Quantifizierung des Einflusses intermediärer Variablen auf
Risikobeziehungen am Beispiel der Assoziation zweier
Adipositasmaße zum Myokardinfarkt-Risiko
vorgelegt von
Diplom-Ernährungswissenschaftlerin,
Magistra der Gesundheitswissenschaften / Public Health
Dagmar Drogan
von der Fakultät VII – Wirtschaft und Management der Technischen Universität Berlin
zur Erlangung des akademischen Grades
Doktorin der Gesundheitswissenschaften / Public Health
– Dr. P.H. –
Genehmigte Dissertation
Promotionsausschuss:
Vorsitzende: Prof. Dr. Ulrike Maschewsky-Schneider
Gutachter: Prof. Dr. Reinhard Busse
Gutachter: Prof. Dr. Heiner Boeing
Tag der wissenschaftlichen Aussprache: 13.01.2009
Berlin 2009
D 83
„Essentially, all models are wrong, but some are useful.”
G.E.P. Box
Inhaltsverzeichnis
Inhaltsverzeichnis
Inhaltsverzeichnis - 3 -
Abbildungsverzeichnis - 6 -
Tabellenverzeichnis - 8 -
Abkürzungsverzeichnis - 10 -
1. Einleitung - 12 -
1.1 Problemstellung - 12 -
1.2 Ziel der Arbeit - 13 -
1.3 Myokardinfarkt - 14 -
1.3.1 Krankheitsbild und Pathogenese - 14 -
1.3.2 Epidemiologie und Public-Health Relevanz - 15 -
1.3.3 Risikofaktor Adipositas - 16 -
1.4 Ausgewählte klinisch-chemische Parameter und deren Beziehung zu
Adipositas und Myokardinfarkt - 20 -
1.4.1 Cholesterol - 20 -
1.4.2 LDL-Cholesterol - 20 -
1.4.3 Oxidiertes LDL - 21 -
1.4.4 HDL-Cholesterol - 22 -
1.4.5 Triglyzeride - 22 -
1.4.6 Glukose - 23 -
1.4.7 γ-Glutamyltransferase - 23 -
1.4.8 Harnsäure - 24 -
1.4.9 Adiponektin - 24 -
1.4.10 Resistin - 25 -
1.4.11 Interleukin-6 - 25 -
1.4.12 C-Reaktives Protein - 26 -
1.5 Zerlegung von Expositionseffekten - 27 -
1.5.1 Definition und Identifizierung intermediärer Variablen - 27 -
1.5.2 Statistische Methoden zur Effektzerlegung - 28 -
2. Methoden - 31 -
2.1 Methodisches Konzept zur Bewertung von Intermediaten und deren
Informationsgehalt - 31 -
2.1.1 Kriterien der Mediation und deren Testung - 31 -
- 3 -
Inhaltsverzeichnis
2.1.2 Punkt- und Intervallschätzungen von indirekten Effekten - 36 -
2.2 EPIC-Potsdam Studie - 39 -
2.2.1 Basisuntersuchung - 39 -
2.2.2 Nachbeobachtung und Verifizierung von Myokardinfarkt - 43 -
2.2.3 Eingebettete Fall-Kohorten-Studie - 44 -
2.2.4 Analytische Studienpopulation - 46 -
2.3 Statistische Methoden - 47 -
2.3.1 Definition und Skalierung relevanter Studienvariablen - 47 -
2.3.2 Deskriptive und analytische Statistik - 50 -
3. Ergebnisse - 53 -
3.1 Charakterisierung der Studienpopulation nach Einflussvariablen - 53 -
3.1.1 Vergleich von Fällen und Nicht-Fällen - 53 -
3.1.2 Vergleich von Studienteilnehmern basierend auf BMI- und WHR-
Kategorien - 57 -
3.1.3 Korrelation zwischen den klinisch-chemischen Parametern in der
analytischen Studienpopulation - 61 -
3.2 Testung der Mediationskriterien - 63 -
3.2.1 1. Mediationskriterium: Die Beziehung zwischen
Expositionsvariablen und klinisch-chemischen Parametern - 63 -
3.2.2 2. Mediationskriterium: Die Beziehung zwischen
Expositionsvariablen und MI-Risiko - 64 -
3.2.3 3. Mediationskriterium: Die Beziehung zwischen den klinisch-
chemischen Parametern und MI-Risiko - 65 -
3.2.4 4. Mediationskriterium: Test auf Effektabschwächung - 67 -
3.2.5 Zusammenfassung der Testergebnisse zu den geprüften
Mediationskriterien - 68 -
3.3 Quantitative Zerlegung von Expositionseffekten durch
Mediationsvariablen - 70 -
3.3.1 Zerlegung des Effektes von WHR ≥ 0,85[w]/1,0[m] auf das MI-
Risiko - 70 -
3.3.2 Zerlegung des Effektes von BMI ≥ 30 kg/m2 auf das MI-Risiko - 71 -
3.3.3 Zerlegung von Expositionseffekten in Abhängigkeit vom
Blutdruck als weiteres potentielles Intermediat - 72 -
4. Diskussion - 75 -
- 4 -
Abbildungsverzeichnis
Abbildungsverzeichnis
Abb. 1-1 Schlüsselschritte in der Initiierung und dem Fortschreiten
atherosklerotischer Läsionen - 15 -
Abb. 1-2 Überblick über die Beziehung zwischen Adipositas, Insulinresistenz
und Kardiovaskulären Erkrankungen - 18 -
Abb. 1-3 Zusammenhang zwischen Exposition, Intermediat, Confounder und
Zielerkrankung - 27 -
Abb. 1-4 Darstellung des multiplen Mediationsmodells (A) nach Lin et al.
