter untuk menjelaskan pentingnya hasil dari klem tersebut kepada peserta penelitian . 120 mU/m2 ⋅ min insulin dipilih untuk analisis ini karena dua alasan utama: 1 ) produksi glukosa endogen kemungkinan akan sepenuhnya ditekan , dan 2 ) waktu yang lebih singkat yang dibutuhkan untuk mencapai kondisi mapan dengan tingkat infus yang lebih tinggi , sehingga membuat insulin dosis ini lebih hemat biaya sementara juga mengurangi beban peserta . Selain itu, meskipun teknik klem adalah standar emas untuk menilai langsung resistensi insulin pada manusia , itu memakan waktu , padat karya , dan secara keseluruhan mahal . Oleh karena itu , kemampuan untuk memprediksi hasil klem dari data klinis lain , yang keduanya mudah untuk mendapatkan dan lebih murah untuk mengukur , adalah penting.

Dalam studi saat ini, kami berkumpul data dari studi penjepit dilakukan di bawah prosedur operasi standar di Pennington Biomedical Research Center ( PBRC , Baton Rouge , LA ) , antara 2001 dan 2011 , dengan laju infus insulin dari 120 mU/m2 ⋅ min . Tujuan kami adalah untuk 1 ) menentukan titik cutoff untuk mengidentifikasi resistensi insulin untuk studi penjepit hyperinsulinemic - euglycemic dilakukan pada 120 mU/m2 ⋅ menit dalam populasi putih dan 2 ) menghasilkan

persamaan dari klinik umum diukur dan variabel darah untuk memprediksi sensitivitas insulin ( M nilai-nilai yang berasal dari penjepit ) .

Bagian SectionNext Sebelumnya

PENELITIAN DESAIN DAN METODE

The Pennington Pusat Longitudinal Study merupakan investigasi yang sedang berlangsung dari efek obesitas dan faktor gaya hidup pada pengembangan penyakit kronis seperti diabetes tipe 2 dan penyakit kardiovaskular . Sampel terdiri dari relawan yang telah berpartisipasi dalam gizi , penurunan berat badan , dan intervensi metabolik lainnya dan studi observasional di PBRC sejak tahun 1992 . Analisis cross-sectional saat ini terbatas untuk peserta dewasa yang punya satu - langkah 120 mU/m2 ⋅ min penjepit hyperinsulinemic - euglycemic sebelum intervensi dan X-ray absorptiometry dual- energi ( DXA ) scan antara 2001 dan 2011 ( n = 263 ) . Subyek dengan glukosa plasma puasa > 180 mg / dL atau diagnosis diabetes > 5 tahun dikeluarkan . Kohort kami terdiri dari 167 kulit putih , 94 orang Amerika Afrika , dan dua orang lain. Ketika studi penjepit euglycemic - hyperinsulinemic pertama kali didirikan di PBRC oleh salah satu penulis ( ER ) , kemampuan untuk mengukur isotop pelacak , dan karena itu produksi glukosa hepatik , tidak tersedia . Oleh karena itu , klem dilakukan pada 120 mU/m2 ⋅ min sebagai insulin dosis ini dianggap cukup tinggi untuk sepenuhnya menekan produksi glukosa hepatik .

Status diabetes ditentukan oleh laporan diri atau konsentrasi glukosa plasma puasa ≥ 126 mg / dL . Subyek diklasifikasikan sebagai diabetes jika mereka 1 ) dilaporkan sendiri " ya " untuk memiliki diabetes ( n = 62 ) atau 2 ) - melaporkan diri " tidak" untuk diabetes tetapi memiliki glukosa puasa ≥ 126 mg / dL ( n = 4 ) . Subyek digolongkan sebagai nondiabetes jika mereka melaporkan diri - " tidak" dan memiliki glukosa puasa < 126 mg / dL ( n = 197 ) . Selain itu, untuk verifikasi status diabetes , kami juga mendapatkan data HbA1c , yang tersedia di 104 dari 263 subyek . Kadar HbA1c yang lebih tinggi dalam mata pelajaran diklasifikasikan sebagai memiliki diabetes ( 6,1 ± 0,6 % ) dibandingkan dengan subyek tergolong tidak memiliki diabetes ( 5,4 ± 0,4 % ) . Semua prosedur telah disetujui oleh PBRC Institutional Review Board , dan semua peserta memberikan ditulis , informed consent .

