Материалы доступны только для специалистов сферы здравоохранения. Авторизуйтесь или зарегистрируйтесь.
Метод прогнозирования риска развития сахарного диабета 2-го типа у лиц с висцеральным ожирением и предиабетом
Метод прогнозирования риска развития сахарного диабета 2-го типа у лиц с висцеральным ожирением и предиабетом
Нелаева Ю.В., Нелаева А.А., Южакова А.Е., Петров И.М., Шоломов И.Ф. Метод прогнозирования риска развития сахарного диабета 2-го типа у лиц с висцеральным ожирением и предиабетом. Терапевтический архив. 2024;96(10):942–949. DOI: 10.26442/00403660.2024.10.202870
© ООО «КОНСИЛИУМ МЕДИКУМ», 2024 г.
© ООО «КОНСИЛИУМ МЕДИКУМ», 2024 г.
________________________________________________
Материалы доступны только для специалистов сферы здравоохранения. Авторизуйтесь или зарегистрируйтесь.
Аннотация
Цель. Создать математическую модель, позволяющую прогнозировать развитие сахарного диабета 2-го типа (СД 2) у лиц с висцеральным ожирением и/или предиабетом.
Материалы и методы. Проанализированы клинико-лабораторные данные 330 пациентов. Многофакторный регрессионный и косинор-анализ определили наиболее чувствительные параметры, влияющие на развитие СД 2. С помощью дискриминантного линейного анализа построена математическая модель прогнозирования СД 2 с подтверждением ее качества ROC-анализом.
Результаты. В исследуемых группах (СД 2) с предиабетом и без нарушений углеводного обмена (n=110) получены статистически значимые корреляции: между базальной температурой тела (БТТ) и суточной энергетической ценностью – СЭЦ (r=0,5; p<0,0001), амплитудой суточного ритма гликемии и окружностью талии (r=-0,7; р=0,004), возрастом и БТТ (r=0,5; p<0,001). В группах без нарушений углеводного обмена и предиабета множественный регрессионный анализ определил следующие значимые факторы, влияющие на развитие СД 2: суточная амплитуда БТТ, суточная амплитуда гликемии и время отхода ко сну (р=0,001), СЭЦ и время приема пищи (р=0,0001). Косинор-анализ суточной модели гликемии и БТТ установил амплитудно-фазовое смещение (p=0,028; p=0,012). Линейный дискриминантный анализ вывел прогностическую модель: D=-16,845 + возраст × 0,044 + пол × 0,026 + амплитуда суточного ритма БТТ × 1,424 + амплитуда суточного ритма × 11,155 + время отхода ко сну × 0,054 + СЭЦ × 0,0001 + окружность талии × 0,022 + гликированный гемоглобин × 1,19, где -16,845 – константа, 0,044, 0,026, 1,424, 11,155, 0,054, 0,0001, 0,022, 1,19 – коэффициенты линейной дискриминантной функции. При D<0 прогнозируется отсутствие развития СД 2, при D>0 – развитие СД 2 в ближайшее время. Коэффициент чувствительности – 92,5%, специфичности – 79,1% (ROC-анализ).
Заключение. Представленная прогностическая модель имеет высокую (92,5%) чувствительность за счет комбинации двух математических анализов. Большая часть примененных параметров относится к модифицируемым, что дает возможность использовать данную модель на профилактическом этапе.
Ключевые слова: сахарный диабет 2-го типа, предиабет, висцеральное ожирение, математическое моделирование, косинор-анализ, дискриминантный анализ
Materials and methods. Clinical and laboratory data of 330 patients were analyzed. Multivariate regression and cosinor analysis determined the most sensitive parameters influencing the development of DM 2. With the help of discriminant linear analysis, a mathematical model for predicting DM 2 was built, with confirmation of its quality by ROC analysis.
Results. In the studied groups (DM 2), prediabetes and without carbohydrate metabolism disorders (n=110), statistically significant correlations were obtained: between basal body temperature (BBT) and daily energy value – DEV (r=0.5; p<0.0001), circadian rhythm amplitude glycemia and waist circumference (r=-0.7; p=0.004), age and BBT (r=0.5; p<0.001). In groups without carbohydrate metabolism disorders and prediabetes, multiple regression analysis identified significant factors influencing the development of DM 2: daily amplitude of BBT, daily amplitude of glycemia and bedtime (p=0.001), DEV and meal time (p=0.0001). Cosinor analysis of the daily model of glycemia and BBT established an amplitude-phase shift (p=0.028; p=0.012). Linear discriminant analysis yielded a predictive model: D=-16.845 + age х 0.044 + gender х 0.026 + amplitude of circadian rhythm of BBT х 1.424 + amplitude of circadian rhythm of glycemia х 11.155 + bedtime х 0.054 + DEV х 0.0001 + waist circumference х 0.022 + glycated hemoglobin х 1.19, where -16.845 – constant, 0.044, 0.026, 1.424, 11.155, 0.054, 0.0001, 0.022, 1.19 – coefficients of the linear discriminant function. At D<0 no development of DM 2 is predicted, at D>0 the development of DM 2 is in the near future. Sensitivity ratio – 92.5%, specificity – 79.1% (ROC analysis).