(1997), (B) nach Chen et al.(2003) - 30 -
Abb. 2-1 Darstellung des gesamten und zerlegten Effektes einer Exposition auf
die Inzidenz der Zielerkrankung unter Berücksichtigung von
Confoundern und Intermediat sowie Definition der vier Kriterien zur
Mediationstestung - 31 -
Abb. 2-2 Studienverlauf der EPIC-Potsdam Studie und Überblick der dabei
erfassten Studienvariablen - 39 -
Abb. 2-3 Zur Basisuntersuchung eingesetzte Erfassungsinstrumente und die
damit erhobenen Studienvariablen der EPIC-Potsdam Studie - 40 -
Abb. 2-4 Zusammensetzung der Fall-Kohorten-Studie sowie deren Einbettung
in die European Prospective Investigation into Cancer and Nutrition
(EPIC)-Potsdam Studie - 44 -
Abb. 2-5 Zusammensetzung der analytischen Fall-Kohorten-Studie nach
Anwendung der Ausschlusskriterien - 47 -
Abb. 3-1 Prävalenz eines WHR ≥ 0,85[w]/1,0[m] und eines BMI ≥ 30 kg/m2
bei Personen mit inzidentem Myokardinfarkt (MI-Fälle) und Nicht-
Fällen einer in die EPIC-Potsdam Kohorte eingebetteten Fall-
Kohorten-Studie (n=914) - 55 -
- 6 -
Abbildungsverzeichnis
Abb. 3-2 Hazardraten-Verhältnisse# (HR) und 95% Konfidenzintervalle (KI)
für die Beziehung zwischen klinisch-chemischen Parametern§ und
Myokardinfarkt-Risiko in einer in die EPIC-Potsdam Kohorte
eingebetteten Fall-Kohorten-Studie (n=914) - 66 -
Abb. 3-3 Auf PEE-Schätzungen# basierende Zerlegung der Beziehung
zwischen WHR ≥ 0,85[w]/1,0[m] oder BMI ≥ 30 kg/m2 und
Myokardinfarkt-Risiko durch Mediationsvariablen§ in einer in die
EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=889) - 74 -
- 7 -
Tabellenverzeichnis
Tabellenverzeichnis
Tabelle 2-1 Zerlegung des Expositionseffektes nach Chen et al. (2003) - 37 -
Tabelle 2-2 Liste der Expositionsgrößen und der Variablen des Basismodells
sowie deren Skalenniveau - 49 -
Tabelle 3-1 Arithmetischer Mittelwert ± Standardabweichung oder Häufigkeit
ausgewählter Studienvariablen der Basisuntersuchung von Personen
mit inzidentem Myokardinfarkt (MI-Fälle) und Nicht-Fällen einer in
die EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie
(n=914) - 54 -
Tabelle 3-2 Geometrischer Mittelwert ± Standardabweichung der
Plasmakonzentrationen klinisch-chemischer Parameter von Personen
mit inzidentem Myokardinfarkt (MI-Fälle) und Nicht-Fällen einer in
die EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie
(n=914) - 56 -
Tabelle 3-3 Arithmetischer Mittelwert ± Standardabweichung oder Häufigkeit
ausgewählter Studienvariablen der Basisuntersuchung über die
WHR- und BMI-Kategorien einer in die EPIC-Potsdam Kohorte
eingebetteten Fall-Kohorten-Studie (n=914) - 58 -
Tabelle 3-4 Geometrischer Mittelwert ± Standardabweichung der
Plasmakonzentrationen klinisch-chemischer Parameter über die
WHR- und BMI-Kategorien einer in die EPIC-Potsdam Kohorte
eingebetteten Fall-Kohorten-Studie (n=914) - 60 -
Tabelle 3-5 Rangkorrelationskoeffizienten nach Spearman der im Blutplasma
bestimmten klinisch-chemischen Parameter innerhalb einer in die
EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914) - 62 -
- 8 -
Tabellenverzeichnis
Tabelle 3-6 Regressionskoeffizienten# (βE) für die in multiplen
Regressionsmodellen geschätzte Beziehung zwischen WHR ≥
0,85[w]/1,0[m] oder BMI ≥ 30 kg/m2 und verschiedenen klinisch-
chemischen Parametern§ in einer in die EPIC-Potsdam Kohorte
eingebetteten Fall-Kohorten-Studie (n=914) - 63 -
Tabelle 3-7 Hazardraten-Verhältnis# (HR) und 95% Konfidenzintervall (KI) für
die Beziehung zwischen WHR ≥ 0,85[w]/1,0[m] oder BMI ≥ 30
kg/m2 und dem Risiko für Myokardinfarkt in einer in die EPIC-
Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914) - 64 -
Tabelle 3-8 Einfluss der Adjustierung für klinisch-chemische Parameter auf die
Beziehung zwischen Exposition (WHR ≥ 0,85[w]/1,0[m] oder BMI ≥
30 kg/m2) und Myokardinfarkt-Risiko in einer in die EPIC-Potsdam
Kohorte eingebetteten Fall-Kohorten-Studie (n=914)# - 68 -
Tabelle 3-9 Zusammenfassung der Testergebnisse des ersten, dritten und
vierten Mediationskriteriums zur Bewertung von klinisch-
chemischen Parametern als Mediationsvariablen der Beziehung
zwischen WHR ≥ 0,85[w]/1,0[m] oder BMI ≥ 30 kg/m2 zum
Myokardinfarkt-Risiko - 69 -
Tabelle 3-10 Proportion of Exposure Effect# (PEE) und 95% KI für die durch
Mediationsvariablen erklärten Anteile an der Risikobeziehung
zwischen WHR ≥ 0,85[w]/1,0[m] und Myokardinfarkt in einer in die
EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914) - 70 -
Tabelle 3-11 Proportion of Exposure Effect# (PEE) und 95% KI für die durch
Mediationsvariablen erklärten Anteile an der Risikobeziehung
zwischen BMI ≥ 30 kg/m2 und Myokardinfarkt in einer in die EPIC-
Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914) - 71 -
- 9 -
Abkürzungsverzeichnis
Abkürzungsverzeichnis
Abb. Abbildung
BMI Body Mass Index
CETP Cholesteryl-Ester-Transfer-Proteins
EKG Elektrokardiogramm
ELISA Enzyme Linked Immunosorbent Assay
EPIC European Prospective Investigation into Cancer and Nutrition
FFA Freie Fettsäuren
FFQ Ernährungshäufigkeitsfragebogen (Food Frequency Questionnaire)
gChol Gesamtcholesterol
GGT γ-Glutamyltransferase
Glc Glukose
HDL High Density Lipoprotein
HDL-C High Density Lipoprotein-gebundenes Cholesterol
HL Hepatische Lipase
HR Hazardraten-Verhältnis
ICD International Classification of Disease
KHK Koronare Herzkrankheit
KI Konfidenzintervall
KVK Kardiovaskuläre Krankheiten
LDL Low Density Lipoprotein
LDL-C Low Density Lipoprotein-gebundenes Cholesterol
m Männlich
MI Myokardinfarkt
n Anzahl
- 10 -
Abkürzungsverzeichnis
NAFLD Nichtalkoholische Fettlebererkrankung (Nonalcoholic Fatty Liver Disease)
oxi-LDL oxidiertes Low Density Lipoprotein
OR Odds Ratio
PTE Anteil am Behandlungseffekt (Proportion of Treatment Effect)
PEE Anteil am Expositionseffekt (Proportion of Exposure Effect)
RR Relatives Risiko
SAS Statistical Analysis System
SD Standardabweichung (Standard Deviation)
sdLDL kleine, dichte LDL Partikel (small, dense LDL)
S.E. Standardfehler (Standard Error)
TG Triglyzeride
VK Variationskoeffizient
VLDL Very Low Density Lipoprotein
w Weiblich
WHO Weltgesundheitsorganisation (World Health Organization)
WHR Taille-Hüftumfangsquotient (Waist-to-hip ratio)
- 11 -
Einleitung
1. Einleitung
1.1 Problemstellung
Der Myokardinfarkt (MI) ist weltweit eine der häufigsten Todesursachen. Zu den
etablierten Risikofaktoren dieser kardiovaskulären Erkrankung gehören das Alter,
männliches Geschlecht sowie Störungen des Lipidstoffwechsels. Daneben sind Rauchen
und Adipositas die wichtigsten modifizierbaren Risikofaktoren [1]. Es existiert jedoch eine
Vielzahl klinisch-chemischer Parameter, die weitere potentielle MI-Risikofaktoren
darstellen. In der Literatur werden diese Parameter oft als Biomarker bezeichnet [2].
Aufgrund analytischer und technologischer Weiterentwicklungen steigt die Zahl
identifizierter und routinemäßig messbarer Biomarker stetig an. Als ein Beispiel seien die
im Fettgewebe produzierten Substanzen (Adipokine) genannt, von denen mittlerweile mehr
als 50 identifiziert wurden [3]. In diversen wissenschaftlichen Abhandlungen werden die
Adipokine als wichtiges Bindeglied zwischen Adipositas und dem damit assoziierten
Risiko kardiovaskulärer Krankheiten (KVK) postuliert [3-7]. Im Hinblick auf die
weitreichenden metabolischen Konsequenzen von Adipositas könnten neben den
Adipokinen viele weitere Biomarker die Auswirkungen einer exzessiven Fettanlagerung
auf das KVK-Risiko erklären [8]. Innerhalb epidemiologischer Studien wurden
Bindeglieder zwischen Adipositas und KVK bislang jedoch kaum strukturiert analysiert.
Aus statistischer Sicht werden solche Bindeglieder als Intermediate bezeichnet, da sie den
Effekt einer Expositionsgröße auf das Zielereignis partiell oder vollständig vermitteln.
Beide Variablen sind miteinander assoziiert und liefern somit nur begrenzt unabhängige
Informationen bezüglich der Vorhersage der Zielgröße. Daher lässt sich die Beziehung
zwischen Exposition und Zielereignis nur dann unverzerrt schätzen, wenn nicht für das
Intermediat adjustiert wird [9]. Häufig werden Expositions- und Intermediärvariablen
dennoch gemeinsam modelliert. Einerseits ist dies auf den Wunsch zurückzuführen,
möglichst alle Einflussgrößen einer Erkrankung im Regressionsmodell zu berücksichtigen.
Andererseits fehlen in der Epidemiologie objektive Testverfahren zur Identifizierung
intermediärer Variablen. Außerdem sind statistische Methoden nötig, um den Einfluss von
Intermediärvariablen auf die Risikobeziehung zwischen Exposition und Zielereignis zu
quantifizieren und somit den Informationsgehalt von Intermediärvariablen sinnvoll zu
berücksichtigen.
- 12 -
Einleitung
1.2 Ziel der Arbeit
Das Ziel der Arbeit ist es, ein methodisches Konzept zum Umgang mit Expositions- und
Intermediärvariablen im Rahmen epidemiologischer Analysen zu entwickeln. Dies
beinhaltet die Anpassung eines statistischen Testverfahrens zur Identifizierung potentieller
Intermediärvariablen (i.e. Mediationsvariablen) an Modelle mit dichotomem Zielereignis.
Außerdem soll eine geeignete Methode ausgewählt werden, mit der sich Expositions- und
Mediationsvariablen gemeinsam modellieren und deren Zusammenwirken hinsichtlich
eines Erkrankungsrisikos analysieren lassen.
