Stoffwechsel

Viszerales Fett

Viszerales Fett, auch als abdominale Adipositas bezeichnet, ist die übermäßige Fettansammlung in der Bauchhöhle und ein wichtiger Prädiktor des kardiometabolischen Risikos. Sie entsteht, wenn das Unterhautfettgewebe nicht mehr genug Kapazität zur Speicherung zusätzlicher Energie etwa aus der Nahrung hat. Überschüssiges Fett lagert sich dann in Organen wie Leber, Skelettmuskeln und Herz ab[1].

Dies geht häufig mit mehr freien Fettsäuren, Hypertriglyzeridämie und einer verstärkten Freisetzung entzündungsfördernder Zytokine einher, die zu Insulinresistenz und Atherosklerose beitragen[2]. Synapse misst das viszerale Fett anhand des Verhältnisses von Taillenumfang zu Körpergröße.

Synapse verwendet folgende Grenzwerte:

Taillenumfang / Körpergröße
Untergewicht [3]< 0,37
Ausgezeichnet [4], [5]0,37 - 0,52
Überschuss0,52 - 0,6
Starker Überschuss> 0,6

Untergewicht

Neben überschüssigem viszeralem Fett ist auch Untergewicht für den Stoffwechsel relevant. Bei Erwachsenen ist es als BMI <18,5 kg/m² definiert[66], [67], [68]. Synapse bewertet Untergewicht anhand des BMI.

Der Schweregrad lässt sich nach DSM-5 genauer einteilen[67]:

SchweregradBMI (kg/m²)
Leicht17-18,5
Mäßig16-16,99
Schwer15-15,99
Extrem<15

Untergewicht weist oft auf ein chronisches Energiedefizit hin und geht nicht nur mit einem niedrigen Körperfettanteil, sondern auch mit Muskelverlust einher. Da Skelettmuskeln für Glukoseaufnahme und Insulinempfindlichkeit entscheidend sind[69], kann geringere Muskelmasse den Stoffwechsel beeinträchtigen. Untergewicht erhöht auch das Risiko für Müdigkeit, eingeschränkte Immunfunktion, hormonelle Dysregulation und verminderte Knochendichte[70].

Fettleber (MAFLD)

Eine Fettleber kann durch die Ansammlung von Triglyceriden in Hepatozyten entstehen und ist ein wachsendes Problem der modernen Gesellschaft. Da sie häufig mit Adipositas und Insulinresistenz verbunden ist, wird der Begriff Non-Alcoholic Fatty Liver Disease (NAFLD) inzwischen durch Metabolic Associated Fatty Liver Disease[6] (MAFLD) ersetzt.

Dieser Algorithmus wurde entwickelt, um Patienten mit Risiko für eine metabolisch assoziierte Fettleber zu erkennen, bei denen Lebensstilinterventionen oder weitere diagnostische Untersuchungen angezeigt sein können. Das Fettleberrisiko wird bestimmt anhand von:

  • Validierten zusammengesetzten Scores aus der Literatur.
  • Einzelnen Biomarkern mit nachgewiesenem Zusammenhang mit Fettleber.
  • Lebensstilfaktoren, die nachweislich zur Entstehung einer Fettleber beitragen.

Zusammengesetzte Scores

Mehrere beschriebene zusammengesetzte Scores[7] bieten diagnostischen Zusatznutzen bei der Erkennung metabolisch assoziierter Fettleber. Synapse berücksichtigt nur nachweislich valide Scores und richtet die Auswahl nach den verfügbaren Biomarkern der Blutuntersuchung.

FLI

Der Fatty Liver Index (FLI) ist ein seit Langem etablierter, gut validierter Parameter[8] zum Fettleberscreening. Mehrere Studien[9] verglichen ihn mit verschiedenen Bildgebungsverfahren, darunter CT und Fibroscan[10]. Damit ist er eine zugängliche und zuverlässige Methode zur Beurteilung des Ausmaßes einer Fettleber.

FLI = 100 × eˣ / (1 + eˣ)

x =   0.953 × ln(TG)
    + 0.139 × BMI
    + 0.718 × ln(GGT)
    + 0.053 × Taillenumfang
    − 15.745

Dabei gilt:

  • TG: Triglyceride (mg/dL)
  • BMI: Body-Mass-Index (kg/m^2)
  • GGT: Gamma-Glutamyltransferase (U/L)
  • Taillenumfang: in Zentimetern

Ein höherer FLI bedeutet eine höhere Wahrscheinlichkeit einer Fettleber. Synapse verwendet folgende Schwellen[11] zur Risikoeinschätzung:

FLI
Niedriges Risiko< 30
Mäßiges Risiko30 - 45
Hohes Risiko45 - 60
Sehr hohes Risiko> 60

Einzelne Biomarker

Neben den zusammengesetzten Scores zur Bestimmung des Fettleberrisikos können einzelne Biomarker weitere Hinweise auf die Lebergesundheit geben. Wichtige Parameter sind hier Alanin-Aminotransferase (ALT), Gamma-Glutamyltransferase (GGT) und Aspartat-Aminotransferase (AST).

ALT (GPT)

Alanin-Aminotransferase (ALT), auch GPT genannt, ist ein Enzym, das vor allem in Leberzellen vorkommt. Bei Leberschäden oder Entzündungen gelangt vermehrt ALT ins Blut. Erhöhte Werte können daher auf Fettleber oder andere Lebererkrankungen hinweisen[14], [15].

Synapse verwendet folgende ALT-Grenzwerte[15], [16], [17], [18], [19], [20]. Die Grenze des grünen Bereichs ist fest; die darüberliegenden Bereiche folgen der oberen Referenzgrenze des Labors, das dein Blut untersucht hat (ULN, Upper Limit of Normal).

RisikoALT
FrauenMänner
Niedriges Risiko< 25 U/L< 33 U/L
Mäßiges Risiko25 U/L bis ULN33 U/L bis ULN
Hohes RisikoULN bis 3× ULNULN bis 3× ULN
Sehr hohes Risiko>3× ULN>3× ULN

GGT

Gamma-Glutamyltransferase (GGT) spielt eine Rolle im Glutathionstoffwechsel und kommt ebenfalls in hoher Konzentration im Lebergewebe vor. Erhöhte GGT kann auf Fettleber, Erkrankungen der Gallenwege oder übermäßigen Alkoholkonsum hinweisen[14], [15], [21].

Synapse verwendet folgende Grenzwerte[22], [23]. Auch hier ist die Grenze des grünen Bereichs fest, während die darüberliegenden Bereiche der ULN des Labors folgen.