Antropometri dan komposisi tubuh

Tinggi diukur dengan dinding-mount stadiometer dan berat metabolik dengan skala digital . IMT dihitung sebagai berat dalam kilogram dibagi dengan tinggi dalam meter kuadrat . Seluruh tubuh persen lemak tubuh diukur dengan DXA ( Hologics QDR 4500A , Hologics , Bedford , MA ) , dan massa lemak ( FM ) dan FFM dihitung dari persen lemak tubuh dan berat badan . BSA dihitung dengan menggunakan persamaan Du Bois ( 8 ) .

sensitivitas insulin

In vivo sensitivitas insulin dinilai dengan penjepit hyperinsulinemic - euglycemic dengan infus kontinu prima insulin pada 120 mU/m2 ⋅ menit untuk mencapai konsentrasi insulin mapan endogen dan mengambil contoh darah mapan . Sebuah kateter intravena ditempatkan dalam vena antecubital untuk infus insulin dan glukosa . Sebuah kateter kedua ditempatkan retrograde dalam vena dorsal tangan kontralateral untuk darah menarik . Tangan ditempatkan dalam kotak pemanasan pada 41 ° C selama arterialization darah vena . Sebuah larutan glukosa 20 % itu dimasukkan pada tingkat variabel yang diperlukan untuk mempertahankan kadar glukosa plasma

antara 90 dan 100 mg / dL . Untuk klem dilakukan pada 120 mU/m2 ⋅ menit , durasi adalah 2 jam , dan klem pada 80 mU/m2 ⋅ min , durasi penjepit setidaknya 3 jam . Tingkat rata-rata infus glukosa eksogen selama 30 menit terakhir didefinisikan sebagai GDR ( 1 ) . Pertama , GDR telah disesuaikan untuk konsentrasi glukosa selama interval ini steady-state ( GDR × [ rata-rata kelompok mapan glukosa / individu mapan glukosa ] ) ( 3 ) . Selanjutnya, untuk menyesuaikan ukuran metabolik , GDR dinormalisasi untuk berat badan , BSA , FFM , atau FFM 17,7 ( 2 ) .

analisis darah

Plasma glukosa dianalisis dengan Yellow Springs Instrumen 2300 STAT Glukosa Analyzer ( Yellow Springs Instruments Inc , Yellow Springs , OH ) . Plasma insulin diukur dengan immunoassay chemiluminescent pada Immulite 2000 Analyzer ( Produk Diagnostik ) , dan lemak ( FFA , kolesterol total , dan HDL) konsentrasi diukur dengan Beckman Coulter Synchron DXC 600 Pro . LDL dihitung dengan perhitungan Friedewald .

metode statistik

Data deskriptif disajikan sebagai rata-rata ± SD . Analisis statistik dilakukan dengan SAS versi 9.2 ( SAS Institute , Cary , NC ) . Uji χ2 digunakan untuk menguji signifikansi perbedaan kelompok dalam seks . Uji t sampel independen dan uji U Mann - Whitney digunakan untuk menguji perbedaan kelompok untuk variabel kontinyu . GDR ditentukan dari penjepit hyperinsulinemic - euglycemic dan disesuaikan dengan berat badan , BSA , FFM , atau FFM 17,7 digunakan sebagai biomarker untuk memisahkan subyek yang resisten insulin ( memiliki tipe 2 diabetes mellitus ) dari orang-orang yang sensitif insulin ( tidak memiliki diabetes tipe 2 ) . Kami mendefinisikan titik cutoff optimal untuk mata pelajaran resisten insulin diskriminatif dari subyek sensitif terhadap insulin sebagai GDR yang disediakan baik sensitivitas tinggi ( kemampuan untuk mendeteksi mata pelajaran resisten insulin ) dan sekaligus diberikan spesifisitas tinggi ( kemampuan untuk mendeteksi subyek sensitif terhadap insulin ) . Dengan demikian , sensitivitas adalah proporsi positif sejati (individu diketahui resisten insulin yang tergolong resisten insulin berdasarkan GDR mereka) , sedangkan 1 - spesifisitas adalah proporsi positif palsu (individu dikenal sensitif insulin yang diklasifikasikan sebagai insulin tahan berdasarkan GDR mereka) . Kami menggunakan karakteristik penerima - operasi ( ROC ) kurva , sebidang sensitivitas versus 1 - spesifisitas , untuk menampilkan trade-off antara positif sejati dan positif palsu di pilihan incremental diskriminatif cutoff poin untuk tingkat pembuangan glukosa ( 9,10 ) . Cutoff titik yang sesuai dengan keseimbangan optimal positif sejati versus palsu menunjukkan ambang terbaik untuk individu resisten insulin membedakan dari individu sensitif terhadap insulin .