Aufbauend auf den erarbeiteten Methoden sollen exemplarisch Bindeglieder untersucht
werden, die die Beziehung allgemeiner Adipositas und androider Adipositas zum MI-
Risiko innerhalb einer prospektiven Kohortenstudie erklären. Als potentielle
Intermediärvariablen sollen die folgenden, im Blutplasma bestimmten Parameter analysiert
und deren Anteil an der Risikobeziehung zwischen androider / allgemeiner Adipositas und
MI-Inzidenz quantifiziert werden: Gesamtcholesterol, LDL-Cholesterol, HDL-Cholesterol,
Triglyzeride, Glukose, γ-Glutamyltransferase, Harnsäure, Resistin, Adiponektin,
Interleukin-6, C-reaktives Protein.
Dabei sollen folgende Hypothesen geprüft werden:
- Sowohl eine androide als auch eine allgemeine Adipositas sind Prädiktoren der MI-
Inzidenz.
- Innerhalb der oben genannten klinisch-chemischen Parameter lassen sich
Mediationsvariablen für die Risikobeziehung zwischen androider / allgemeiner
Adipositas und MI-Risiko identifizieren.
- Der Einfluss der Mediationsvariablen auf diese Risikobeziehung lässt sich
quantifizieren.
- Insbesondere die im Fettgewebe exprimierten Moleküle erklären einen hohen Anteil
der Assoziation zwischen Exposition und MI-Risiko.
- Die androide Adipositas ist mit einem besonders negativen metabolischen Profil
assoziiert, so dass der Einfluss dieser Expositionsgröße auf die MI-Inzidenz stärker
durch klinisch-chemische Parameter erklärt wird als der Einfluss einer allgemeinen
Adipositas.
- 13 -
Einleitung
1.3 Myokardinfarkt
1.3.1 Krankheitsbild und Pathogenese
Der Myokardinfarkt ist definiert als irreversibler Untergang von Herzmuskelzellen
aufgrund einer starken bzw. vollständigen Durchblutungsstörung des Herzens (Ischämie).
Die klinischen Symptome und der zeitliche Verlauf eines MI sind variabel [10]. Während
einige Menschen unspezifische oder gar keine Beschwerden verspüren, äußert sich der MI
in den meisten Fällen durch einen plötzlich auftretenden, stechenden Schmerz im
Brustbereich, der länger als 20 Minuten andauert. Dieser Schmerz kann bis in die Arme,
den Unterkiefer oder den Oberbauch ausstrahlen und wird oftmals von Schweißausbrüchen
und Übelkeit bis hin zu Erbrechen begleitet. Je nach Lokalisation, Ausprägung und Dauer
der Durchblutungsstörung kann ein MI zum Tod durch Herz-Kreislauf-Stillstand führen
oder aber durch Vernarbung ausheilen. Der Verlust von Herzmuskelzellen kann zur
chronischen Überlastung der verbleibenden Zellen und somit zu einer Herzinsuffizienz
führen.
Typischerweise entsteht ein MI aufgrund fortgeschrittener atherosklerotischer Läsionen im
Rahmen einer Koronaren Herzkrankheit (KHK). In den Blutgefäßen sind
atherosklerotische Plaques gekennzeichnet durch eine variable Kombination von Intima-
Veränderungen bestehend aus herdförmigen Ansammlungen von Lipiden, komplexen
Kohlenhydraten, Blut und Blutbestandteilen, Bindegewebe und Kalziumablagerungen [11].
Der erste Schritt bei der Entstehung solcher Plaques ist vermutlich eine
Endothelschädigung, die zur Aktivierung der Blutgerinnung sowie zu einer lokalen
Entzündungsreaktion führt (Abb. 1-1). Im weiteren Verlauf werden verstärkt monozytäre
Zellen angezogen, die in die Intima der Gefäßwand einwandern und sich dort zu
Makrophagen entwickeln. Diese Zellen können Lipide, Cholesterinester und insbesondere
oxidativ veränderte Lipoproteine anreichern. Bei Lipidüberladung entstehen die
charakteristischen Zellen atherosklerotischer Plaques, die so genannten Schaumzellen. In
Folge der Endothelschädigung werden außerdem Wachstumsfaktoren freigesetzt, die die
Proliferation der glatten Muskelzellen sowie deren Einwanderung in die Intima
begünstigen [12].
- 14 -
Einleitung
Abb. 1-1 Schlüsselschritte in der Initiierung und dem Fortschreiten atherosklerotischer Läsionen
Glatte
Muskelzellen
Proliferation & Migration
glatter Muskelzellen
Y
Adhäsionsmolekül
Monozyt
Makrophage
Schaumzelle
LDL
Oxi-LDL
Scavenger Rezeptor
Endothel-
zellen
Intima
Endotheliale
Dysfunktion
Oxidativer Stress
In Anlehnung an Kostner (2003) [13]
Grundsätzlich unterscheidet man zwischen den stabilen fibrösen Plaques und den
vulnerablen lipidgefüllten Plaques [14]. Das Aufreißen vulnerabler Plaques – die so
genannte Plaque-Ruptur – kann durch mechanische Reize oder durch die Wirkung von
Metalloproteasen ausgelöst werden, was zur Plättchenaktivierung führt. Im Bereich der
Koronararterien kann die daraus resultierende Thrombusbildung (Koronarthrombose) zu
Myokardinfarkt führen und tatsächlich sind vulnerable Plaques für etwa 76% aller
tödlichen koronaren Thrombosen verantwortlich [15].
1.3.2 Epidemiologie und Public-Health Relevanz
Der akute MI ist durch eine hohe Letalität gekennzeichnet. In der MONICA-Studie
verstarben 49% aller männlichen und 51% aller weiblichen MI-Fälle innerhalb der ersten
28 Tage nach MI. Dabei waren regionale Schwankungen zu beobachten, die zu einem
wesentlichen Teil von der Erstversorgung der Patienten abhängen [16]. In Deutschland wie
auch in den meisten anderen industrialisierten und sozioökonomisch hoch entwickelten
Ländern stellt der MI eine der häufigsten Todesursachen dar. Im Jahr 2006 verstarben in
Deutschland 35 631 Männer (9,2%) und 29 165 Frauen (6,7%) an einem MI. Mit
insgesamt 7,9% aller Todesfälle lag der MI somit an zweiter Stelle der Todesursachen in
Deutschland [17].