RisikoGGT
FrauenMänner
Niedriges Risiko< 18 U/L< 25 U/L
Mäßiges Risiko18 U/L bis ULN25 U/L bis ULN
Hohes RisikoULN bis 3× ULNULN bis 3× ULN
Sehr hohes Risiko>3× ULN>3× ULN

ALP (alkalische Phosphatase)

Alkalische Phosphatase (ALP) ist ein Enzym der Gallenwege, der Leber und der Knochen. Synapse zeigt es bei den Leberfaktoren als farbigen Wert: grün innerhalb des Referenzbereichs des Labors, das dein Blut untersucht hat, gelb darüber oder darunter. ALP hat kein Gewicht im Leberscore.

Lebensstilfaktoren

Neben biochemischen und klinischen Parametern spielt der Lebensstil eine entscheidende Rolle bei Entstehung und Fortschreiten einer (metabolisch assoziierten) Fettleber. Synapse berücksichtigt deshalb folgende Faktoren bei der Risikoeinschätzung:

Alkohol

Übermäßiger Alkoholkonsum kann die Leber belasten, Entzündungen verursachen und die Wahrscheinlichkeit einer Fettleber erhöhen. Selbst mäßiger Konsum kann zur Triglyceridansammlung in der Leber beitragen[24].

Leberbelastende Ernährung

Eine Ernährung mit vielen gesättigten Fetten, raffinierten Kohlenhydraten und zugesetztem Zucker kann die Leber zusätzlich belasten und Fettansammlungen fördern. Ernährungsänderungen sind daher ein wichtiger Bestandteil der Vorbeugung und Behandlung einer Fettleber[25].

Insulinempfindlichkeit

Insulinresistenz geht häufig mit Adipositas einher und erhöht das Fettleberrisiko[26], [27]. Ein gesunder Lebensstil und Gewichtskontrolle können die Insulinempfindlichkeit verbessern und dadurch die Lebergesundheit positiv beeinflussen.

Fibroserisiko

Weist der FLI auf eine wahrscheinliche Fettleber hin, schätzt Synapse das Fibroserisiko mit FIB-4 und dem NAFLD Fibrosis Score (NFS). Das Fibrosestadium ist der stärkste Prädiktor des Verlaufs: Gegenüber Stadium F0 steigt die leberbezogene Sterblichkeit vom 9,6-Fachen bei F2 auf das 42-Fache bei Zirrhose[77]. Die EASL-EASD-EASO- und AASLD-Leitlinien beginnen mit FIB-4 und ergänzen einen mittleren oder hohen Score durch eine Lebersteifigkeitsmessung (Elastografie; <8 kPa verbleibt in der Primärversorgung)[78], [75].

ErgebnisKriterien
Noch nichtFIB-4 ≤1,3 (≥65 Jahre: ≤2,0) und NFS ≤−1,455 (≥65 Jahre: ≤0,12)
RisikoFIB-4 >1,3 (≥65 Jahre: >2,0) oder NFS über der unteren Schwelle
Hohes RisikoFIB-4 >2,67 oder NFS >0,676

Fibrose ist rückbildungsfähig: Bei mindestens 10 % Gewichtsverlust bildete sich die Fibrose bei 45 % der Teilnehmenden zurück, und die Steatohepatitis verschwand bei 90 %[79].

Leberfibrose

Bei einigen Patienten mit metabolisch assoziierter Fettleber aktiviert anhaltende Entzündung die hepatischen Sternzellen und führt zur fortschreitenden Bildung extrazellulärer Matrix[72], [75]. Daraus entsteht Leberfibrose, bei der funktionelles Lebergewebe durch Narbengewebe ersetzt wird. Das Fibroseausmaß ist der wichtigste prognostische Faktor für leberbezogene Komplikationen und erhöhte kardiovaskuläre Sterblichkeit.

Synapse beurteilt das Leberfibroserisiko, sobald Zeichen einer Fettleber vorliegen. Dafür werden zwei international validierte nicht invasive Scores verwendet[71], [73], [74]: der FIB-4-Index und der MAFLD Fibrosis Score (NFS). Beide werden als erster Schritt zur Risikostratifizierung bei MASLD/MAFLD empfohlen und haben einen hohen negativen Vorhersagewert zum Ausschluss fortgeschrittener Fibrose.

FIB-4-Index

Der FIB-4-Index[71], [73] ist ein validierter nicht invasiver Score, der Alter, Transaminasen und Thrombozytenzahl zur Einschätzung fortgeschrittener Leberfibrose verbindet:

FIB-4 = ( Alter (Jahre) × AST (U/L) ) / ( Thrombozyten (10<sup>9</sup>/L) × √ALT (U/L) )

FIB-4 <1,3 hat einen negativen Vorhersagewert von etwa 90% zum Ausschluss fortgeschrittener Fibrose[73]. Werte über 2,67 erfordern weitere bildgebende Untersuchungen. Synapse verwendet folgende Grenzwerte:

RisikoFIB-4
Niedriges Risiko<1,3
Mäßiges Risiko1,3-2,67
Hohes Risiko2,67-3,25
Sehr hohes Risiko>3,25

Ab 65 Jahren beträgt der untere Grenzwert 2,0 statt 1,3, weil FIB-4 die Fibrose bei älteren Menschen überschätzt. Ab 65 gelten daher folgende Bereiche: niedriges Risiko bis 2,0, mäßiges Risiko 2,0-2,67, hohes Risiko über 2,67. Der Grenzwert 2,67 bleibt unverändert.

MAFLD

Der MAFLD Fibrosis Score (NFS)[71], [74], [76] ist ein zweiter validierter Score, der Alter, BMI, Glukosehomöostase, Transaminasen, Thrombozytenzahl und Albumin verbindet:

NFS =   -1.675
      + 0.037 × Alter
      + 0.094 × BMI
      + 1.13 × IFG/Diabetes
      + 0.99 × AST/ALT
      − 0.013 × Thrombozyten
      − 0.66 × Albumin

Dabei ist IFG/Diabetes bei Vorliegen 1, andernfalls 0.

Der NFS hat einen negativen Vorhersagewert von etwa 88%[76]. Die untere Schwelle ist altersabhängig:

RisikoNFS
Niedriges Risiko< -1,455 (<65 Jahre) oder < 0,12 (≥65 Jahre)
Mäßiges Risiko-1,455 bis 0,676
Hohes Risiko> 0,675

Stoffwechseldysregulation

Der Score für Stoffwechseldysregulation beruht auf dem metabolischen Syndrom, einem Cluster aus fünf kardiometabolischen Risikofaktoren. Liegen mindestens drei davon vor, sind die Kriterien des metabolischen Syndroms erfüllt und das Risiko kardiometabolischer Erkrankungen deutlich erhöht[28], [29].

Diese fünf Risikofaktoren sind:

Metabolisches SyndromFrauenMänner
Taillenumfang> 79cm> 93cm
Erhöhte Triglyceride> 150mg/dL
HDL-Cholesterin< 50 mg/dL< 40 mg/dL
Blutdruck> 130/85 mmHg
Nüchternglukose> 100 mg/dL

Da diese Risikofaktoren bereits eine fortgeschrittene Stoffwechseldysregulation anzeigen, verwendet Synapse für den Score einen differenzierteren Ansatz. Strengere Grenzwerte ermöglichen ein gezielteres Eingreifen, bevor das metabolische Syndrom vollständig ausgeprägt ist.