Conclusion. The presented predictive model has a high (92.5%) sensitivity due to the combination of 2 mathematical analyses. Most of the applied parameters are modifiable, which makes it possible to apply this model at the preventive stage.
Keywords: type 2 diabetes mellitus, prediabetes, visceral obesity, mathematical modeling, cosinor analysis, discriminant analysis
Материалы и методы. Проанализированы клинико-лабораторные данные 330 пациентов. Многофакторный регрессионный и косинор-анализ определили наиболее чувствительные параметры, влияющие на развитие СД 2. С помощью дискриминантного линейного анализа построена математическая модель прогнозирования СД 2 с подтверждением ее качества ROC-анализом.
Результаты. В исследуемых группах (СД 2) с предиабетом и без нарушений углеводного обмена (n=110) получены статистически значимые корреляции: между базальной температурой тела (БТТ) и суточной энергетической ценностью – СЭЦ (r=0,5; p<0,0001), амплитудой суточного ритма гликемии и окружностью талии (r=-0,7; р=0,004), возрастом и БТТ (r=0,5; p<0,001). В группах без нарушений углеводного обмена и предиабета множественный регрессионный анализ определил следующие значимые факторы, влияющие на развитие СД 2: суточная амплитуда БТТ, суточная амплитуда гликемии и время отхода ко сну (р=0,001), СЭЦ и время приема пищи (р=0,0001). Косинор-анализ суточной модели гликемии и БТТ установил амплитудно-фазовое смещение (p=0,028; p=0,012). Линейный дискриминантный анализ вывел прогностическую модель: D=-16,845 + возраст × 0,044 + пол × 0,026 + амплитуда суточного ритма БТТ × 1,424 + амплитуда суточного ритма × 11,155 + время отхода ко сну × 0,054 + СЭЦ × 0,0001 + окружность талии × 0,022 + гликированный гемоглобин × 1,19, где -16,845 – константа, 0,044, 0,026, 1,424, 11,155, 0,054, 0,0001, 0,022, 1,19 – коэффициенты линейной дискриминантной функции. При D<0 прогнозируется отсутствие развития СД 2, при D>0 – развитие СД 2 в ближайшее время. Коэффициент чувствительности – 92,5%, специфичности – 79,1% (ROC-анализ).
Заключение. Представленная прогностическая модель имеет высокую (92,5%) чувствительность за счет комбинации двух математических анализов. Большая часть примененных параметров относится к модифицируемым, что дает возможность использовать данную модель на профилактическом этапе.
Ключевые слова: сахарный диабет 2-го типа, предиабет, висцеральное ожирение, математическое моделирование, косинор-анализ, дискриминантный анализ
________________________________________________
Materials and methods. Clinical and laboratory data of 330 patients were analyzed. Multivariate regression and cosinor analysis determined the most sensitive parameters influencing the development of DM 2. With the help of discriminant linear analysis, a mathematical model for predicting DM 2 was built, with confirmation of its quality by ROC analysis.
Results. In the studied groups (DM 2), prediabetes and without carbohydrate metabolism disorders (n=110), statistically significant correlations were obtained: between basal body temperature (BBT) and daily energy value – DEV (r=0.5; p<0.0001), circadian rhythm amplitude glycemia and waist circumference (r=-0.7; p=0.004), age and BBT (r=0.5; p<0.001). In groups without carbohydrate metabolism disorders and prediabetes, multiple regression analysis identified significant factors influencing the development of DM 2: daily amplitude of BBT, daily amplitude of glycemia and bedtime (p=0.001), DEV and meal time (p=0.0001). Cosinor analysis of the daily model of glycemia and BBT established an amplitude-phase shift (p=0.028; p=0.012). Linear discriminant analysis yielded a predictive model: D=-16.845 + age х 0.044 + gender х 0.026 + amplitude of circadian rhythm of BBT х 1.424 + amplitude of circadian rhythm of glycemia х 11.155 + bedtime х 0.054 + DEV х 0.0001 + waist circumference х 0.022 + glycated hemoglobin х 1.19, where -16.845 – constant, 0.044, 0.026, 1.424, 11.155, 0.054, 0.0001, 0.022, 1.19 – coefficients of the linear discriminant function. At D<0 no development of DM 2 is predicted, at D>0 the development of DM 2 is in the near future. Sensitivity ratio – 92.5%, specificity – 79.1% (ROC analysis).