Prinsip pohon klasifikasi .

Klasifikasi pohon yang digunakan untuk menentukan satu set spesifik aturan ( algoritma ) untuk mengklasifikasikan subyek sebagai resisten insulin atau insulin sensitif dari GDR ( 11 ) . Metode ini tidak membuat asumsi tentang distribusi yang mendasari data dan memperhitungkan interaksi antar rekening kovariat dan variabel hasil . Keuntungan dari metode klasifikasi pohon yang memungkinkan pengamatan dengan nilai-nilai yang hilang dalam dataset , sebagai lawan analisis regresi logistik tradisional , yang menghilangkan pengamatan dengan nilai-nilai prediktor hilang . Metode berbasis pohon rekursif partisi variabel prediktor ke dalam satu set poin keputusan atau klasifikasi " node . "

Sebuah pohon keputusan biner sepenuhnya tumbuh saat aturan klasifikasi benar-benar digambarkan . Tanpa pemangkasan , pohon besar dan kompleks dapat dibangun dengan biaya overfitting data ( 12 ) . Dengan demikian , pemangkasan pohon ini dilaksanakan sehingga kita dapat memilih ukuran pohon yang meminimalkan kesalahan cross- divalidasi dan menghindari overfitting .

Aturan Keputusan untuk mengklasifikasikan subyek dapat diperoleh dengan menetapkan setiap terminal node class label sebagai " 1 " ( kehadiran resistensi insulin ) atau " 0 " ( tidak adanya resistensi insulin ) . Pemilihan label kelas didasarkan pada titik cutoff didefinisikan dan juga proporsi kejadian peristiwa benar pada simpul terminal . Misalnya, jika " 0,25 " atau di atas dipilih sebagai titik cutoff , maka hanya node terminal dengan benar acara terjadinya proporsi yang sama atau lebih besar dari " 0.25 " diklasifikasikan sebagai " tahan insulin " dan sisanya diklasifikasikan sebagai " 0 " atau insulin sensitif . Proporsi ditampilkan di setiap node terminal dapat dianggap sebagai " skor risiko " untuk resistensi insulin .

Tunggal Klasifikasi Metode Tree.

Dalam rangka untuk memilih model berkinerja terbaik untuk mengeksplorasi hubungan antara sensitivitas insulin dan variabel klinis , subjek secara acak dibagi menjadi subset pelatihan untuk membangun model ( n = 125 ) dan subset pengujian untuk mengevaluasi kinerja model ( n = 42 ) dengan rasio 3:1.

Single Klasifikasi Metode Pohon terpilih sebagai metode eksplorasi statistik karena mengungguli pendekatan lain seperti regresi logistik dan meningkatkan pohon regresi dalam hal sensitivitas , spesifisitas , dan area di bawah kurva ROC , dinotasikan aROC ( 10 ) , pada dataset pengujian . Dengan demikian , aROC digunakan sebagai ukuran kinerja prediksi rata-rata algoritma klasifikasi yang berbeda . Karena aROC merupakan daerah bagian bawah unit persegi , nilainya berkisar antara 0 dan 1 . Acak menebak hasil dalam aROC kurang lebih sama dengan 0,5 . Sebuah metode klasifikasi yang realistis harus memiliki aROC > 0,5 , dan aturan klasifikasi dengan aROC > 0,70 umumnya dianggap memadai; aROC sangat dekat dengan 1 menunjukkan kinerja sangat baik . Tujuan kami adalah untuk menguji pohon keputusan yang dipilih untuk memprediksi resistensi insulin untuk mengakomodasi pengaturan klinis / penelitian yang berbeda di mana nilai-nilai untuk semua variabel tidak selalu tersedia .