Taillenumfang

Der Taillenumfang ist ein einfaches Maß zur Beurteilung zentraler Adipositas. Ein erhöhter Umfang geht mit höherem kardiometabolischem Risiko einher. Die meisten Leitlinien verwenden >93 cm bei Männern und >79 cm bei Frauen.

Da diese Standardwerte die Körpergröße nicht berücksichtigen, verwendet Synapse zur genaueren Beurteilung das Verhältnis von Taillenumfang zu Körpergröße[3], [4].

Taillenumfang / Körpergröße
Ausgezeichnet [4], [5]< 0,52
Überschuss0,52 - 0,6
Starker Überschuss> 0,6

Triglyceride

Erhöhte Triglyceride (TG) können auf einen gestörten Fettstoffwechsel hinweisen und zur Atherosklerose beitragen. Der übliche Grenzwert für erhöhte Triglyceride ist >100 mg/dL.

Da erhöhte kardiometabolische Risiken auch bei niedrigeren Grenzwerten beschrieben wurden[30], verwendet Synapse folgende Schwellen:

Triglyceride
Niedriges Risiko≤ 130 mg/dL
Mäßiges Risiko130-150 mg/dL
Hohes Risiko150 - 200 mg/dL
Sehr hohes Risiko> 200 mg/dL

HDL-Cholesterin

HDL-Cholesterin ist als „gutes“ Cholesterin bekannt und schützt die Gefäßwand, indem es überschüssiges Cholesterin zur Leber zurücktransportiert. Niedriges HDL kann auf ein erhöhtes kardiovaskuläres Risiko hinweisen. Übliche Grenzwerte sind 40 mg/dL bei Männern und 50 mg/dL bei Frauen.

Zur Früherkennung von Stoffwechseldysregulation verwendet Synapse folgende Grenzwerte:

HDLFrauenMänner
Niedriges Risiko≥ 55 mg/dL≥ 50 mg/dL
Mäßiges Risiko50-55 mg/dL40-50 mg/dL
Hohes Risiko<50 mg/dL<40 mg/dL

Systolischer Blutdruck

Erhöhter systolischer Blutdruck ist ein wichtiger Risikofaktor für Herz-Kreislauf-Erkrankungen. Beim metabolischen Syndrom gilt üblicherweise eine systolische Schwelle von 130 mmHg.

Zur Früherkennung von Stoffwechseldysregulation verwendet Synapse folgende Grenzwerte:

Kategorien [31]SBP (mmHg)DBP (mmHg)
Normal≤120≤80
Erhöht121–13081–85
Hypertonie Stadium 1131–14086–90
Hypertonie Stadium 2>140>90

Glukose

Erhöhte Nüchternglukose oder bereits bestehender Diabetes ist ein Kernbestandteil des metabolischen Syndroms. Üblicherweise gilt ein Grenzwert von 100 mg/dL.

Um Stoffwechseldysregulation rechtzeitig zu erkennen, berücksichtigt Synapse neben der Nüchternglukose auch Insulinresistenz. Der entsprechende Algorithmus wird weiter unten beschrieben.

siMS-Score

Der siMS-Score drückt den Schweregrad des metabolischen Syndroms als eine kontinuierliche Zahl statt als Ja-Nein-Urteil aus. Jede Messung zählt im Verhältnis zur eigenen Schwelle, sodass kleine Veränderungen sichtbar werden.

siMS =   2 × (Taillenumfang / Körpergröße)
       + Glukose / 100
       + Triglyceride / 150
       + systolischer Blutdruck / 130
       − HDL / 40 (Männer) oder HDL / 50 (Frauen)

Der Score erscheint nur, wenn alle Komponenten gemessen wurden. Die Farbbereiche sind geschlechtsspezifisch:

FarbbereichMännerFrauen
Grünbis 2,08bis 2,38
Gelb2,08 - 2,852,38 - 3,10
Orange2,85 - 3,483,10 - 3,58
Rotüber 3,48über 3,58

Der siMS-Score dient nur der Information und beeinflusst den Score für Stoffwechseldysregulation nicht.

Insulinresistenz

Insulinresistenz, also verminderte Insulinempfindlichkeit von Muskel-, Leber- und Fettzellen, ist im Allgemeinen der erste erkennbare Schritt einer gestörten Stoffwechselhomöostase. Sie bleibt oft jahrelang unbemerkt, liegt aber der Entstehung von Übergewicht, Fettleber, Prädiabetes und schließlich Typ-2-Diabetes zugrunde.

Synapse erfasst Insulinresistenz durch die Kombination von Blutbiomarkern und Lebensstilfaktoren. So lassen sich sowohl ihr frühes Auftreten als auch ihr späteres Fortschreiten besser einschätzen. Je nach verfügbaren Blutwerten werden unterschiedliche Bewertungsmethoden verwendet.

Überblick über den Algorithmus

Der erste Schritt zur Bewertung der Glukosehomöostase ist die Einschätzung, wo eine Patientin oder ein Patient auf dem Spektrum liegt. Dazu können HbA1c und Nüchternplasmaglukose verwendet werden.

HbA1cGlukose (mg/dL)
Möglicher Prädiabetes100-110
Prädiabetes5,7-6,5%110-125
Diabetes> 6,5%> 125

Hämoglobin A1C

HbA1c (glykiertes Hämoglobin) spiegelt die durchschnittliche Blutzuckerkonzentration der letzten zwei bis drei Monate wider. Werte über 6,5% bestätigen die Diagnose Diabetes[32]. Für Prädiabetes und Insulinresistenz besteht leider kein Konsens[33]; verschiedene Organisationen verwenden unterschiedliche Schwellen.

HbA1cADANICE
Prädiabetes5,7 bis 6,5%6 bis 6,5%
Diabetes> 6,5%> 6,5%

Zudem verändert sich die Physiologie der roten Blutkörperchen mit dem Alter. Bei älteren Menschen[34] kann HbA1c daher unabhängig von einer Blutzuckererhöhung natürlich ansteigen. Das Alter muss deshalb bei der Wahl der HbA1c-Schwellen berücksichtigt werden.

Auf dieser Grundlage verwendet Synapse folgende Schwellen:

HbA1c<65 Jahre≥65 Jahre
Prädiabetes5,7 bis 6,5%6 bis 6,5%
Diabetes> 6,5%> 6,5%

Glukose

Wurde HbA1c nicht gemessen, beurteilt Synapse Insulinresistenz anhand der Nüchternplasmaglukose. Eine höhere Nüchternglukose zeigt, dass die pankreatischen β-Zellen die verminderte Insulinempfindlichkeit nicht mehr ausgleichen können.

