Optimization of the assessment of body composition measured by means of imaging techniques: computed tomography and muscle ultrasound

Abstract

Actualment, la valoració de la composició corporal (CC) és obligatòria per a una correcta avaluació nutricional i per a l'optimització de tractaments específics. Hi ha moltes tècniques que es poden emprar per valorar la CC, encara que poques es poden considerar tècniques precises que aportin informació quantitativa i qualitativa. L'anàlisi de la CC mitjançant tomografia computaritzada (TC) és una tècnica de referència, amb gran precisió i informació de gran valor sobre la qualitat i densitat tissular. Per a la segmentació de la CC és necessari fer servir una eina de marcatge. El nostre grup ha treballat en el desenvolupament d'una eina semiautomàtica entrenada amb intel·ligència artificial per a la segmentació més senzilla i precisa dels diferents teixits. En aquesta tesi es demostra per primera vegada la validesa d’aquesta tècnica per a l’estudi de la CC en pacients amb obesitat severa. A més, es desenvolupen noves equacions, amb resultats superiors a les anteriors i amb més aplicabilitat (incloent-hi qualsevol índex de massa corporal) per al càlcul de la composició corporal, que demostren la influència de la densitat tissular en aquests models. D'altra banda, l'ecografia muscular (US) és una tècnica senzilla i accessible, que es presenta com una bona alternativa a la TC quan aquesta última no està disponible. Tot i això, una limitació de la US és el fet que les mesures són dependents de l'observador. Per tant, l’aplicació d’una eina de software automàtica o semiautomàtica pot ajudar a millorar la tècnica. En aquesta tesi confirmem aquestes dades desenvolupant una eina semiautomàtica per analitzar la US muscular. Finalment, atesa la important associació de la massa muscular amb els equeriments energètics, i que la TC és una tècnica que ha demostrat ser una tècnica de referència per la CC, proposem per primera vegada la possibilitat de desenvolupar un model d'IA que estimi la despesa energètica en repòs (GER). En aquesta tesi desenvolupem un model capaç d'estimar el GER millor que qualsevol altre mètode d'estimació actual (equacions predictives o BIA). Cal destacar que aquest model de tres variables basat en IA va descartar el gènere del pacient com a variable principal, una troballa innovadora que va més enllà de les recomanacions clàssiques per a l'estimació dels requeriments i té un gran potencial de canvi del paradigma actual.

En la actualidad, la valoración de la composición corporal (CC) es obligatoria para una correcta evaluación nutricional y para la optimización de tratamientos específicos. Existen muchas técnicas que pueden emplearse para valorar la CC, aunque pocas pueden considerarse técnicas precisas que aporten información cuantitativa y cualitativa. El análisis de la CC mediante tomografía computarizada (TC) es una técnica de referencia, con gran precisión e información de gran valor sobre la calidad y densidad tisular. Para la segmentación de la CC es necesario el uso de una herramienta de marcado. Nuestro grupo ha trabajado en el desarrollo de una herramienta semiautomática entrenada con inteligencia artificial para la segmentación más sencilla y precisa de los diferentes tejidos. En esta tesis se demuestra por primera vez la validez de esta técnica para el estudio de la CC en pacientes con obesidad severa. Además, se desarrollan nuevas ecuaciones, con resultados superiores a las anteriores y con mayor aplicabilidad (incluyendo cualquier índice de masa corporal) para el cálculo de la composición corporal, que demuestran la influencia de la densidad tisular en estos modelos. Por otro lado, la ecografía muscular (US) es una técnica sencilla y accesible, que se presenta como una buena alternativa a la TC, cuando esta última no está disponible. Sin embargo, una limitación de la US es el hecho de que las mediciones son dependientes del observador. Por tanto, la aplicación de una herramienta de software automática o semiautomática puede ayudar a mejorar la técnica. En esta tesis confirmamos estos datos desarrollando una herramienta semiautomática para analizar la US muscular. Finalmente, dada la importante asociación de la masa muscular con los requerimientos energéticos, y que la TC es una técnica que ha demostrado ser una técnica de referencia en la CC, proponemos por primera vez la posibilidad de desarrollar un modelo de IA que estime el gasto energético en reposo (GER). En esta tesis desarrollamos un modelo que es capaz de estimar el GER mejor que cualquier otro método de estimación actual (ecuaciones predictivas o BIA). Cabe destacar que este modelo de tres variables basado en IA descartó el género del paciente como variable principal, un descubrimiento innovador que va más allá de las recomendaciones clásicas para la estimación de los requerimientos y tiene un gran potencial de cambio del paradigma actual.

Currently, the assessment of body composition (BC) is mandatory for a proper nutritional evaluation and for the optimization of specific treatments. There are many techniques that can be used to assess BC, although few can be considered precise techniques that provide quantitative and qualitative information. BC analysis by computed tomography (CT) is a reference technique, with high precision and high-value information on tissue quality and density. For the segmentation of the BC, the use of a marking tool is necessary. Our group has worked on the development of a semi-automatic tool trained with artificial intelligence for the simplest and most precise marking of the different tissues. In this thesis, the validity of this technique for the study of BC in patients with severe obesity is demonstrated for the first time. In addition, new equations are developed, with results superior to the previous ones and with greater applicability (including any body mass index) for the calculation of body composition, which demonstrate the influence of the tissue density in these models. On the other hand, muscle ultrasound (US) is a simple and accessible technique, which is presented as a good alternative to CT, when the latter is not available. However, one limitation of the US is the fact that the measurements are observer-dependent. Therefore, the application of an automatic or semi-automatic software tool can help improve the technique. In this thesis we confirm these data by developing a semi-automatic tool for analysing muscle US. Finally, given the important association of muscle mass with energy requirements, and that CT is a technique that has proven to be a reference technique in BC, we propose for the first time the possibility of developing an AI model that estimates resting energy expenditure (REE). In this thesis we developed a model that is able to estimate REE better than any other current estimation method (predictive equations or BIA). It is worth noting that this AI based three-variable model ruled out the patient's gender as the main variable, an innovative discovery that goes beyond the classic recommendations for estimating requirements and has a great potential of changing the actual paradigm.