Conclusion. The presented predictive model has a high (92.5%) sensitivity due to the combination of 2 mathematical analyses. Most of the applied parameters are modifiable, which makes it possible to apply this model at the preventive stage.
Keywords: type 2 diabetes mellitus, prediabetes, visceral obesity, mathematical modeling, cosinor analysis, discriminant analysis
Полный текст
Список литературы
1. Карпельев В.А., Филиппов Ю.И., Тарасов Ю.В., и др. Математическое моделирование системы регуляции гликемии у пациентов с сахарным диабетом. Вестник РАМН. 2015;70(5):549-60 [Karpel’ev VA, Filippov YuI, Tarasov YuV, et al. Mathematical Modeling of the Blood Glucose Regulation System in Diabetes Mellitus Patients. Annals of the Russian Academy of Medical Sciences. 2015;70(5):549-60 (in Russian)]. DOI:10.15690/vramn.v70.i5.1441
2. Южакова А.Е., Нелаева А.А., Нелаева Ю.В., Губин Д.Г. Использование амплитудно-фазовых параметров циркадианных ритмов в качестве диагностических маркеров нарушений углеводного обмена. Ожирение и метаболизм. 2022;19(1):83-91 [Yuzhakova AE, Nelaeva AA, Nelaeva YuV, Gubin DG. Using amplitude-phase parameters of circadian rhythms as diagnostic markers of carbohydrate metabolism disorders. Obesity and Metabolism. 2022;19(1):83-91 (in Russian)]. DOI:10.14341/omet12781
3. Южакова А.Е., Нелаева А.А., Хасанова Ю.В., Медведева И.В. Факторы риска нарушений углеводного обмена с позиций хронобиологии. Вопросы питания. 2020;89(6):23-30 [Yuzhakova AE, Nelaeva AA, Khasanova YuV, Medvedeva IV. Risk factors for carbohydrate metabolism disorders from a chronobiological position. Problems of Nutrition.
2020;89(6):23-30 (in Russian)]. DOI:10.24411/0042-8833-2020-10075
4. Refinetti R, Lissen GC, Halberg F. Procedures for numerical analysis of circadian rhythms. Biol Rhythm Res. 2007;38(4):275-325. DOI:10.1080/09291010600903692
5. Halberg F. Chronobiology. Annu Rev Physiol. 1969;31:675-725. DOI:10.1146/annurev.ph.31.030169.003331
6. Биоритмы и их нарушения. Режим доступа: https://docplayer.com/70611745-Bioritmy-i-ih-narusheniya.html. Ссылка активна на 12.01.2023 [Bioritmy i ikh narusheniia. Available at: https://docplayer.com/70611745-Bioritmy-i-ih-narusheniya.html. Accessed: 12.01.2023 (in Russian)].
7. Cornelissen G. Cosinor-based rhythmometry. Theor Biol Med Model. 2014;11:16. DOI:10.1186/1742-4682-11-16
8. Bingham C, Arbogast B, Guillaume GC, et al. Inferential statistical methods for estimating and comparing cosinor parameters. Chronobiologia. 1982;9(4):397-439.
9. Bastardot F, Marques-Vidal P, Vollenweider P. Association of body temperature with obesity. The CoLaus study. Int J Obes (Lond). 2019;43(5):1026-33.
DOI:10.1038/s41366-018-0218-7
10. Bandín C, Martinez-Nicolas A, Ordovás JM, et al. Circadian rhythmicity as a predictor of weight-loss effectiveness. Int J Obes (Lond). 2014;38(8):1083-8. DOI:10.1038/ijo.2013.211
11. Губин Д.Г., Петров И.М., Хасанова Ю.В., и др. Взаимосвязь индекса массы тела с задержкой фазы сна и низкой дневной температурой кожи при отсутствии различий суточной динамики физической активности. Хрономедицинский журнал (Тюменский медицинский журнал). 2020;22(1):35-41 [Gubin DG, Petrov IM, Khasanova YuV, et al. Body mass index associates with sleep phase delay and low daytime skin temperature despite similar 24-hour patterns of physical activity in adults. J Chronomed. (Tyumen Medical Journal). 2020;22(1):35-41 (in Russian)]. DOI:10.36361/2307-4698-2020-22-1-35-41
12. Мисникова И.В., Ковалева Ю.А. Сон и нарушения метаболизма. РМЖ. 2017;22:1641-5 [Misnikova IV, Kovaleva YuA. Sleep and metabolic disorders. RMJ. 2017;22:1641-5 (in Russian)].