Wiederholte Messungen über 126 mg/dL bestätigen die Diabetesdiagnose[32]. Für Prädiabetes besteht wiederum kein Konsens über den richtigen Grenzwert (100 oder 110 mg/dL). Synapse verwendet deshalb folgende Schwellen[32]:

NüchternglukoseFarbe
Hypoglykämie< 70 mg/dLGelb
Kein (Prä-)Diabetes70-99 mg/dLGrün
Möglicher Prädiabetes100-110 mg/dLGelb
Prädiabetes110-125 mg/dLOrange
Diabetes≥ 126 mg/dLRot

Biomarker für Insulinresistenz

Insulinresistenz bezeichnet den Zustand, in dem die pankreatischen Betazellen zusätzliches Insulin bilden müssen, um die verminderte Insulinempfindlichkeit auszugleichen. Obwohl dieser Zustand für die Entstehung von Stoffwechseldysregulation und Diabetes entscheidend ist[35], lässt sich Insulinresistenz in der klinischen Praxis nur schwer genau bestimmen.

Der Goldstandard, der euglykämische Clamp, ist ein sehr genaues, aber invasives Laborverfahren und für die Routine zu teuer und unpraktisch. In der Primärversorgung sind deshalb weniger optimale Marker als notwendiger Kompromiss erforderlich[36]. Synapse verwendet die folgenden zusammengesetzten Scores wegen ihrer gut belegten wissenschaftlichen Grundlage zur Erkennung von Insulinresistenz.

HOMA

Der Homeostatic Model Assessment (HOMA)-Index[37], auch HOMA-IR genannt, schätzt mathematisch die Insulinempfindlichkeit (HOMA-S) und Betazellfunktion (HOMA-β) anhand von Nüchternglukose und Nüchterninsulin. Das Modell wurde mit dem euglykämischen Clamp validiert[38] und kann frühe Insulinresistenz bis zu fünfzehn Jahre[36] vor dem Auftreten erhöhter Nüchternglukose anzeigen[39].

HOMA-IR = (Nüchternglukose [mmol/L] × Nüchterninsulin [mIU/L]) / 22.5
HOMA-β  = (20 × Nüchterninsulin) / (Nüchternglukose − 3.5), in %
HOMA-S  = 100 % / HOMA-IR

HOMA-2[45] ist eine umfassendere, nicht öffentlich zugängliche Variante von HOMA-IR, die dank ihres nicht linearen Modells im Allgemeinen genauer ist[46]. Trotz der Grenzen von HOMA-IR und HOMA-2 bestätigen mehrere aktuelle Metaanalysen, dass dieser Index ein hilfreicher Biomarker zur Früherkennung von Stoffwechselstörungen und anderen Gesundheitsproblemen ist[42], [43], [44]. Zu den Grenzen zählen die Notwendigkeit strengen Fastens über mehr als zwölf Stunden, die starke Empfindlichkeit gegenüber akuten Faktoren wie Stress, Krankheit oder Schlaf sowie fehlender Konsens über optimale Grenzwerte[35], [40], [41].

Hat das Labor eine HOMA2-Lizenz, verwendet Synapse diese Werte. Andernfalls berechnet Synapse HOMA-IR direkt. Es gelten folgende Schwellen[47], [48], [49]:

HOMA-IR[50]HOMA-2-IR[50]
Niedriges Risiko≤ 2≤ 1,4
Mäßiges Risiko2 - 2,71,4 - 1,8
Hohes Risiko2,7 - 3,81,8 - 2,2
Sehr hohes Risiko3,8 - 52,2 - 2,7
Extrem hohes Risiko> 5> 2,7

Trig / HDL

Das Verhältnis von Triglyceriden zu HDL-Cholesterin (Trig/HDL) ist ein einfacher, kostengünstiger Indikator für Insulinresistenz[51], [52]. Bei verminderter Insulinempfindlichkeit nehmen Muskelzellen weniger Glukose auf, wodurch ein Glukoseüberschuss entsteht.

Die Leber wandelt diesen Überschuss durch De-novo-Lipogenese in Triglyceride um. Diese werden in VLDL-Lipoproteine verpackt und im Blut teilweise auf HDL übertragen. Dadurch steigt der Triglyceridgehalt des HDL, während HDL-Cholesterin sinkt[35].

Steigende Triglyceride zusammen mit sinkendem HDL-Cholesterin bilden ein klassisches, sehr charakteristisches Lipidmuster der Insulinresistenz. Deshalb ist Trig/HDL ein zuverlässiger Indikator dafür.

Synapse verwendet folgende Schwellen:

Trig/HDL
Niedriges Risiko<2
Mäßiges Risiko2 bis 2,5
Hohes Risiko2,5 bis 3
Sehr hohes Risiko> 3

TYG

Neben HOMA-Index und Triglycerid-HDL-Verhältnis wird häufig auch der TyG-Index[36] als Ersatzmarker für Insulinresistenz genannt. Er wird aus Nüchterntriglyceriden und Nüchternplasmaglukose berechnet und ist daher relativ kostengünstig und zugänglich.

TyG = ln( Triglyceride (mg/dL) × Nüchternglukose (mg/dL) / 2 )

Hinweis: Die genaue Berechnungsmethode des TyG-Index ist umstritten. Synapse verwendet die obige Formel, die Werte um 8 bis 9 ergibt. Es gibt keinen international validierten Grenzwert; die Werte variieren je nach Bevölkerung und untersuchtem Ergebnis. Synapse verwendet daher dieselben Grenzwerte für alle, wobei jeder mit einem anderen Ergebnis zusammenfällt: steigendes Diabetes- und Herz-Kreislauf-Risiko ab etwa 8,4[83], [84], [85], metabolisches Syndrom ab 8,75[53] und steigendes kardiovaskuläres Erkrankungs- und Sterblichkeitsrisiko um 9,1[86], [87], [88]. Optimale Grenzwerte liegen bei Männern etwa 0,2 höher als bei Frauen[83]. Da TyG stets zusammen mit den anderen Markern beurteilt wird, verwendet Synapse keine geschlechtsspezifischen Grenzwerte.

TyG-Index
Niedriges Risiko<8,4
Mäßiges Risiko8,4 bis 8,75
Hohes Risiko8,75 bis 9,1
Sehr hohes Risiko> 9,1

Taillenumfang

Ein wichtiger Indikator der Insulinresistenz (IR) ist die Menge viszeralen Fetts, die einfach anhand des Taillenumfangs beurteilt werden kann. Die Methode ist nicht invasiv, kostengünstig und im Alltag leicht anzuwenden. Um auch die Körpergröße zu berücksichtigen, verwendet Synapse das Taille-Größe-Verhältnis, das stark mit der Entstehung von IR und dem Diabetesrisiko verbunden ist[54].