- 15 -
Einleitung
In beiden Geschlechtern nimmt die Häufigkeit der Myokardinfarkte mit steigendem Alter
zu. Schätzungen des MONICA/KORA Herzinfarktregisters zufolge liegt die
altersstandardisierte Inzidenzrate von Männern bei 313 MI-Fällen, die von Frauen bei 100
MI-Fällen je 100 000 Einwohner [18]. Die tatsächliche Inzidenz dürfte jedoch höher sein,
da die so genannten „stillen“ Infarkte nicht berücksichtigt wurden. Diese verlaufen ohne
die typischen MI-Symptome und werden daher von den Betroffenen oder den
behandelnden Ärzten oft nicht erkannt. Der Anteil stiller MI an der gesamten MI-Inzidenz
wird auf 4 – 44% geschätzt [19, 20].
Aufgrund der medikamentösen Dauertherapie und der häufigen Anwendung invasiver
Eingriffe ist die Behandlung von MI-Patienten kostenintensiv und stellt eine erhebliche
volkswirtschaftliche Belastung dar. Im Jahr 2004 wurden rund 6,3 Milliarden € für die
Behandlung der KHK ausgegeben, was einem Anteil von 2,8% an den gesamten
Krankheitskosten entspricht [21]. Folgekosten entstehen zudem durch Arbeitsunfähigkeit
und vorzeitigen Tod. So waren im Jahr 2002 etwa 0,9% (48 000 Jahre) aller verlorenen
Erwerbstätigkeitsjahre auf den akuten MI zurückzuführen.
1.3.3 Risikofaktor Adipositas
Das Fettgewebe des Menschen dient der Speicherung von Energie in Form von
Triglyzeriden (TG). Die wichtigsten Lipidspeicher des Menschen sind das subkutane und
das viszerale (intra-abdominale) Fettgewebe. Zusätzlich zu diesen klassischen Depots
können sich überzählige Lipide außerdem in und um andere Organe anlagern und deren
Funktion beeinflussen [22]. Eine starke Erhöhung des Körperfettes wird als Adipositas
oder Fettsucht bezeichnet und ist von der WHO als eine chronische Erkrankung eingestuft
worden [23]. In den europäischen Staaten sind 4 – 28% der Männer sowie 6 – 37% der
Frauen adipös [24]. Mit einer Adipositas-Prävalenz von schätzungsweise 19% (Männer)
und 22% (Frauen) liegt Deutschland demzufolge im europäischen Mittel [25, 26].
Es gibt verschiedene anthropometrische Maßzahlen zur Abschätzung des absoluten oder
relativen Körperfettgehalts. Ein häufig verwendeter und geschlechtsunspezifischer
Indikator für das Gesamtfett ist der „Body Mass Index“ (BMI), der das Verhältnis
zwischen Körpermasse und quadrierter Körperhöhe reflektiert. Eine Adipositas liegt bei
einem BMI ≥ 30 kg/m vor [23]. Der BMI ist jedoch ungeeignet, um die
Körperfettverteilung widerzuspiegeln. Androide und gynoide Fettverteilungsmuster lassen
sich besser durch den Taille-Hüftumfangsquotienten (Waist-to-hip ratio, WHR) abbilden
- 16 -
Einleitung
und entsprechend der WHO ist eine das KVK-Risiko erhöhende androide Fettverteilung
definiert als WHR ≥ 1,0 bei Männern und WHR ≥ 0,85 bei Frauen (WHR ≥
0,85[w]/1,0[m]) [23].
Im Regelfall entsteht Adipositas infolge einer jahrelangen Dysbalance zwischen
Energieaufnahme und -verbrauch [23]. Dementsprechend sind die Ernährung und die
physische Aktivität wichtige modifizierbare Determinanten einer Adipositas (Abb. 1.2). Im
postresorptiven Zustand und während des Fastens werden die im Fettgewebe gespeicherten
Triglyzeride gespalten. Dabei entstehen freie Fettsäuren (FFA), die vorrangig von den
Muskelzellen aufgenommen und dort als Energiequelle genutzt werden. Entgegen früherer
Vorstellungen ist das Fettgewebe kein passives Speicherorgan sondern ein metabolisch
aktives, endokrines Gewebe, das eine Reihe von Proteinen – die so genannten Adipokine –
sezerniert. Wichtige Adipokine sind beispielsweise Leptin, Adiponektin und Resistin [27].
Zudem stellen die im Fettgewebe ansässigen Makrophagen die vermutlich wichtigste
Quelle pro-inflammatorischer Zytokine wie beispielsweise Interleukin-6 (IL-6) dar [28].
Übergewicht hat direkte Auswirkungen auf die Struktur und Funktion des Herzens, da der
steigende Sauerstoff- und Nährstoffbedarf durch ein erhöhtes Blut- und Herzzeitvolumen
kompensiert werden muss (Abb. 1.2). Auch beeinflussen Fettablagerungen am Herzen
dessen systolische und diastolische Funktion [29]. Adipositas trägt außerdem zur
Entstehung einer Insulinresistenz bei. Grundsätzlich unterscheidet man zwischen der
hepatischen Insulinresistenz und der peripheren, vor allem das Muskel – und Fettgewebe
betreffenden Insulinresistenz [30]. Bei beiden Formen scheinen die vom Fettgewebe
abgegebenen FFA beteiligt zu sein, die konkurrierende Energieträger zur Glukose
darstellen und zudem direkt in die Insulin-Signalkaskade und den Glukose-Stoffwechsel
eingreifen [31]. Andere wichtige Substanzen, die den Effekt von Übergewicht auf
Insulinresistenz erklären könnten, sind Adiponektin, IL-6, der Tumor-Necrosis Factor
(TNF)-α und Resistin [30].