13. Губин Д.Г. Хронодиагностика и хронотерапия – основа персонализированной медицины. Тюменский медицинский журнал. 2019;21(1):20-40 [Gubin DG. Chronodiagnostics and chronotherapy – frontiers for personalized clinical medicine. Tyumen Medical Journal. 2019;21(1):20-40 (in Russian)]. DOI:10.36361/2307-4698-2019-21-1-20-40
14. Elhayany A, Lustman A, Abel R, et al. A low carbohydrate Mediterranean diet improves cardiovascular risk factors and diabetes control among overweight patients with type 2 diabetes mellitus: a 1-year prospective randomized intervention study. Diabetes Obes Metab. 2010;12(3):204-9. DOI:10.1111/j.1463-1326.2009.01151.x
15. Карпельев В.А., Филиппов Ю.И., Тарасов Ю.В., и др. Математическое моделирование системы регуляции гликемии у пациентов с сахарным диабетом. Вестник РАМН. 2015;70(5):549-60 [Karpel`ev VA, Filippov YuI, Tarasov YuV, et al. Mathematical Modeling of the Blood Glucose Regulation System in Diabetes Mellitus Patients. Vestn Ross Akad Med Nauk. 2015;70(5):549-60 (in Russian)]. DOI:10.15690/vramn.v70.i5.1441
16. Тихонова Т.М. Математическая модель определения группы риска развития медленно прогрессирующего аутоиммунного диабета взрослых. Сахарный диабет. 2014;17(1):15-20 [Tikhonova TM. A Mathematical model for stratification of LADA risk groups. Diabetes Mellitus. 2014;17(1):15-20 (in Russian)]. DOI:10.14341/DM2014115-20
17. Мустафина С.В., Рымар О.Д., Щербакова Л.В., Воевода М.И. Способ прогнозирования риска развития сахарного диабета 2-го типа. Изобретение ЕА201501035. Режим доступа: https://patentscope.wipo.int/search/ru/detail.jsf;jsessionid=26FBA4BCAAD4FBB1269C4E231E7A48C8.wapp1n.... Ссылка активна на 12.01.2023 [Mustafina SV, Rymar OD, Shcherbakova LV, Voevoda MI. Sposob prognozirovaniia riska razvitiia sakharnogo diabeta 2-go tipa. Izobretenie EA201501035. Available at: https://patentscope.wipo.int/search/ru/detail.jsf;jsessionid=26FBA4BCAAD4FBB1269C4E231E7A48C8.wapp1n.... Accessed: 12.01.2023 (in Russian)].
18. Валеева Ф.В., Киселева Т.А., Медведева М.С., и др. Взаимосвязь полиморфизма rs7903146 tcf7l2 c функцией бета-клеток поджелудочной железы среди женщин с избыточной массой тела и ожирением. Сборник тезисов по материалам конференции по лечению и диагностике сахарного диабета «Фундаментальная и клиническая диабетология в 21 веке: от теории к практике». М. 2022 [Valeeva FV, Kiseleva TA, Medvedeva MS, et al. Vzaimosviaz' polimorfizma rs7903146 tcf7l2 c funktsiei beta-kletok podzheludochnoi zhelezy sredi zhenshchin s izbytochnoi massoi tela i ozhireniem. Sbornik tezisov po materialam konferentsii po lecheniiu i diagnostike sakharnogo diabeta “Fundamental'naia i klinicheskaia diabetologiia v 21 veke: ot teorii k praktike”. Moscow. 2022 (in Russian)].
19. Юнкеров В.И., Григорьев С.Г., Резванцев М.В. Математико-статистическая обработка данных медицинских исследований. СПб.: Военно-мед. акад., 2011 [Iunkerov VI, Grigor'ev SG, Rezvantsev MV. Matematiko-statisticheskaia obrabotka dannykh meditsinskikh issledovanii. Saint Petersburg: Voenno-med. akad., 2011 (in Russian)].