Synapse verwendet folgende Grenzwerte für den Taillenumfang[4], [5]:

Taillenumfang / Körpergröße
Niedriges Risiko<0,5
Mäßiges Risiko0,5 - 0,6
Hohes Risiko> 0,6

Lebensstilfaktoren

Insulinresistenz entsteht häufig durch einen ungesunden Lebensstil. Um neben dem aktuellen Ausmaß auch das künftige Risiko zu beurteilen, bezieht Synapse verschiedene Lebensstilparameter ein. So entsteht ein vollständigeres Bild der aktuellen und möglicherweise künftigen Insulinresistenz.

Rauchen

Rauchen senkt nicht nur direkt die Insulinempfindlichkeit[55], sondern verstärkt auch chronische Entzündungsprozesse. Langjähriges Rauchen erhöht zudem die Plasmakonzentration freier Fettsäuren (FFA). Leber- und Fettzellen wandeln diese in Triglyceride um und fördern dadurch die Insulinresistenz weiter[56], [57].

Bewegung

Da Insulinresistenz größtenteils in Muskelzellen entsteht, ist körperliche Aktivität für Vorbeugung und Behandlung entscheidend. Langes Sitzen kann bereits in jungen Jahren Insulinresistenz verursachen, wie Untersuchungen an schlanken Menschen in ihren Zwanzigern zeigen[35], [58].

Synapse bewertet deshalb verschiedene Bewegungsformen: Krafttraining[59], Ausdauertraining in Zone 2[60], hochintensive Bewegung in Zone 5[61], Gehen[62] und das Ausmaß sitzenden Verhaltens[58]. Jede dieser Bewegungsformen trägt nachweislich zur Vorbeugung und Behandlung von Insulinresistenz bei.

Insulinstörende Ernährung

Ein ungesundes Ernährungsmuster ist ein wichtiger Faktor für die Entstehung von Insulinresistenz. Besonders schnell verdauliche Kohlenhydrate, verarbeitete Lebensmittel, zu wenig Ballaststoffe und gestörte Mahlzeitenrhythmen wurden mit großen Blutzuckerschwankungen und der Entstehung von Insulinresistenz in Verbindung gebracht[63], [64], [65].

Diabetesrisiko (FINDRISC)

FINDRISC schätzt die Wahrscheinlichkeit von Typ-2-Diabetes innerhalb von zehn Jahren. Er wurde in einer finnischen Bevölkerungsstudie entwickelt und sagt Diabetes ohne Labortest mit 78 bis 81 % Sensitivität und 76 bis 77 % Spezifität voraus[80]. Synapse verwendet eine Version, die Alter, BMI, Blutdruckmedikamente, früher erhöhten Blutzucker, Geschlecht, Triglyceride und Diabetes in der Familie verbindet. Die Frage nach früher erhöhtem Blutzucker wird durch Nüchternglukose und HbA1c aus dem Labor ergänzt. Die Farbe folgt den klassischen FINDRISC-Bereichen (Vorschlag vom 25. September 2026, Backend noch anzupassen).

ScoreGeschätzte 10-Jahres-WahrscheinlichkeitFarbe
<7etwa 1 %grün
7 bis 11etwa 4 %gelb
12 bis 14etwa 17 %orange
≥1533 bis 50 %rot

Lebensstil wirkt: In der finnischen Diabetes Prevention Study sank die Diabetesinzidenz bei gestörter Glukosetoleranz um 58 %[81], im amerikanischen DPP ebenfalls um 58 %, gegenüber 31 % unter Metformin[82].

Entwickelt und geprüft mit dem medizinischen Beirat von Synapse.