- 17 -
Einleitung
Nicht modifizierbare Risikofaktoren
•Alter
• Männliches Geschlecht
• Familiäre Vorgeschichte
• Genetik
Lebensstil-Risikofaktoren
•Rauchen
• Fehlernährung
• Physische Inaktivität
Adipositas
↑Freie Fettsäuren
↑Inflammatorische Zytokine (IL-6)
↓Anti-inflammatorische Zytokine (Adiponektin)
↑Leptin
……
Hypertonie
Kardiovaskuläre Erkrankungen
•KHK
• Schlaganfall
• periphere arterielle Verschlusskrankheit
Insulin-Resistenz
↑Dyslipidämie
↑Glukose
↑Insulin
Prothrombotischer Zustand
Endotheliale
Dysfunktion
Anatomische & funktionelle
Veränderungen am Herzen
Abb. 1-2 Überblick über die Beziehung zwischen Adipositas, Insulinresistenz und Kardiovaskulären Erkrankungen
In Anlehnun
g
an Morris et al
(
2007
)
[
32
]
- 18 -
Einleitung
Bei Insulinresistenz erhöht sich die TG-Konzentration im Plasma, da die hepatische
Sekretion TG-reicher Partikel – der so genannten Very Low Density Lipoproteine (VLDL)
– ansteigt. Hypertriglyzeridämie wiederum beeinflusst die Größe und Dichte von Low
Density Lipoprotein Partikeln (LDL). Verursacht wird dieser Vorgang durch Lipid-
Transferprozesse zwischen VLDL und LDL, die von dem Enzym Cholesteryl-Ester-
Transfer-Protein (CETP) katalysiert werden. Unter Beteiligung von CETP werden die
Cholesterylester von LDL im äquimolaren Verhältnis gegen TG ausgetauscht. Die dabei
entstehenden TG-reichen LDL werden von der Hepatischen Lipase (HL) lipolytisch in
kleine, dichte LDL-Partikel (small, dense LDL, sdLDL) umgewandelt, die eine besonders
atherogene LDL-Subklasse darstellen [33]. Über die gleichen Mechanismen begünstigen
hohe TG-Spiegel eine niedrige Konzentration der kardioprotektiven High Density
Lipoproteine (HDL), da die mit Hypertriglyzeridämie assoziierten kleinen, dichten HDL-
Partikel schneller in der Niere abgebaut werden [34].
Adipositas ist ein wichtiger modifizierbarer Risikofaktor kardiovaskulärer Erkrankungen.
Positive Beziehungen zwischen erhöhten BMI-Werten und KHK-Inzidenz wurden in
verschiedenen amerikanischen [35-40], europäischen [41, 42] und asiatischen [43, 44]
Kohortenstudien gefunden. Im Gegensatz dazu wiesen in der Atherosclerosis Risk in
Communities (ARIC)-Studie nur die weiblichen Teilnehmer eine signifikante Assoziation
zwischen BMI und KHK-Risiko auf [45]. Auch innerhalb der Kuopio Ischemic Heart
Disease Risk Factor Study hatten Teilnehmer mit einem BMI im vierten Quartil im
Vergleich zum ersten Quartil kein signifikant erhöhtes KHK-Risiko (RR=1,52; 95% KI
0,88 – 2,63). In dieser Population stieg die Inzidenz koronarer Ereignisse jedoch stark an in
Abhängigkeit des WHR-Wertes [46]. Die relative Bedeutung von allgemeiner Adipositas
und einem ungünstigen Fettverteilungsmuster ist umstritten. In mehreren prospektiven
Studien waren abdominale Adipositas bzw. ein erhöhter WHR stärker mit dem KHK-
Risiko assoziiert als die über den BMI bestimmte allgemeine Zunahme des
Körperfettanteils [42, 45-48]. Zudem gibt es Hinweise, dass der WHR ein BMI-
unabhängiger Prädiktor koronarer Erkrankungen ist [35, 42, 49]. Im Vergleich zu den
Adipozyten des subkutanen Fettgewebes sind die im intra-abdominalen Fettgewebe
ansässigen Adipozyten metabolisch aktiver. Neben einer deutlich höheren Sekretion von
IL-6 [50] tragen diese Adipozyten in besonderem Maße zu erhöhten FFA-Spiegeln und die
daraus resultierende Insulinresistenz bei [51]. Während die Insulinsensitivität im Vergleich
zum subkutanen Fettgewebe geringer ist, reagiert das intra-abdominale Fettgewebe zudem
- 19 -
Einleitung
sensitiver auf adrenerge Stimuli [52]. Abdominale Adipositas tritt oft gemeinsam mit
Glukose-Intoleranz, Hyperinsulinämie, Dyslipidämie und Hypertonie auf und diese
Anhäufung von KVK-Risikofaktoren wird als Metabolisches Syndrom bezeichnet [53].
Die in Abbildung 1.2 dargestellten Zusammenhänge zwischen Adipositas und KVK bieten
nur einen grob vereinfachten Überblick. Tatsächlich verändert Adipositas das Profil einer
großen Anzahl klinisch-chemischer Parameter, die wiederum mit dem KVK-Risiko
assoziiert sind. Einige dieser Parameter wurden im Rahmen der Promotionsarbeit
analysiert und werden daher im Folgekapitel kurz vorgestellt.
1.4 Ausgewählte klinisch-chemische Parameter und deren Beziehung zu
Adipositas und Myokardinfarkt
1.4.1 Cholesterol
Cholesterol ist ein Bestandteil von Zellmembranen und dient darüber hinaus der Synthese
von Gallensäuren und Steroidhormonen. Daher stellt Cholesterol für den Menschen ein
essentielles Lipid dar, dessen endogene Synthese streng reguliert wird. Bei Übergewicht
und Adipositas sind die Gesamtcholesterol (gChol)-Spiegel nicht zwingend erhöht [54].