Analisis pohon dilakukan dengan data dari 167 kulit putih . Utama variabel hasil yang digunakan dalam analisis ini GDR disesuaikan FFM 17,7 ( GDRadj ) karena kami percaya bahwa penyesuaian ini adalah yang terbaik yang tersedia metode akuntansi untuk ukuran metabolik ( 2 ) . Kovariat termasuk jenis kelamin, usia , berat badan , tinggi badan , BMI , BSA , FFM , riwayat keluarga yang dilaporkan sendiri diabetes , puasa glukosa , insulin puasa , kolesterol , HDL , LDL , trigliserida , FFA , dan model penilaian homeostasis resistensi insulin ( HOMA - IR ) [ puasa insulin ( μU / mL ) × glukosa puasa ( mg / dL ) / 405 ] . Tiga model klasifikasi pohon dikembangkan untuk menjawab pertanyaan yang berbeda . Model 1 dibangun dengan semua variabel input yang tersedia , meniru situasi klinis di mana komposisi tubuh dan spidol darah semua termasuk . Model 2 hanya menggunakan glukosa puasa dan konsentrasi insulin , BMI , usia , dan jenis kelamin sebagai variabel masukan . Model 3 adalah model minimalis dibangun menggunakan usia, jenis kelamin , dan BMI .

Bagian SectionNext Sebelumnya

HASIL

karakteristik subjek

Kohort putih kami terdiri 51 subyek dengan diabetes dan 116 subyek tanpa diabetes ( Tabel 1 ) . Subyek dengan diabetes secara signifikan lebih tua ( usia 57,2 ± 8,6 vs 44,2 ± 13,2 tahun , P < 0,001 ) dan memiliki LDL lebih tinggi ( P = 0,05 ) dan kadar glukosa ( dengan desain studi , P < 0,001 ) dibandingkan subyek tanpa diabetes . Tidak ada perbedaan jenis kelamin yang signifikan antara subjek dengan dan tanpa diabetes ( P = 0,10 ) .

Lihat tabel ini :

• Dalam jendela ini

• Di jendela baru

tabel 1

Karakteristik subjek untuk kulit putih menjalani studi penjepit hyperinsulinemic - euglycemic di 120 mU/m2 ⋅ min

Distribusi dan cutoff optimal untuk penentuan resistensi insulin

Distribusi GDR , apakah itu telah disesuaikan untuk berat badan , BSA , FFM , atau FFM 17,7 adalah bimodal ( diringkas dalam Tabel 2 ) . Seperti yang diharapkan , GDR lebih rendah pada subyek dengan diabetes dibandingkan dengan subyek yang tidak menderita diabetes , terlepas dari bagaimana GDR telah disesuaikan untuk ukuran metabolik . Untuk GDRadj , rata-rata adalah 7,4 ± 2,7 mg / kgFFM 17,7 ⋅ menit pada subyek tanpa diabetes dan 4,6 ± 1,7 mg / kgFFM 17,7 ⋅ menit pada subyek dengan diabetes . Sebuah cutoff dari 5,6 mg / kgFFM 17,7 ⋅ min disediakan sensitivitas teoritis maksimum ( 75 % ) dan spesifisitas ( 71 % ) dengan aROC dari 80 % untuk mendefinisikan resistensi insulin . Dengan kata lain , cutoff optimal untuk mengidentifikasi individu resisten insulin dari 120 mU/m2 ⋅ min penjepit adalah 5,6 mg / kgFFM 17,7 ⋅ min . Menggunakan kriteria ini di seluruh kelompok , 44,3 % orang jatuh di bawah ini dipotong titik dan dapat dianggap resisten insulin . Sama cutoff ( 5,6 mg / kgFFM 17,7 ⋅ min ) diamati ketika analisis ini dilakukan di seluruh kohort ( n = 267 ) ( data tidak ditampilkan ) . Ketika GDR telah disesuaikan untuk berat badan , BSA , atau FFM , cutoff nilai resistensi insulin adalah 4,9 mg / kg berat badan ⋅ min , 212 mg/m2 ⋅ min , dan 7,3 mg / kgFFM ⋅ menit , masing-masing ( Tabel 2 ) .