2. Yuzhakova AE, Nelaeva AA, Nelaeva YuV, Gubin DG. Using amplitude-phase parameters of circadian rhythms as diagnostic markers of carbohydrate metabolism disorders. Obesity and Metabolism. 2022;19(1):83-91 (in Russian). DOI:10.14341/omet12781
3. Yuzhakova AE, Nelaeva AA, Khasanova YuV, Medvedeva IV. Risk factors for carbohydrate metabolism disorders from a chronobiological position. Problems of Nutrition.
2020;89(6):23-30 (in Russian). DOI:10.24411/0042-8833-2020-10075
4. Refinetti R, Lissen GC, Halberg F. Procedures for numerical analysis of circadian rhythms. Biol Rhythm Res. 2007;38(4):275-325. DOI:10.1080/09291010600903692
5. Halberg F. Chronobiology. Annu Rev Physiol. 1969;31:675-725. DOI:10.1146/annurev.ph.31.030169.003331
6. Bioritmy i ikh narusheniia. Available at: https://docplayer.com/70611745-Bioritmy-i-ih-narusheniya.html. Accessed: 12.01.2023 (in Russian).
7. Cornelissen G. Cosinor-based rhythmometry. Theor Biol Med Model. 2014;11:16. DOI:10.1186/1742-4682-11-16
8. Bingham C, Arbogast B, Guillaume GC, et al. Inferential statistical methods for estimating and comparing cosinor parameters. Chronobiologia. 1982;9(4):397-439.
9. Bastardot F, Marques-Vidal P, Vollenweider P. Association of body temperature with obesity. The CoLaus study. Int J Obes (Lond). 2019;43(5):1026-33.
DOI:10.1038/s41366-018-0218-7
10. Bandín C, Martinez-Nicolas A, Ordovás JM, et al. Circadian rhythmicity as a predictor of weight-loss effectiveness. Int J Obes (Lond). 2014;38(8):1083-8. DOI:10.1038/ijo.2013.211
11. Gubin DG, Petrov IM, Khasanova YuV, et al. Body mass index associates with sleep phase delay and low daytime skin temperature despite similar 24-hour patterns of physical activity in adults. J Chronomed. (Tyumen Medical Journal). 2020;22(1):35-41 (in Russian). DOI:10.36361/2307-4698-2020-22-1-35-41
12. Misnikova IV, Kovaleva YuA. Sleep and metabolic disorders. RMJ. 2017;22:1641-5 (in Russian).
13. Gubin DG. Chronodiagnostics and chronotherapy – frontiers for personalized clinical medicine. Tyumen Medical Journal. 2019;21(1):20-40 (in Russian).
DOI:10.36361/2307-4698-2019-21-1-20-40
14. Elhayany A, Lustman A, Abel R, et al. A low carbohydrate Mediterranean diet improves cardiovascular risk factors and diabetes control among overweight patients with type 2 diabetes mellitus: a 1-year prospective randomized intervention study. Diabetes Obes Metab. 2010;12(3):204-9. DOI:10.1111/j.1463-1326.2009.01151.x
15. Karpel`ev VA, Filippov YuI, Tarasov YuV, et al. Mathematical Modeling of the Blood Glucose Regulation System in Diabetes Mellitus Patients. Vestn Ross Akad Med Nauk. 2015;70(5):549-60 (in Russian). DOI:10.15690/vramn.v70.i5.1441
16. Tikhonova TM. A Mathematical model for stratification of LADA risk groups. Diabetes Mellitus. 2014;17(1):15-20 (in Russian). DOI:10.14341/DM2014115-20
17. Mustafina SV, Rymar OD, Shcherbakova LV, Voevoda MI. Sposob prognozirovaniia riska razvitiia sakharnogo diabeta 2-go tipa. Izobretenie EA201501035. Available at: https://patentscope.wipo.int/search/ru/detail.jsf;jsessionid=26FBA4BCAAD4FBB1269C4E231E7A48C8.wapp1n.... Accessed: 12.01.2023 (in Russian).
18. Valeeva FV, Kiseleva TA, Medvedeva MS, et al. Vzaimosviaz' polimorfizma rs7903146 tcf7l2 c funktsiei beta-kletok podzheludochnoi zhelezy sredi zhenshchin s izbytochnoi massoi tela i ozhireniem. Sbornik tezisov po materialam konferentsii po lecheniiu i diagnostike sakharnogo diabeta “Fundamental'naia i klinicheskaia diabetologiia v 21 veke: ot teorii k praktike”. Moscow. 2022 (in Russian).