Dennoch scheint das Körpergewicht einen Einfluss auf gChol zu haben, wie mehrere
Interventionsstudien zeigen, bei denen eine operative Gewichtsreduktion deutlich die
Konzentration dieses Lipids reduzierte [55-57]. Erhöhte gChol-Werte sind ein anerkannter
KVK-Risikofaktor [1] und werden dementsprechend für die Vorhersage kardiovaskulärer
Ereignisse herangezogen [58, 59]. Selbst wenn Adipositas also nur schwach mit gChol
assoziiert ist, könnte sich diese Beziehung dennoch in einem signifikanten Anstieg des
KVK-Risikos widerspiegeln. Die Mechanismen, über die Cholesterol in die Atherogenese
eingreift, werden auf den Folgeseiten beschrieben, wenn auf die Cholesterolanteile
verschiedener Lipoproteinfraktionen eingegangen wird.
1.4.2 LDL-Cholesterol
Low Density Lipoproteine (LDL) stellen eine wichtige Lipoprotein-Klasse dar. Der größte
Anteil des im Serum zirkulierenden Cholesterols ist an LDL gebunden und erhöhte
Konzentrationen von LDL-Cholesterol (LDL-C) begünstigen die Entwicklung von
Schaumzellen – den charakteristischen Zellen atherosklerotischer Plaques [60]. Daher ist
LDL-C ein anerkannter KVK-Risikofaktor [1]. Erhöhte LDL-C-Spiegel lassen sich
effektiv durch Statingabe senken, da diese Medikamente einen Schlüsselschritt in der
- 20 -
Einleitung
Cholesterol-Biosynthese hemmen. In einer kürzlich publizierten Meta-Analyse von sieben
randomisierten Statin-Interventionsstudien reduzierte sich das MI-Risiko signifikant um
etwa 17% (OR=0,83; 95% KI 0,77-0,91) pro Absenkung von LDL-C um 1 mmol/l. Das
Schlaganfall-Risiko wurde ähnlich stark beeinflusst [61]. Daher stellt die Senkung erhöhter
LDL-C-Spiegel eines der wesentlichsten Ziele primärer und sekundärer KVK-
Präventionsstrategien dar [62].
LDL-Partikel werden entsprechend ihrer Größe und Dichte in verschiedene Subtypen
unterteilt und Adipositas induziert eine Erhöhung im Anteil der sdLDL-Partikel [54]. Diese
gelten als besonders atherogen, da sie eine geringe Affinität zum LDL-Rezeptor aufweisen
und somit nur sehr langsam aus dem Blut entfernt werden. Außerdem dringen sdLDL
leichter in die Gefäßwand ein, sind schneller oxidierbar und werden im Vergleich zu
größeren LDL-Subklassen verstärkt von Makrophagen internalisiert. Alle diese Prozesse
begünstigen somit die Entstehung atherogener Schaumzellen in den Gefäßwänden.
1.4.3 Oxidiertes LDL
LDL-Partikel sind chemisch und strukturell modifizierbar und es konnte gezeigt werden,
dass azetyliertes LDL oder Immunkomplexe aus LDL und spezifischen Antikörpern
stärker atherogen wirken als native LDL-Partikel [63, 64]. Insbesondere die oxidative
Modifizierung von LDL durch Sauerstoff-Radikale – oxi-LDL – scheint ein wichtiger
Auslöser atherosklerotischer Prozesse zu sein [65]. Oxidative Veränderungen sind nicht
auf den Cholesterolanteil von LDL beschränkt sondern betreffen sowohl die Lipid- als
auch die Proteinfraktionen dieser Partikel. Daher sind oxi-LDL eine strukturell heterogene
Gruppe von Molekülen [66]. Oxi-LDL stimuliert am Endothel die Expression von
Adhäsionsmolekülen, was die Anheftung von Monozyten fördert. Außerdem können die in
der Intima ansässigen Makrophagen oxi-LDL über den Scavenger-Rezeptor ungehemmt
aufnehmen und sich somit verstärkt zu Schaumzellen differenzieren [66].
Das im Blut zirkulierende oxi-LDL war in einer amerikanischen Studienpopulation positiv
mit abdominaler Adipositas sowie den Glukose- und TG-Konzentrationen assoziiert [67].
Es gibt bislang jedoch nur wenige prospektive Studien, die den Zusammenhang zwischen
oxi-LDL und dem Risiko kardiovaskulärer Erkrankungen untersuchten. In einer
gemeinsamen Analyse der Health Professionals Follow-up Study und der Nurses’ Health
Study waren erhöhte oxi-LDL-Spiegel mit einem signifikant erhöhten KHK-Risiko
assoziiert. Sobald jedoch andere Blutlipide im Modell berücksichtigt wurden, schwächte
- 21 -
Einleitung
sich die Beziehung zwischen oxi-LDL und KHK stark ab und verlor statistische
Signifikanz [68]. Im Gegensatz dazu war bei deutschen Männern oxi-LDL ein starker und
signifikanter Prädiktor für akute KHK [69].
1.4.4 HDL-Cholesterol
Im Rahmen der Adipositas-assoziierten Dyslipidämie sinkt der Anteil von High Density
Lipoprotein-gebundenem Cholesterol (HDL-C) im Blut [34]. Dies ist insofern bedeutsam,
als niedrige HDL-C-Spiegel ein anerkannter Prädiktor kardiovaskulärer Erkrankungen sind
[1]. Im Hinblick auf die unterschiedliche Aussagekraft der einzelnen gChol-Fraktionen
wird häufig das Verhältnis aus gChol/HDL-C empfohlen, um die KHK-Vorhersage zu
optimieren [70-73].
HDL-Partikel sind für den so genannten reversen Cholesterol-Transport verantwortlich.