Literatur

  1. [1]Tchernof, A. & Després, J.-P. Pathophysiology of Human Visceral Obesity: An Update. Physiol Rev 93, 359–404 (2013) doi.org/10.1152/physrev.00033.2011
  2. [2]Neeland, I. J. et al. Visceral and ectopic fat, atherosclerosis, and cardiometabolic disease: a position statement. Lancet Diabetes Endocrinol 7, 715–725 (2019) doi.org/10.1016/S2213-8587(19)30084-1
  3. [3]Ashwell, M. Charts Based on Body Mass Index and Waist-to-Height Ratio to Assess the Health Risks of Obesity: A Review. The Open Obesity Journal vol. 3 (2011)
  4. [4]Browning, L. M., Hsieh, S. D. & Ashwell, M. A systematic review of waist-to-height ratio as a screening tool for the prediction of cardiovascular disease and diabetes: 05 could be a suitable global boundary value. Nutrition Research Reviews vol. 23 247– 269 (2010) doi.org/10.1017/S0954422410000144
  5. [5]Ezzatvar, Y., Izquierdo, M., Ramírez‐Vélez, R., del Pozo Cruz, B. & García‐Hermoso, A. Accuracy of different cutoffs of the waist‐to‐height ratio as a screening tool for cardiometabolic risk in children and adolescents: A systematic review and meta-analysis of diagnostic test accuracy studies. Obesity Reviews 23, (2022) doi.org/10.1111/obr.13375
  6. [6]Eslam, M. et al. A new definition for metabolic dysfunction-associated fatty liver disease: An international expert consensus statement. Journal of Hepatology vol. 73 202–209 (2020) doi.org/10.1016/j.jhep.2020.03.039
  7. [7]Ahn, S. B. Noninvasive serum biomarkers for liver steatosis in nonalcoholic fatty liver disease: Current and fu-ture developments. Clinical and Molecular Hepatology vol. 29 S150–S156 (2023) doi.org/10.3350/cmh.2022.0362
  8. [8]Zhang, R. et al. Fatty liver index as an independent predictor of all-cause and diseasespecific mortality. Eur J Gastroenterol Hepatol 36, 1453–1463 (2024) doi.org/10.1097/MEG.0000000000002865
  9. [9]Bedogni, G. et al. The fatty liver index: A simple and accurate predictor of hepatic steatosis in the general population. BMC Gastroenterol 6, (2006) doi.org/10.1186/1471-230X-6-33
  10. [10]Jeong, S. et al. Validity of fatty liver prediction scores for diagnosis of fatty liver by Fibroscan. Hepatobiliary & Pancreatic Diseases International 23, 353–360 (2024) doi.org/10.1016/j.hbpd.2023.02.009
  11. [11]Biciusca, T. et al. The Role of the Fatty Liver Index (FLI) in the Management of NonAlcoholic Fatty Liver Disease: A Systematic Review. Diagnostics vol. 13 (2023) doi.org/10.3390/diagnostics13213316
  12. [12]Ahn, S. B. Noninvasive serum biomarkers for liver steatosis in nonalcoholic fatty liver disease: Current and fu-ture developments. Clinical and Molecular Hepatology vol. 29 S150–S156 (2023) doi.org/10.3350/cmh.2022.0362
  13. [13]Jeong, S. et al. Development of a simple nonalcoholic fatty liver disease scoring system indicative of metabolic risks and insulin resistance. Ann Transl Med 8, 1414–1414 (2020) doi.org/10.21037/atm-20-2951
  14. [14]Zhu, J. et al. Validation of Simple Indexes for Nonalcoholic Fatty Liver Disease in Western China: A Retrospective Cross-Sectional Study. vol. 65 (2018) doi.org/10.1507/endocrj.EJ17-0466
  15. [15]Sanyal, D. et al. Profile of liver enzymes in non-alcoholic fatty liver disease in patients with impaired glucose tolerance and newly detected untreated type 2 diabetes. Indian J Endocrinol Metab 19, 597–601 (2015) doi.org/10.4103/2230-8210.163172
  16. [16]Castera, L. et al. High Prevalence of NASH and Advanced Fibrosis in Type 2 Diabetes: A Prospective Study of 330 Outpatients Undergoing Liver Biopsies for Elevated ALT, Using a Low Threshold. Diabetes Care 46, 1354–1362 (2023) doi.org/10.2337/dc22-2048
  17. [17]Watt, J. et al. Non-alcoholic fatty liver disease—A pilot study investigating early inflammatory and fibrotic biomarkers of NAFLD with alcoholic liver disease. Front Physiol 13, (2022) doi.org/10.3389/fphys.2022.963513
  18. [18]Chen, J.-F. et al. Cumulative effects of excess high-normal alanine aminotransferase levels in relation to new-onset metabolic dysfunction-associated fatty liver disease in China. World J Gastroenterol 30, 1346–1357 (2024) doi.org/10.3748/wjg.v30.i10.1346
  19. [19]Lee, J. et al. Optimal ALT threshold for the automated diagnosis of MASLD: A population-based study using iLFT. Ann Hepatol 29, 101280 (2024) doi.org/10.1016/j.aohep.2023.101280
  20. [20]Martínez-Montoro, J. I. et al. Triglyceride to HDL Cholesterol Ratio for the Identification of MASLD in Obesity: A Liver Biopsy-Based Case-Control Study. Nutrients 16, 1310 (2024) doi.org/10.3390/nu16091310
  21. [21]Wu, L., Zhang, M., Hu, H. & Wan, Q. Elevated gamma-glutamyl transferase has a non-linear association with incident non-alcoholic fatty liver disease in the non-obese Chinese population: a secondary retrospective study. Lipids Health Dis 20, (2021) doi.org/10.1186/s12944-021-01577-8
  22. [22]Ruttmann, E. et al. γ-Glutamyltransferase as a Risk Factor for Cardiovascular Disease Mortality. Circulation 112, 2130–2137 (2005) doi.org/10.1161/CIRCULATIONAHA.105.552547
  23. [23]Cho, E. J. et al. Gamma-glutamyl transferase and risk of all-cause and disease-specific mortality: a nationwide cohort study. Sci Rep 13, 1751 (2023) doi.org/10.1038/s41598-022-25970-0
  24. [24]Amonker, S., Houshmand, A., Hinkson, A., Rowe, I. & Parker, R. Prevalence of alcohol-associated liver disease: a systematic review and meta-analysis. Hepatol Commun 7, (2023) doi.org/10.1097/HC9.0000000000000133
  25. [25]Tsompanaki, E. et al. Systematic Review and Meta-analysis: The Role of Diet in the Development of Nonalcoholic Fatty Liver Disease. Clinical Gastroenterology and Hepatology vol. 21 1462-1474.e24 (2023) doi.org/10.1016/j.cgh.2021.11.026
  26. [26]Mehta, M., Shah, J. & Joshi, U. Understanding Insulin Resistance in NAFLD: A Systematic Review and Meta-Analysis Focused on HOMA-IR in South Asians. Cureus (2024) doi.org/10.7759/cureus.70768
  27. [27]Muzurović, E., Mikhailidis, D. P. & Mantzoros, C. Non-alcoholic fatty liver disease, insulin resistance, metabolic syndrome and their association with vascular risk. Metabolism 119, 154770 (2021) doi.org/10.1016/j.metabol.2021.154770
  28. [28]Li, W. et al. Association Between Metabolic Syndrome and Mortality: Prospective Cohort Study. JMIR Public Health Surveill 9, (2023) doi.org/10.2196/44073
  29. [29]Hui, W. S., Liu, Z. & Ho, S. C. Metabolic syndrome and all-cause mortality: a metaanalysis of prospective cohort studies. Eur J Epidemiol 25, 375–384 (2010) doi.org/10.1007/s10654-010-9459-z
  30. [30]Tikhonoff, V. et al. PROGNOSTIC VALUE AND RELATIVE CUT-OFFS OF TRIGLYCERIDES PREDICTING CARDIOVASCULAR OUTCOME IN A LARGE REGIONAL-BASED ITALIAN DATABASE. Preprint at (2023) doi.org/10.1101/2023.06.23.23291840