19. Iunkerov VI, Grigor'ev SG, Rezvantsev MV. Matematiko-statisticheskaia obrabotka dannykh meditsinskikh issledovanii. Saint Petersburg: Voenno-med. akad., 2011 (in Russian).
2. Южакова А.Е., Нелаева А.А., Нелаева Ю.В., Губин Д.Г. Использование амплитудно-фазовых параметров циркадианных ритмов в качестве диагностических маркеров нарушений углеводного обмена. Ожирение и метаболизм. 2022;19(1):83-91 [Yuzhakova AE, Nelaeva AA, Nelaeva YuV, Gubin DG. Using amplitude-phase parameters of circadian rhythms as diagnostic markers of carbohydrate metabolism disorders. Obesity and Metabolism. 2022;19(1):83-91 (in Russian)]. DOI:10.14341/omet12781
3. Южакова А.Е., Нелаева А.А., Хасанова Ю.В., Медведева И.В. Факторы риска нарушений углеводного обмена с позиций хронобиологии. Вопросы питания. 2020;89(6):23-30 [Yuzhakova AE, Nelaeva AA, Khasanova YuV, Medvedeva IV. Risk factors for carbohydrate metabolism disorders from a chronobiological position. Problems of Nutrition.
2020;89(6):23-30 (in Russian)]. DOI:10.24411/0042-8833-2020-10075
4. Refinetti R, Lissen GC, Halberg F. Procedures for numerical analysis of circadian rhythms. Biol Rhythm Res. 2007;38(4):275-325. DOI:10.1080/09291010600903692
5. Halberg F. Chronobiology. Annu Rev Physiol. 1969;31:675-725. DOI:10.1146/annurev.ph.31.030169.003331
6. Биоритмы и их нарушения. Режим доступа: https://docplayer.com/70611745-Bioritmy-i-ih-narusheniya.html. Ссылка активна на 12.01.2023 [Bioritmy i ikh narusheniia. Available at: https://docplayer.com/70611745-Bioritmy-i-ih-narusheniya.html. Accessed: 12.01.2023 (in Russian)].
7. Cornelissen G. Cosinor-based rhythmometry. Theor Biol Med Model. 2014;11:16. DOI:10.1186/1742-4682-11-16
8. Bingham C, Arbogast B, Guillaume GC, et al. Inferential statistical methods for estimating and comparing cosinor parameters. Chronobiologia. 1982;9(4):397-439.
9. Bastardot F, Marques-Vidal P, Vollenweider P. Association of body temperature with obesity. The CoLaus study. Int J Obes (Lond). 2019;43(5):1026-33.
DOI:10.1038/s41366-018-0218-7
10. Bandín C, Martinez-Nicolas A, Ordovás JM, et al. Circadian rhythmicity as a predictor of weight-loss effectiveness. Int J Obes (Lond). 2014;38(8):1083-8. DOI:10.1038/ijo.2013.211
11. Губин Д.Г., Петров И.М., Хасанова Ю.В., и др. Взаимосвязь индекса массы тела с задержкой фазы сна и низкой дневной температурой кожи при отсутствии различий суточной динамики физической активности. Хрономедицинский журнал (Тюменский медицинский журнал). 2020;22(1):35-41 [Gubin DG, Petrov IM, Khasanova YuV, et al. Body mass index associates with sleep phase delay and low daytime skin temperature despite similar 24-hour patterns of physical activity in adults. J Chronomed. (Tyumen Medical Journal). 2020;22(1):35-41 (in Russian)]. DOI:10.36361/2307-4698-2020-22-1-35-41
12. Мисникова И.В., Ковалева Ю.А. Сон и нарушения метаболизма. РМЖ. 2017;22:1641-5 [Misnikova IV, Kovaleva YuA. Sleep and metabolic disorders. RMJ. 2017;22:1641-5 (in Russian)].