Lihat tabel ini :

• Dalam jendela ini

• Di jendela baru

tabel 2

GDR nilai pada 120 mU/m2 ⋅ menit untuk subyek dengan dan tanpa diabetes disesuaikan untuk ukuran metabolik , termasuk berat badan , BSA , FFM , dan FFM 17,7 kg

Sebagai subanalysis , kami juga mengumpulkan data dari 86 klem hyperinsulinemic - euglycemic dilakukan pada 80 mU/m2 ⋅ min . Serupa dengan dosis insulin 120 - mU , distribusi GDR adalah bimodal dengan rendah GDR pada subyek dengan diabetes ( n = 11 ) dibandingkan dengan subyek tanpa diabetes ( n = 75 ) . Data rata-rata dan cutoff poin untuk GDR diungkapkan oleh berat badan, BSA , FFM , atau FFM 17,7 , dan karakteristik subjek untuk kelompok ini diberikan dalam Tambahan Tabel 1 dan 2 . Pada subyek tanpa diabetes, GDRadj rata adalah 8,2 ± 3,0 mg / kgFFM 17,7 ⋅ menit dibandingkan dengan 3,3 ± 0,7 mg / kgFFM 17,7 ⋅ menit pada subyek dengan diabetes, dan cutoff untuk menentukan resistansi insulin 4,1 mg / kgFFM 17,7 ⋅ menit dengan sensitivitas maksimal dan spesifisitas 83 dan 96 % , masing-masing ( aROC = 0,98 ) . Ketika GDR telah disesuaikan untuk berat badan , BSA , atau FFM , cutoff nilai resistensi insulin adalah 4 mg / kgweight ⋅ min , 192 mg/m2 ⋅ menit dan 5 mg / kgFFM ⋅ menit , masing-masing ( Tambahan Tabel 2 ) . Model analisis pohon tidak dilakukan pada dosis insulin 80 - mU karena ukuran sampel yang relatif kecil dan proporsi seimbang dari subyek dengan dan tanpa diabetes .

Model pohon untuk memprediksi resistensi insulin menggunakan semua prediktor

Sebagaimana ditunjukkan dalam PENELITIAN DESAIN DAN METODE , model pohon keputusan dan aturan yang dikembangkan untuk memprediksi GDRadj didasarkan pada training set dipilih secara acak ( n = 125 ) diikuti dengan mengevaluasi kinerja model di set pengujian yang tersisa ( n = 42 ) .

Model 1 : semua prediktor .

Dalam model pohon berdasarkan semua prediktor ( Model 1 ) , prediktor berikut secara statistik signifikan : HOMA - IR , HDL , dan glukosa puasa mengakibatkan aROC dari 87 % . Gambar 1 menggambarkan model klasifikasi pohon dengan menggunakan prediktor tersebut . Jumlah individu resisten insulin dan jumlah insulin - sensitif individu ditunjukkan pada Gambar . 1 . Menggunakan cutoff sewenang-wenang 0,25 sebagai " skor risiko " memiliki resistensi insulin , node ≥ 25 % ( proporsi individu resisten insulin ) memprediksi resistensi insulin dan node < 25 % memprediksi sensitivitas insulin . Oleh karena itu, pada Gambar . 1 , aturan keputusan terkait untuk memprediksi individu sebagai resisten insulin baik memiliki berikut : 1) HOMA - IR > 5,9 atau 2 ) HOMA - IR = 2,8-5,9 dan HDL < 51 mg / dL . Gunakan pilihan lain untuk nilai cutoff prediktif ( misalnya , 50 % ) menghasilkan sensitivitas yang sama ( 89 % ) dan spesifisitas ( 67 % ) hasil ( data tidak ditampilkan ) .

