L’indice de masse corporelle (IMC = poids/taille élevée au carré) est de plus en plus accusé de n’être qu’un reflet bien imparfait du risque de diabète et par voie de conséquence, d’une mise en place des mesures appropriées de façon adéquate en temps et en quantité.
En témoigne, par exemple, un article publié par une équipe de Philadelphie dans Diabetes, Obesity and Metabolism. Les expérimentateurs ont utilisé les données d’imagerie (CT scans abdominaux) d’une banque locale de données (Penn Medicine Biobank) pour déterminer, via un apprentissage automatisé (learning machine), différents phénotypes concernant notamment la répartition de la graisse corporelle (stéatose hépatique, graisse viscérale, graisse sous-cutanée et ratio graisse viscérale/graisse sous-cutanée).
La population étudiée était composée de 950 sujets sans diabète et 644 sujets avec diabète de type 2 (défini par une HbA1C ≥ 6,5%).
Les résultats indiquent une association significative entre diabète de type 2 et l’ensemble des paramètres hépatiques analysés et avec la répartition de la graisse corporelle.
Il est ainsi rapporté que le ratio graisse viscérale/graisse sous-cutanée est corrélé de façon plus forte au diabète que l’IMC, ce qui fait dire aux expérimentateurs que ce ratio reflète bien mieux le risque de diabète que les traditionnels paramètres d’obésité.
Plus de détails et d’autres données dans l’article publié en accès libre.
Tout cela reste bien sûr à confirmer et à approfondir, mais ce travail a le mérite de montrer que l’exploitation des données colligées dans les dossiers électroniques via des techniques d’intelligence artificielle est susceptible de clarifier les interrelations entre obésité et diabète et déboucher sur un repérage plus précoce des sujets les plus à risque.
Reste à persuader les instances sanitaires et trouver les financements nécessaires pour que cette opportunité se concrétise. La santé n’a pas de prix mais elle a un coût !