13. Губин Д.Г. Хронодиагностика и хронотерапия – основа персонализированной медицины. Тюменский медицинский журнал. 2019;21(1):20-40 [Gubin DG. Chronodiagnostics and chronotherapy – frontiers for personalized clinical medicine. Tyumen Medical Journal. 2019;21(1):20-40 (in Russian)]. DOI:10.36361/2307-4698-2019-21-1-20-40
14. Elhayany A, Lustman A, Abel R, et al. A low carbohydrate Mediterranean diet improves cardiovascular risk factors and diabetes control among overweight patients with type 2 diabetes mellitus: a 1-year prospective randomized intervention study. Diabetes Obes Metab. 2010;12(3):204-9. DOI:10.1111/j.1463-1326.2009.01151.x
15. Карпельев В.А., Филиппов Ю.И., Тарасов Ю.В., и др. Математическое моделирование системы регуляции гликемии у пациентов с сахарным диабетом. Вестник РАМН. 2015;70(5):549-60 [Karpel`ev VA, Filippov YuI, Tarasov YuV, et al. Mathematical Modeling of the Blood Glucose Regulation System in Diabetes Mellitus Patients. Vestn Ross Akad Med Nauk. 2015;70(5):549-60 (in Russian)]. DOI:10.15690/vramn.v70.i5.1441
16. Тихонова Т.М. Математическая модель определения группы риска развития медленно прогрессирующего аутоиммунного диабета взрослых. Сахарный диабет. 2014;17(1):15-20 [Tikhonova TM. A Mathematical model for stratification of LADA risk groups. Diabetes Mellitus. 2014;17(1):15-20 (in Russian)]. DOI:10.14341/DM2014115-20
17. Мустафина С.В., Рымар О.Д., Щербакова Л.В., Воевода М.И. Способ прогнозирования риска развития сахарного диабета 2-го типа. Изобретение ЕА201501035. Режим доступа: https://patentscope.wipo.int/search/ru/detail.jsf;jsessionid=26FBA4BCAAD4FBB1269C4E231E7A48C8.wapp1n.... Ссылка активна на 12.01.2023 [Mustafina SV, Rymar OD, Shcherbakova LV, Voevoda MI. Sposob prognozirovaniia riska razvitiia sakharnogo diabeta 2-go tipa. Izobretenie EA201501035. Available at: https://patentscope.wipo.int/search/ru/detail.jsf;jsessionid=26FBA4BCAAD4FBB1269C4E231E7A48C8.wapp1n.... Accessed: 12.01.2023 (in Russian)].
18. Валеева Ф.В., Киселева Т.А., Медведева М.С., и др. Взаимосвязь полиморфизма rs7903146 tcf7l2 c функцией бета-клеток поджелудочной железы среди женщин с избыточной массой тела и ожирением. Сборник тезисов по материалам конференции по лечению и диагностике сахарного диабета «Фундаментальная и клиническая диабетология в 21 веке: от теории к практике». М. 2022 [Valeeva FV, Kiseleva TA, Medvedeva MS, et al. Vzaimosviaz' polimorfizma rs7903146 tcf7l2 c funktsiei beta-kletok podzheludochnoi zhelezy sredi zhenshchin s izbytochnoi massoi tela i ozhireniem. Sbornik tezisov po materialam konferentsii po lecheniiu i diagnostike sakharnogo diabeta “Fundamental'naia i klinicheskaia diabetologiia v 21 veke: ot teorii k praktike”. Moscow. 2022 (in Russian)].
19. Юнкеров В.И., Григорьев С.Г., Резванцев М.В. Математико-статистическая обработка данных медицинских исследований. СПб.: Военно-мед. акад., 2011 [Iunkerov VI, Grigor'ev SG, Rezvantsev MV. Matematiko-statisticheskaia obrabotka dannykh meditsinskikh issledovanii. Saint Petersburg: Voenno-med. akad., 2011 (in Russian)].
________________________________________________
2. Yuzhakova AE, Nelaeva AA, Nelaeva YuV, Gubin DG. Using amplitude-phase parameters of circadian rhythms as diagnostic markers of carbohydrate metabolism disorders. Obesity and Metabolism. 2022;19(1):83-91 (in Russian). DOI:10.14341/omet12781
3. Yuzhakova AE, Nelaeva AA, Khasanova YuV, Medvedeva IV. Risk factors for carbohydrate metabolism disorders from a chronobiological position. Problems of Nutrition.
2020;89(6):23-30 (in Russian). DOI:10.24411/0042-8833-2020-10075
4. Refinetti R, Lissen GC, Halberg F. Procedures for numerical analysis of circadian rhythms. Biol Rhythm Res. 2007;38(4):275-325. DOI:10.1080/09291010600903692
5. Halberg F. Chronobiology. Annu Rev Physiol. 1969;31:675-725. DOI:10.1146/annurev.ph.31.030169.003331
6. Bioritmy i ikh narusheniia. Available at: https://docplayer.com/70611745-Bioritmy-i-ih-narusheniya.html. Accessed: 12.01.2023 (in Russian).
7. Cornelissen G. Cosinor-based rhythmometry. Theor Biol Med Model. 2014;11:16. DOI:10.1186/1742-4682-11-16
8. Bingham C, Arbogast B, Guillaume GC, et al. Inferential statistical methods for estimating and comparing cosinor parameters. Chronobiologia. 1982;9(4):397-439.
