Background: Manual muscle mass assessment based on Computed Tomography (CT) scans is recognized as a good marker for malnutrition, sarcopenia, and adverse outcomes. However, manual muscle mass analysis is cumbersome and time consuming. An accurate fully automated method is needed. In this study, we evaluate if manual psoas annotation can be substituted by a fully automatic deep learning-based method.Methods: This study included a cohort of 583 patients with severe aortic valve stenosis planned to undergo Transcatheter Aortic Valve Replacement (TAVR). Psoas muscle area was annotated manually on the CT scan at the height of lumbar vertebra 3 (L3). The deep learning-based method mimics this approach by first determining the L3 level and subsequently segmenting the psoas at that level. The fully automatic approach was evaluated as well as segmentation and slice selection, using average bias 95% limits of agreement, Intraclass Correlation Coefficient (ICC) and within-subject Coefficient of Variation (CV). To evaluate performance of the slice selection visual inspection was performed. To evaluate segmentation Dice index was computed between the manual and automatic segmentations (0 = no overlap, 1 = perfect overlap).Results: Included patients had a mean age of 81 ± 6 and 45% was female. The fully automatic method showed a bias and limits of agreement of -0.69 [-6.60 to 5.23] cm2, an ICC of 0.78 [95% CI: 0.74-0.82] and a within-subject CV of 11.2% [95% CI: 10.2-12.2]. For slice selection, 84% of the selections were on the same vertebra between methods, bias and limits of agreement was 3.4 [-24.5 to 31.4] mm. The Dice index for segmentation was 0.93 ± 0.04, bias and limits of agreement was -0.55 [1.71-2.80] cm2.Conclusion: Fully automatic assessment of psoas muscle area demonstrates accurate performance at the L3 level in CT images. It is a reliable tool that offers great opportunities for analysis in large scale studies and in clinical applications.
Background: Our aim was to identify dietary patterns by the level of maternal education that contribute to BMI, fat mass index (FMI), and fat-free mass index (FFMI) in children at age 5 and to assess if these dietary patterns are related to BMI at age 10. Methods: Per group (low/middle/high level), Reduced Rank Regression (RRR) was used to derive dietary patterns for the response variables BMI z-score, FMI, and FFMI in 1728 children at age 5 in the Amsterdam Born Children and their Development (ABCD) cohort. Regression analyses were then used to determine the association with BMI at age 10. Results: In each group, pattern 1 was characterized by its own cluster of food groups. Low: water/tea, savory snacks, sugar, low-fat meat, and fruits; middle: water/tea, low-fat cheese, fish, low-fat dairy, fruit drink, low-fat meat, and eggs; and high: low-fat cheese, fruits, whole-grain breakfast products, and low-fat and processed meat. Additionally, in each group, pattern 1 was positively associated with BMI z-scores at age 10 (low: β ≤ 0.43 [95% CI ≤ 0.21; 0.66], p < 0.001, middle: β ≤ 0.23 [0.09; 0.36], p ≤ 0.001, and high: β ≤ 0.24 [0.18; 0.30], p < 0.001). Conclusions: The dietary patterns stratified by the level of maternal education are characterized by different food groups. But in all the groups, pattern 1 is positively associated with BMI at age 10.
MULTIFILE
Jonge kinderen met overgewicht is een actueel probleem, met name bij bevolkingsgroepen met een migratie-achtergrond en een lage sociaaleconomische status in grote steden zoals Amsterdam. Om overgewicht tegen te gaan is het belangrijk om al op jonge leeftijd in te zetten op een gezonde leefstijl met goede voeding en voldoende beweging en slaap. Daarnaast heeft de opvoeding van ouders ook een grote invloed op het ontwikkelen van een (on)gezond gewicht, met name bij jonge kinderen. Vaak worden leefstijlinterventies ingezet om overgewicht tegen te gaan, veelal ontwikkeld door voedings- en beweegprofessionals en gezondheidsbevorderaars. Diverse programma’s voor het stimuleren van een gezonde leefstijl en het tegengaan van overgewicht werken met een cultuursensitieve aanpak om aan te sluiten bij de doelgroep. Deze aanpak vraagt ook om pedagogische expertise, aangezien de opvoeding een belangrijke rol speelt. Als expert op het gebied van opvoeding is het aan de pedagoog om deze expertise ook in te zetten bij de gezonde ontwikkeling van kinderen in de grote stad. Het samenbrengen van expertises met betrekking tot opvoeding en een gezonde leefstijl moet leiden tot een nieuwe en effectieve strategie in de bestrijding van overgewicht bij jonge kinderen waarbij rekening wordt gehouden met culturele en etnische verschillen in opvattingen en gedrag van ouders ten aanzien van opvoeding en een gezonde leefstijl.De onderzoeksvragen van deze studie zijn:1. Op welke wijze hanteren internationale en lokale leefstijlinterventies voor gezinnen met jonge kinderen in de voorschoolse periode (1-4 jaar) een cultuursensitieve aanpak?2. Hanteren deze leefstijlinterventies ook een pedagogisch onderbouwde aanpak?