Lihat versi yang lebih besar :

• Dalam halaman ini

• Di jendela baru

• Download sebagai Slide PowerPoint

Gambar 1

Model pohon untuk resistensi insulin ditentukan dengan menggunakan semua komposisi tubuh yang tersedia dan tindakan darah. HOMA - IR dan HDL adalah satu-satunya faktor penentu yang signifikan dalam model ini . Model ini dibangun di atas pelatihan kelompok yang dipilih secara acak dari 125 subyek dan diuji di 42 mata pelajaran . Sebuah skor risiko sewenang-wenang 0,25 dihitung . Oleh karena itu , jika simpul terminal memiliki proporsi > 25 % , mata pelajaran yang lebih cenderung menjadi resisten insulin ( garis putus-putus ) . Keputusan node untuk menjadi resisten insulin adalah sebagai berikut : 1 ) HOMA - IR > 5,9 dan 2 ) 2,8 < HOMA - IR < 5.9 dan HDL < 51 mg / dL .

Model 2 : antropometri , glukosa puasa , dan pengukuran insulin .

Model pohon berikutnya dilakukan hanya menggunakan komposisi tubuh , glukosa puasa , insulin , dan usia dan jenis kelamin sebagai variabel prediktor . Hanya puasa insulin dan glukosa adalah prediktor signifikan dalam membangun model pohon dengan aROC dari 86 % dalam subset pengujian (Gambar 2 ) . Mirip dengan model pohon di atas menggunakan semua prediktor , kami ditugaskan cutoff sewenang-wenang 0,25 sebagai " skor risiko " yang diklasifikasikan sebagai resisten insulin . Oleh karena itu, pada Gambar . 2 , aturan keputusan terkait untuk memprediksi individu untuk menjadi resisten insulin adalah konsentrasi insulin puasa > 10,6 μU / mL . Aturan keputusan ini memiliki sensitivitas sekitar 100 % dan spesifisitas 54 % .

Lihat versi yang lebih besar :

• Dalam halaman ini

• Di jendela baru

• Download sebagai Slide PowerPoint

Gambar 2

Model pohon untuk resistensi insulin hanya menggunakan glukosa puasa , insulin , usia, jenis kelamin , dan BMI . Hanya insulin puasa adalah penentu signifikan dalam model . Model ini dibangun di atas pelatihan kelompok yang dipilih secara acak dari 125 subyek dan diuji pada 42 subyek . Sebuah skor risiko sewenang-wenang 0,25 dihitung . Oleh karena itu , jika simpul terminal memiliki proporsi > 25 % , mata pelajaran yang lebih cenderung menjadi resisten insulin ( garis putus-putus ) . Keputusan simpul untuk menjadi resisten insulin memiliki insulin puasa > 10,6 μU / mL .

Model 3 : usia, jenis kelamin , dan BMI .

Model pohon terakhir kita diuji untuk memprediksi sensitivitas insulin dari klem hanya digunakan usia, jenis kelamin , dan BMI sebagai variabel prediktor . Sekali lagi didasarkan pada cutoff sewenang-wenang 0,25 % untuk mendeteksi resistensi insulin , satu-satunya variabel prediktor signifikan adalah BMI dengan aROC dari 61 % dan BMI > 24,7 kg/m2 memprediksi resistensi insulin . Seperti yang diharapkan , karena jumlah variabel prediktor menurun, aROC dan sensitivitas dan spesifisitas hasil memburuk.

Sama berbasis pohon model analisis juga dilakukan dalam lebih besar , lebih beragam etnis kohort dari 263 orang ( 167 orang kulit putih, 94 orang Amerika Afrika , satu Hispanik , dan satu lainnya ) . Seperti yang diharapkan , dengan lebih banyak mata pelajaran , aROCs tinggi , dan sensitivitas dan spesifisitas hasil diperoleh dalam kelompok yang lebih besar ( data tidak ditampilkan ) .