  31. [31]Whelton, P. K. et al. 2017 ACC/AHA/AAPA/ABC/ACPM/AGS/APhA/ASH/ASPC/NMA/PCNA Guideline for the Prevention, Detection, Evaluation, and Management of High Blood Pressure in Adults: A Report of the American College of Cardiology/American Heart Association Task Force on Clinical Practice Guidelines. J Am Coll Cardiol 71, e127–e248 (2018) doi.org/10.1016/j.jacc.2017.11.006
  32. [32]ElSayed, N. A. et al. 2. Diagnosis and Classification of Diabetes: Standards of Care in Diabetes—2025. Diabetes Care 48, S27–S49 (2025) doi.org/10.2337/dc25-S002
  33. [33]Kim, S. H. Reframing prediabetes: A call for better risk stratification and intervention. J Intern Med 295, 735–747 (2024) doi.org/10.1111/joim.13786
  34. [34]van Herpt, T. T. W. et al. Lifetime risk to progress from pre-diabetes to type 2 diabetes among women and men: comparison between American Diabetes Association and World Health Organization diagnostic criteria. BMJ Open Diabetes Res Care 8, e001529 (2020) doi.org/10.1136/bmjdrc-2020-001529
  35. [35]Petersen, M. C. & Shulman, G. I. Mechanisms of Insulin Action and Insulin Resistance. Physiol Rev 98, 2133–2223 (2018) doi.org/10.1152/physrev.00063.2017
  36. [36]Sasaki, N., Ueno, Y. & Higashi, Y. Indicators of insulin resistance in clinical practice. Hypertension Research (2024) doi.org/10.1038/s41440-023-01566-7
  37. [37]Matthews, D. R. et al. Homeostasis model assessment: insulin resistance and ?-cell function from fasting plasma glucose and insulin concentrations in man. Diabetologia 28, 412–419 (1985) doi.org/10.1007/BF00280883
  38. [38]Katsuki, A. et al. Homeostasis Model Assessment Is a Reliable Indicator of Insulin Resistance During Follow-up of Patients With Type 2 Diabetes. Diabetes Care 24, 362–365 (2001) doi.org/10.2337/diacare.24.2.362
  39. [39]Tabák, A. G. et al. Trajectories of glycaemia, insulin sensitivity, and insulin secretion before diagnosis of type 2 diabetes: an analysis from the Whitehall II study. The Lancet 373, 2215–2221 (2009) doi.org/10.1016/S0140-6736(09)60619-X
  40. [40]Wallace, T. M., Levy, J. C. & Matthews, D. R. Use and Abuse of HOMA Modeling. http://diabetesjournals.org/care/article-pdf/27/6/1487/645883/zdc00604001487.pdf (2004) doi.org/10.2337/diacare.27.6.1487
  41. [41]Song, Y. S., Hwang, Y.-C., Ahn, H.-Y. & Park, C.-Y. Comparison of the Usefulness of the Updated Homeostasis Model Assessment (HOMA2) with the Original HOMA1 in the Prediction of Type 2 Diabetes Mellitus in Koreans. Diabetes Metab J 40, 318 (2016) doi.org/10.4093/dmj.2016.40.4.318
  42. [42]Lee, J., Kim, M., Jang, J.-Y. & Oh, C.-M. Assessment HOMA as a predictor for new onset diabetes mellitus and diabetic complications in non-diabetic adults: a KoGES prospective cohort study. Clin Diabetes Endocrinol 9, 7 (2023) doi.org/10.1186/s40842-023-00156-3
  43. [43]Sondrup, N. et al. Effects of sleep manipulation on markers of insulin sensitivity: A systematic review and meta-analysis of randomized controlled trials. Sleep Medicine Reviews vol. 62 (2022) doi.org/10.1016/j.smrv.2022.101594
  44. [44]Mehta, M., Shah, J. & Joshi, U. Understanding Insulin Resistance in NAFLD: A Systematic Review and Meta-Analysis Focused on HOMA-IR in South Asians. Cureus (2024) doi.org/10.7759/cureus.70768
  45. [45]González-González, J. G. et al. HOMA-IR as a predictor of Health Outcomes in Patients with Metabolic Risk Factors: A Systematic Review and Meta-analysis. High Blood Pressure & Cardiovascular Prevention 29, 547–564 (2022) doi.org/10.1007/s40292-022-00542-5
  46. [46]González-González, J. G. et al. HOMA-IR as a predictor of Health Outcomes in Patients with Metabolic Risk Factors: A Systematic Review and Meta-analysis. High Blood Pressure & Cardiovascular Prevention 29, 547–564 (2022) doi.org/10.1007/s40292-022-00542-5
  47. [47]Tang, Q., Li, X., Song, P. & Xu, L. Optimal cut-off values for the homeostasis model assessment of insulin resistance (HOMA-IR) and pre-diabetes screening: Developments in research and prospects for the future. Drug discoveries & therapeutics vol. 9 380–385 (2015) doi.org/10.5582/ddt.2015.01207
  48. [48]Medisch Labo Medina. HOMA 2-index: Vroegtijdige detectie van metabole aandoeningen. https://www.medina.be/nl/homa-2-index-vroegtijdige-detectie-vanmetabole- aandoeningen/#:~:text=Omdat%20de%20gevoeligheid%20van%20de,1%2C4%20wel %20al%20positief. (2022)
  49. [49]Lee, C. H. et al. Optimal cut-offs of homeostasis model assessment of insulin resistance (HOMA-IR) to identify dysglycemia and type 2 diabetes mellitus: A15-year prospective study in Chinese. PLoS One 11, (2016) doi.org/10.1371/journal.pone.0163424
  50. [50]Geloneze, B. et al. HOMA1-IR and HOMA2-IR indexes in identifying insulin resistance and metabolic syndrome: Brazilian Metabolic Syndrome Study (BRAMS). Arquivos Brasileiros de Endocrinologia & Metabologia 53, 281–287 (2009) doi.org/10.1590/s0004-27302009000200020
  51. [51]Baneu, P. et al. The Triglyceride/HDL Ratio as a Surrogate Biomarker for Insulin Resistance. Biomedicines vol. 12 (2024) doi.org/10.3390/biomedicines12071493
  52. [52]Chauhan, A., Singhal, A. & Goyal, P. TG/HDL Ratio. J Family Med Prim Care 10, 3700–3705 (2021) doi.org/10.4103/jfmpc.jfmpc_165_21
  53. [53]Wan, H., Cao, H. & Ning, P. Superiority of the triglyceride glucose index over the homeostasis model in predicting metabolic syndrome based on NHANES data analysis. Sci Rep 14, 15499 (2024) doi.org/10.1038/s41598-024-66692-9
  54. [54]Jamar, G. et al. Evaluation of waist-to-height ratio as a predictor of insulin resistance in non-diabetic obese individuals. A cross-sectional study. Sao Paulo Medical Journal 135, 462–468 (2017) doi.org/10.1590/1516-3180.2016.0358280417
  55. [55]Bergman, B. C. et al. Novel and Reversible Mechanisms of Smoking-Induced Insulin Resistance in Humans. Diabetes 61, 3156–3166 (2012) doi.org/10.2337/db12-0418
  56. [56]Zhang, C.-X., Guo, L.-K., Qin, Y.-M. & Li, G.-Y. Association of polymorphisms of adiponectin gene promoter-11377C/G, glutathione peroxidase-1 gene C594T, and cigarette smoking in nonalcoholic fatty liver disease. Journal of the Chinese Medical Association 79, 195–204 (2016) doi.org/10.1016/j.jcma.2015.09.003
  57. [57]Akhavan Rezayat, A. et al. Association between smoking and non-alcoholic fatty liver disease: A systematic review and meta-analysis. SAGE Open Med 6, (2018) doi.org/10.1177/2050312117745223
  58. [58]Hamburg, N. M. et al. Physical inactivity rapidly induces insulin resistance and microvascular dysfunction in healthy volunteers. Arterioscler Thromb Vasc Biol 27, 2650–2656 (2007) doi.org/10.1161/ATVBAHA.107.153288
