Influence of different assessments of fat percentage on non-exercise VO2max estimation : a validation study

Rasvaprosenttimittauksen sisällyttäminen VO2max:yn “non-exercise” -arviointiin on todettu tuottavan luotettavia tuloksia. Tutkielman tavoitteena oli arvioida erilaisten rasvaprosentti (rasva%) -mittausten vaikutusta VO2max:yn arviointiin ilman hapenottokyvyn testausta. GE Lunar Prodigy DXA:n, InBody 720:n ja Huawei AH100:n rasva%-mittausten yhteneväisyyttä ja ekvivalenssia testattiin ja näiden eri laitteiden tuottamien rasva%:ien yhteyksiä maksimaalisen hapenottokyvyn kanssa arvioitiin Pearsonin korrelaatiokertoimilla. Lisäksi luotiin ennustemallit maksimihapenottokyvylle askeltavaa backward poistomenetelmää käyttäen jokaista käytettyä kehonkoostumusmittaria kohden. Tutkimukseen rekrytoitiin terveitä ja vaihtelevan kuntoisia miehiä ja naisia (ikä 18-54, n=278). Tutkimus oli poikkileikkausasetelmalla toteutettu ja mittaukset suoritettiin maantieteellisesti kahdessa paikassa: Jyväskylän Yliopiston ja KIHU:n liikunta- ja terveyslaboratoriossa Jyväskylässä sekä Shanghai Jiao Tong -yliopiston liikuntalaboratoriossa Minhangissa. Tutkimuksen analyysit tehtiin kuudessa eri analyysiryhmässä riippuen siitä, mihin mittauksiin tutkittavat olivat osallistuneet (GE Lunar Prodigy & InBody 720 n=146, GE Lunar Prodigy & Huawei AH100 n=95, InBody 720 & Huawei AH100 n=130, VO2max & GE Lunar Prodigy n=146, VO2max & InBody 720 n=278, VO2max & Huawei AH100 n=125). Huawei AH100 yliarvioi rasva%:ia DXA:aan verrattuna 2,5% (95% LOA -8,7-13,6, MAPE 15,37) ja havaittiin negatiivinen proportionaalinen harha mittausten välillä (p<0.001). Vastaavasti InBody 720 aliarvioi rasva%:n GE Lunar Prodigy DXA:iin nähden -3,8% (95% LOA -10,3-2,7, MAPE 16,75) ja jälleen proportionaalinen harha havaittiin (p<0.001). Huawei AH100 ja InBody 720 erosivat systemaattisesti toisistaan 4,6% (95% LOA -6,7-15,9, MAPE 25,69) eikä proportionaalista harhaa havaittu (p=0.634). Pearsonin korrelaatio VO2max:yn ja GE Lunar Prodigy-rasva%:n välillä oli -0,81 (p<0.001), VO2max:yn ja InBody 720-rasva%:n välillä vastaavasti -0,62 (p<0.001) ja VO2max:yn ja Huawei AH100-rasva%:n välilllä oli -0,60 (p<0.001). Kolme luotua lopullista VO2max:yn ennustemallia luotiin askeltavalla backward poistomenetelmällä ja mallit selittivät VO2max:yn vaihtelusta 71%, 45% ja 40%, ja selkeästi eri analyysiryhmät ja eri laitteilla suoritetut kehonkoostumusmittaukset vaikuttivat malleihin. Ensimmäiseen malliin (SEE 3,72) ennustemuuttujiksi valikoituivat GE Lunar Prodigy DXA:n rasva% (p<0.001), BMI (p<0.001) ja ikä (p<0.001). Toiseen malliin (SEE 5,69) vastaavasti InBody 720:n rasva% (p<0.001), rasvaton pehmytkudosmassa (LBM) (p<0.001), BMI (p<0.001) ja ikä (p<0.001). Kolmanteen malliin (SEE 5,94) taas Huawei AH100:n rasva% (p=0.001), ikä (p=0.009) ja sukupuoli (p=0.044). Ensimmäinen malli osoittautui tarkimmaksi ja kolmas malli heikoimmaksi. Näissä kolmesssa ennustemallissa VO2max:n vaihtelun selittäjiksi osoittautuivat siis rasva%:n lisäksi BMI, ikä, LBM ja sukupuoli. Eri laitteiden rasva%:n arvioinnit olivat toisistaan eroavia ja tilastollisesti mittaukset eivät olleet ekvivalentteja. Tämän vuoksi olisi suositeltavaa tulkita BIA-mittareiden antamia tuloksia varauksella. Toisekseen laitteiden kehonkoostumuksen arvioinnit ja analyysiryhmien erot vaikuttivat maksimaalisen hapenottokyvyn ja rasva% korrelaatioihin. Kehonkoostumuksen arviointimenetelmien ja analyysiryhmien erot vaikuttivat paljon myös luotujen ennustemallien lopullisiin ennustemuuttujiin ja mallien tarkkuuteen. Tutkielman tuloksista voidaan todeta, että tarkasti arvioitu kehonkoostumus voi parantaa maksimihapenottokyvyn ennustettavuutta. Toisaalta ”non-exercise” -menetelmiin liittyy myös muita epätarkkuutta aiheuttavia tekijöitä, joita tulee myös huomioida.