Bagian SectionNext Sebelumnya

KESIMPULAN

Teknik penjepit hyperinsulinemic - euglycemic adalah standar emas untuk menilai sensitivitas insulin pada manusia . Metode ini banyak digunakan dalam studi penelitian untuk menguji efek dari intervensi , seperti diet rendah kalori atau terapi farmakologis . Sayangnya, hanya sedikit data yang ada pada apa yang dianggap sebagai glukosa laju infus "normal " , yaitu , sensitivitas insulin normal. Selain itu , kemampuan untuk membandingkan hasil dari studi penjepit mendung oleh fakta bahwa hasil GDR dinyatakan sebagai fungsi berat badan , BSA , atau FFM . Tujuan dari penelitian ini adalah untuk memberikan nilai-nilai cutoff untuk mendefinisikan resistensi insulin dan sensitivitas insulin pada klem dilakukan pada insulin dosis 120 mU/m2 ⋅ menit dan untuk memberikan pohon keputusan untuk memprediksi resistensi insulin dari rutin diukur parameter klinis dan biokimia . Mirip dengan penelitian sebelumnya ( 4 ) , kami menemukan bahwa distribusi tingkat pembuangan glukosa seluruh tubuh adalah bimodal . Bimodality ini memungkinkan kita untuk menggunakan pendekatan statistik untuk menentukan cutoff untuk menentukan resistensi insulin atau sensitivitas insulin . Kami menemukan bahwa nilai GDR atau M dari 5,6 mg / kgFFM 17,7 ⋅ min dalam putih memberikan probabilitas hampir 80% memprediksi resistensi insulin . Dengan kata lain , individu dengan GDR < 5,6 mg / kgFFM 17,7 ⋅ min memiliki kesempatan 80 % menjadi resisten insulin . Cutoff yang sama ditemukan pada lebih besar , lebih beragam etnis kohort ( data tidak ditampilkan ) .

Dalam sampel yang lebih kecil dari klem dilakukan pada 80 mU/m2 ⋅ min , cutoff dari 5,3 mg / kgFFM 17,7 ⋅ min ( probabilitas prediksi 98 % ) ditentukan untuk mendefinisikan resistensi insulin . Artinya, subyek dengan GDR < 5,3 mg / kgFFM 17,7 ⋅ min memiliki probabilitas 98 % memiliki resistensi insulin . Untuk memperluas penerapan temuan ini para peneliti yang tidak mengukur komposisi tubuh , kami bertekad memangkas poin untuk resistensi insulin untuk GDR diungkapkan oleh berat badan, BSA , atau FFM . Data ini memungkinkan peneliti melakukan klem hyperinsulinemic - euglycemic pada 80 dan 120 mU/m2 ⋅ min insulin harga infus untuk mendapatkan informasi klinis yang berharga terhadap sensitivitas insulin subjek dan menerjemahkan temuan dari penelitian terutama untuk pengaturan pesan klinis yang relevan . Ringkasan hasil kami pada 80 dan 120 mU/m2 ⋅ menit dan hasil dari penelitian lain pada 40 mU/m2 ⋅ min (3,4 ) disediakan dalam Tambahan Tabel 3 .

Mengingat sifat menuntut , biaya, dan waktu yang terlibat dalam melakukan klem hyperinsulinemic - euglycemic , kami bertujuan untuk mengembangkan model untuk memprediksi resistensi insulin dengan penjepit dari rutin diukur antropometri , komposisi tubuh , dan penanda biokimia . Model klasifikasi pertama kami ( Model 1 ) meliputi semua variabel yang tersedia ( terdaftar inresearch DESAIN DAN METODE ) dan menemukan bahwa subyek dengan 1 ) HOMA - IR > 5,9 atau 2 ) HOMA - IR antara 2,8 dan 5,9 dan HDL < 51 mg / dL diprediksi resistensi insulin dengan spesifisitas dan sensitivitas yang baik . Temuan bahwa HOMA - IR adalah prediktor terkuat dari GDRadj tidak mengherankan mengingat korelasi kuat antara HOMA - IR dan sensitivitas insulin yang berasal dari

klem ditunjukkan sebelumnya ( 13 ) . Selain itu, temuan kami adalah sama dengan yang dari studi oleh Stern et al . ( 4 ) di mana mereka dihasilkan pohon klasifikasi dari klem dilakukan pada 40 mU/m2 ⋅ min . Stern et al . ( 4 ) ditemukan HOMA - IR , BMI , lingkar pinggang , dan LDL sebagai prediktor signifikan dari resistensi insulin , dengan sensitivitas yang sama dan hasil spesifisitas ( penelitian kami : aROC = 0,87; Stern et al : . AROC = 0,90 ) . Model 2 digunakan hanya antropometri , puasa glukosa , insulin , dan usia dan jenis kelamin . Mirip dengan Model 1 , kami menemukan bahwa hanya insulin puasa adalah prediktor signifikan dari GDRadj , dengan insulin puasa > 10,6 μU / mL mendefinisikan resistensi insulin . Model 3 digunakan hanya usia, jenis kelamin , dan BMI untuk memprediksi GDRadj . Model ini memberikan kekhususan miskin dan hasil sensitivitas yang menyoroti fakta yang terkenal bahwa resistensi insulin adalah gangguan heterogen yang tidak hanya tergantung pada berat badan , jenis kelamin , dan usia ( 14 ) . Ditambah dengan penelitian sebelumnya mendefinisikan resistensi insulin dari klem dilakukan pada 40 mU/m2 ⋅ min (3,4 ) , hasil kami pada 80 dan 120 mU/m2 ⋅ min dosis insulin berperan banyak literatur menentukan resistensi insulin dari klem ( Tambahan Tabel 3 ) .