9. Bastardot F, Marques-Vidal P, Vollenweider P. Association of body temperature with obesity. The CoLaus study. Int J Obes (Lond). 2019;43(5):1026-33.
DOI:10.1038/s41366-018-0218-7
10. Bandín C, Martinez-Nicolas A, Ordovás JM, et al. Circadian rhythmicity as a predictor of weight-loss effectiveness. Int J Obes (Lond). 2014;38(8):1083-8. DOI:10.1038/ijo.2013.211
11. Gubin DG, Petrov IM, Khasanova YuV, et al. Body mass index associates with sleep phase delay and low daytime skin temperature despite similar 24-hour patterns of physical activity in adults. J Chronomed. (Tyumen Medical Journal). 2020;22(1):35-41 (in Russian). DOI:10.36361/2307-4698-2020-22-1-35-41
12. Misnikova IV, Kovaleva YuA. Sleep and metabolic disorders. RMJ. 2017;22:1641-5 (in Russian).
13. Gubin DG. Chronodiagnostics and chronotherapy – frontiers for personalized clinical medicine. Tyumen Medical Journal. 2019;21(1):20-40 (in Russian).
DOI:10.36361/2307-4698-2019-21-1-20-40
14. Elhayany A, Lustman A, Abel R, et al. A low carbohydrate Mediterranean diet improves cardiovascular risk factors and diabetes control among overweight patients with type 2 diabetes mellitus: a 1-year prospective randomized intervention study. Diabetes Obes Metab. 2010;12(3):204-9. DOI:10.1111/j.1463-1326.2009.01151.x
15. Karpel`ev VA, Filippov YuI, Tarasov YuV, et al. Mathematical Modeling of the Blood Glucose Regulation System in Diabetes Mellitus Patients. Vestn Ross Akad Med Nauk. 2015;70(5):549-60 (in Russian). DOI:10.15690/vramn.v70.i5.1441
16. Tikhonova TM. A Mathematical model for stratification of LADA risk groups. Diabetes Mellitus. 2014;17(1):15-20 (in Russian). DOI:10.14341/DM2014115-20
17. Mustafina SV, Rymar OD, Shcherbakova LV, Voevoda MI. Sposob prognozirovaniia riska razvitiia sakharnogo diabeta 2-go tipa. Izobretenie EA201501035. Available at: https://patentscope.wipo.int/search/ru/detail.jsf;jsessionid=26FBA4BCAAD4FBB1269C4E231E7A48C8.wapp1n.... Accessed: 12.01.2023 (in Russian).
18. Valeeva FV, Kiseleva TA, Medvedeva MS, et al. Vzaimosviaz' polimorfizma rs7903146 tcf7l2 c funktsiei beta-kletok podzheludochnoi zhelezy sredi zhenshchin s izbytochnoi massoi tela i ozhireniem. Sbornik tezisov po materialam konferentsii po lecheniiu i diagnostike sakharnogo diabeta “Fundamental'naia i klinicheskaia diabetologiia v 21 veke: ot teorii k praktike”. Moscow. 2022 (in Russian).
19. Iunkerov VI, Grigor'ev SG, Rezvantsev MV. Matematiko-statisticheskaia obrabotka dannykh meditsinskikh issledovanii. Saint Petersburg: Voenno-med. akad., 2011 (in Russian).
Авторы
Ю.В. Нелаева1, А.А. Нелаева1, А.Е. Южакова*2, И.М. Петров1, И.Ф. Шоломов1
1ФГБОУ ВО «Тюменский государственный медицинский университет» Минздрава России, Тюмень, Россия;
2ГАУЗ ТО «Многопрофильный консультативно-диагностический центр», Тюмень, Россия
*agamzina@yandex.ru
1Tyumen State Medical University, Tyumen, Russia;
2Multiprofile Consultative and Diagnostic Center, Tyumen, Russia
*agamzina@yandex.ru
1ФГБОУ ВО «Тюменский государственный медицинский университет» Минздрава России, Тюмень, Россия;
2ГАУЗ ТО «Многопрофильный консультативно-диагностический центр», Тюмень, Россия
*agamzina@yandex.ru
________________________________________________
1Tyumen State Medical University, Tyumen, Russia;
2Multiprofile Consultative and Diagnostic Center, Tyumen, Russia
*agamzina@yandex.ru
Цель портала OmniDoctor – предоставление профессиональной информации врачам, провизорам и фармацевтам.