  59. [59]Boyer, W. et al. The role of resistance training in influencing insulin resistance among adults living with obesity/overweight without diabetes: A systematic review and metaanalysis. Obes Res Clin Pract 17, 279–287 (2023) doi.org/10.1016/j.orcp.2023.06.002
  60. [60]Colberg, S. R. et al. Physical Activity/Exercise and Diabetes: A Position Statement of the American Diabetes Association. Diabetes Care 39, 2065–2079 (2016) doi.org/10.2337/dc16-1728
  61. [61]Jelleyman, C. et al. The effects of high‐intensity interval training on glucose regulation and insulin resistance: a meta‐analysis. Obesity Reviews 16, 942–961 (2015) doi.org/10.1111/obr.12317
  62. [62]Moghetti, P. et al. Walking for subjects with type 2 diabetes: A systematic review and joint AMD/SID/SISMES evidence-based practical guideline. Nutrition, Metabolism and Cardiovascular Diseases 30, 1882–1898 (2020) doi.org/10.1016/j.numecd.2020.08.021
  63. [63]Ushula, T. W. et al. Dietary patterns and the risks of metabolic syndrome and insulin resistance among young adults: Evidence from a longitudinal study. Clinical Nutrition 41, 1523–1531 (2022) doi.org/10.1016/j.clnu.2022.05.006
  64. [64]Li, M. et al. Trends in insulin resistance: insights into mechanisms and therapeutic strategy. Signal Transduct Target Ther 7, 216 (2022) doi.org/10.1038/s41392-022-01073-0
  65. [65]McNaughton, S. A., Mishra, G. D. & Brunner, E. J. Dietary Patterns, Insulin Resistance, and Incidence of Type 2 Diabetes in the Whitehall II Study. Diabetes Care 31, 1343–1348 (2008) doi.org/10.2337/dc07-1946
  66. [66]Attia, E. & Walsh, B. T. Eating Disorders: A Review. JAMA 333, 1242 (2025) doi.org/10.1001/jama.2025.0132
  67. [67]First, M. B. et al. DSM-5-TR: Rationale, Process, and Overview of Changes. Psychiatr Serv 74, 869–875 (2023) doi.org/10.1176/appi.ps.20220334
  68. [68]Zipfel, S. et al. Anorexia nervosa: Aetiology, assessment, and treatment. Lancet Psychiatry 2, 1099–1111 (2015) doi.org/10.1016/S2215-0366(15)00356-9
  69. [69]DeFronzo, R. A. & Tripathy, D. Skeletal Muscle Insulin Resistance Is the Primary Defect in Type 2 Diabetes. Diabetes Care 32, S157–S163 (2009) doi.org/10.2337/dc09-S302
  70. [70]James, D. E., Stöckli, J. & Birnbaum, M. J. The aetiology and molecular landscape of insulin resistance. Nat Rev Mol Cell Biol 22, 751–771 (2021) doi.org/10.1038/s41580-021-00390-6
  71. [71]Castellana, M. et al. Fibrosis-4 Index vs Nonalcoholic Fatty Liver Disease Fibrosis Score in Identifying Advanced Fibrosis in Subjects With Nonalcoholic Fatty Liver Disease: A Meta-Analysis. Am J Gastroenterol 116, 1833–1841 (2021) doi.org/10.14309/ajg.0000000000001337
  72. [72]Castera, L. et al. Noninvasive Assessment of Liver Fibrosis. N Engl J Med 393, 1715–1729 (2025) doi.org/10.1056/NEJMra2403308
  73. [73]Chen, Y. et al. Diagnostic role of the fibrosis-4 index and nonalcoholic fatty liver disease fibrosis score as a noninvasive tool for liver fibrosis scoring. Medicine 103, e40214 (2024) doi.org/10.1097/MD.0000000000040214
  74. [74]Kanwal, F. et al. Clinical Care Pathway for the Risk Stratification and Management of Patients With Nonalcoholic Fatty Liver Disease. Gastroenterology 161, 1657–1669 (2021) doi.org/10.1053/j.gastro.2021.07.049
  75. [75]Rinella, M. E. et al. AASLD Practice Guidance on the clinical assessment and management of nonalcoholic fatty liver disease. Hepatology 77, 1797–1835 (2023) doi.org/10.1097/HEP.0000000000000323
  76. [76]Sterling, R. K. et al. AASLD Practice Guideline on blood-based noninvasive liver disease assessment of hepatic fibrosis and steatosis. Hepatology 81, 321–357 (2025) doi.org/10.1097/HEP.0000000000000845
  77. [77]Dulai, P. S. et al. Increased risk of mortality by fibrosis stage in nonalcoholic fatty liver disease: Systematic review and meta-analysis. Hepatology 65, 1557–1565 (2017). doi.org/10.1002/hep.29085
  78. [78]European Association for the Study of the Liver (EASL), European Association for the Study of Diabetes (EASD) & European Association for the Study of Obesity (EASO). EASL-EASD-EASO Clinical Practice Guidelines on the management of metabolic dysfunction-associated steatotic liver disease (MASLD). J Hepatol 81, 492–542 (2024). doi.org/10.1016/j.jhep.2024.04.031
  79. [79]Vilar-Gomez, E. et al. Weight loss through lifestyle modification significantly reduces features of nonalcoholic steatohepatitis. Gastroenterology 149, 367–378 (2015). doi.org/10.1053/j.gastro.2015.04.005
  80. [80]Lindström, J. & Tuomilehto, J. The diabetes risk score: a practical tool to predict type 2 diabetes risk. Diabetes Care 26, 725–731 (2003). doi.org/10.2337/diacare.26.3.725
  81. [81]Tuomilehto, J. et al. Prevention of type 2 diabetes mellitus by changes in lifestyle among subjects with impaired glucose tolerance. N Engl J Med 344, 1343–1350 (2001). doi.org/10.1056/NEJM200105033441801
  82. [82]Knowler, W. C. et al. Reduction in the incidence of type 2 diabetes with lifestyle intervention or metformin. N Engl J Med 346, 393–403 (2002). doi.org/10.1056/NEJMoa012512
  83. [83]Ahn, N. et al. Visceral adiposity index (VAI), lipid accumulation product (LAP), and product of triglycerides and glucose (TyG) to discriminate prediabetes and diabetes. Sci Rep 9, 9693 (2019) doi.org/10.1038/s41598-019-46187-8
  84. [84]Wang, Y. et al. Association of triglyceride glucose index with incident diabetes among individuals with normal fasting triglycerides and fasting plasma glucose values: a general population-based retrospective cohort study. Front Endocrinol 16, 1598171 (2025) doi.org/10.3389/fendo.2025.1598171
  85. [85]Mavraganis, G. et al. Improving cardiovascular risk stratification through the derivation and validation of an elevated triglyceride-glucose index. Diabetes Obes Metab 28, 982–993 (2026) doi.org/10.1111/dom.70270
  86. [86]Barzegar, N. et al. The impact of triglyceride-glucose index on incident cardiovascular events during 16 years of follow-up: Tehran Lipid and Glucose Study. Cardiovasc Diabetol 19, 155 (2020) doi.org/10.1186/s12933-020-01121-5
  87. [87]He, H.-M. et al. The additive effect of the triglyceride-glucose index and estimated glucose disposal rate on long-term mortality among individuals with and without diabetes: a population-based study. Cardiovasc Diabetol 23, 307 (2024) doi.org/10.1186/s12933-024-02396-8
  88. [88]Liu, X.-C. et al. The Triglyceride-Glucose Index, an Insulin Resistance Marker, Was Non-linear Associated With All-Cause and Cardiovascular Mortality in the General Population. Front Cardiovasc Med 7, 628109 (2020) doi.org/10.3389/fcvm.2020.628109

In die Praxis umsetzen

Zucker

Gewicht

Biomarker in diesem Bereich