Untuk menjelaskan massa metabolik yang menggunakan insulin selama prosedur penjepit , GDR berasal dari klem harus disesuaikan untuk ukuran metabolik . Mayoritas studi dalam sastra cenderung menggunakan total berat badan atau kilogram FFM dengan sejumlah kecil studi menggunakan BSA . Namun , berat total tubuh bukanlah metode tepat untuk benar-benar membandingkan individu , karena subyek obesitas memiliki proporsi yang lebih besar massa rendah metabolisme ( jaringan adiposa ) dan perempuan memiliki persentase lebih besar dari lemak daripada pria . BSA juga menimbulkan masalah seks perbedaan ( 2 ) . Dari studi tingkat metabolisme di Indian Pima , Lillioja dan Bogardus ( 2 ) menunjukkan bahwa tingkat metabolisme berbanding lurus dengan FFM 17,7 kg , menunjukkan bahwa ukuran ini dapat disamakan dengan ukuran metabolik . Atas dasar temuan ini , kami telah memilih metode ini normalisasi dalam analisis klasifikasi kita . Namun, kami juga menganggap bahwa tidak semua peneliti mungkin memiliki akses ke pengukuran komposisi tubuh ( DXA ) dan juga telah melaporkan ini celana resistensi insulin dinormalisasi dengan berat badan dan BSA . Akhirnya , perlu dicatat bahwa membagi GDR selama penjepit oleh RMR akan benar-benar mewakili cara terbaik untuk membandingkan nilai dari orang-orang dengan ukuran tubuh yang berbeda .

Keterbatasan studi ini dapat menjadi ukuran sampel kecil studi penjepit pada 120 mU/m2 ⋅ min , dan terutama di 80 mU/m2 ⋅ min . Namun, kami mampu mencapai sensitivitas statistik yang baik dan hasil spesifisitas ( > probabilitas prediksi 80 % ) dalam kelompok ini . Kami juga menunjukkan cutoff poin yang sama dalam lebih besar , populasi yang lebih beragam etnis . Keterbatasan potensi lain mungkin bahwa kita tidak menggunakan pelacak glukosa radiolabeled untuk mengukur produksi glukosa endogen . Namun, dosis infus insulin yang tinggi dilaporkan dalam studi ini umumnya menekan sebagian besar, jika tidak semua , output glukosa splanchnic dasar ( 15 ) . Kami juga mengakui bahwa ada tumpang tindih dalam sensitivitas insulin ( M ) antara subjek dengan dan tanpa diabetes ( 2 ) . Pendekatan alternatif telah membagi kelompok kami menjadi subyek dengan toleransi glukosa yang normal , gangguan toleransi glukosa , atau diabetes tipe 2 , namun, ini akan lebih berkurang ukuran sampel kami .

Sebagai kesimpulan , penelitian kami menyediakan data baru untuk mendefinisikan resistensi insulin dari klem hyperinsulinemic - euglycemic dilakukan pada dosis insulin dari 120 dan 80 mU/m2 ⋅ min . Selain itu , kami telah menyediakan pohon klasifikasi untuk memprediksi resistensi insulin dari

penanda biokimia rutin diukur . Bersama-sama , temuan kami memperluas penjepit hyperinsulinemic - euglycemic dari apa yang sebagian besar dianggap sebagai alat penelitian untuk memberikan pesan-pesan secara klinis bermakna bagi pasien , sehingga memberikan kemungkinan yang lebih besar deteksi dini resistensi insulin .