Demzufolge erfasst man mit HDL-C den Anteil des überschüssigen Cholesterols, der
mittels HDL aus den peripheren Geweben zurück zur Leber transportiert und von dort aus
in die Gallenflüssigkeit abgegeben wird [74]. Darüber hinaus beeinflusst HDL die
Endothelfunktion positiv, indem die endotheliale Stickstoffmonoxid-Synthase (eNOS)
aktiviert und somit die Produktion des vasodilatierenden Stickstoffmonoxid (NO) erhöht
wird [75]. Zugleich scheint HDL die Expression von vaskulären Adhäsionsmolekülen und
die Oxidation von LDL zu hemmen [76-78].
1.4.5 Triglyzeride
Im Blut werden Triglyzeride (TG) hauptsächlich an Chylomikronen und VLDL gebunden
transportiert. Erhöhte TG-Spiegel sind mit oxidativem Stress und Endothelschädigung
assoziiert [79]. Zudem gibt es Hinweise, dass höhere TG-Konzentrationen, insbesondere
im postprandialen Zustand, die Bildung von sdLDL-Partikeln begünstigen und dadurch
atherogen wirken [34]. Ein wesentlicher Einflussfaktor einer solchen postprandialen
Hypertriglyzeridämie ist eine exzessive Fettanlagerung im Bereich des Abdomens [80].
Die American Heart Association (AHA) stufte erhöhte TG-Konzentrationen lediglich als
einen bedingten KVK-Risikofaktor ein, da dieser Parameter mit den Hauptrisikofaktoren
gChol, LDL-C und HDL-C assoziiert ist und ein unabhängiger, kausaler Beitrag zur KVK-
Pathogenese bislang weniger überzeugend dokumentiert wurde [1]. In einer aktuellen
Meta-Analyse, in der die Daten von 29 prospektiven Kohortenstudien mit insgesamt
10 159 KHK-Fällen ausgewertet wurden, waren erhöhte TG-Werte (3.Terzil versus 1.
- 22 -
Einleitung
Terzil) jedoch mit einem OR von 1,72 (95% KI 1,56 – 1,90) assoziiert. Ein etwa 50%
erhöhtes KHK-Risiko ergab sich, wurde die Analyse auf diejenigen Publikationen
beschränkt, in denen für HDL-C adjustiert wurde [81].
1.4.6 Glukose
Erhöhte Glukose (Glc)-Spiegel sind eine häufige Begleiterscheinung von Adipositas und
Insulinresistenz [53]. Während Diabetes mellitus ein anerkannter KVK-Risikofaktor ist
[1], scheint es auch innerhalb von Diabetikern eine lineare Beziehung zwischen Plasma-
Glc und kardiovaskulären Ereignissen zu geben [82]. Darüber hinaus sind auch die Glc-
Spiegel von Nicht-Diabetikern ein unabhängiger Prädiktor des KVK-Risikos, wie eine
aktuelle Meta-Analyse zeigen konnte [83]. Hohe Glc-Konzentrationen fördern die
Entstehung einer endothelialen Dysfunktion, indem sie über verschiedene Mechanismen
die Verfügbarkeit der vasodilatierenden Substanz NO senken [84]. Außerdem erhöht sich
bei Hyperglykämie die Produktion des vasokonstriktiv wirkenden, proatherogenen
Thromboxan A2, während gleichzeitig das vasodilatierende Prostaglandin I2 sinkt [85].
Auch diese Veränderungen begünstigen eine endotheliale Dysfunktion und sind somit am
initiierenden Schritt der Atherogenese beteiligt.
1.4.7 γ-Glutamyltransferase
Erhöhte Konzentrationen der γ-Glutamyltransferase (GGT) werden hauptsächlich als ein
Indikator von hepatobiliärer Dysfunktion und Alkoholabusus angesehen [86]. Dieses
Enzym steigt jedoch auch infolge von Übergewicht bzw. Insulinresistenz [87, 88].
Katalytisch aktives GGT konnte in atherosklerotischen Plaques nachgewiesen werden, wo
es kolokalisiert mit oxidiertem LDL und Schaumzellen vorliegt [89-91]. Es wird vermutet,
dass die von GGT katalysierte Hydrolyse des Tripeptides Glutathion über Bildung des pro-
oxidativ wirkenden Spaltproduktes Cysteinyl-Glycin die Oxidation von LDL und die damit
verbundene Plaqueentstehung und –destabilisierung begünstigt [92]. In mehreren
prospektiven Studien waren erhöhte GGT-Werte tatsächlich mit einem erhöhten Risiko
kardiovaskulärer Erkrankungen assoziiert [93-96] und in einer Meta-Analyse von sieben
Publikationen stieg das KHK-Risiko pro 1 U/l GGT um etwa 20% (HR=1,20; 95% KI 1,02
– 1,40) [97].
- 23 -
Einleitung
1.4.8 Harnsäure
Beim Menschen stellt Harnsäure das Endprodukt des Purin-Metabolismus dar.
Dementsprechend steigt die Plasma-Harnsäurekonzentration bei erhöhtem Zellumsatz,
hervorgerufen beispielsweise durch neoplastische Erkrankungen, oder durch die Aufnahme
purinreicher Lebensmittel wie Fleisch und Hülsenfrüchte. Harnsäure wird hauptsächlich
über den Urin ausgeschieden und die positive Assoziation zwischen Adipositas und der
Harnsäure-Konzentration im Plasma könnte sowohl mit einer erhöhten Synthese als auch
mit einer reduzierten renalen Exkretionsrate zusammenhängen [98, 99].
Die Bedeutung von Harnsäure in der Pathogenese kardiovaskulärer Erkrankungen ist
umstritten. In Abhängigkeit vom chemischen Umfeld sind sowohl pro-oxidative als auch
anti-oxidative Eigenschaften von Harnsäure beschrieben worden [100]. In
tierexperimentellen Studien förderte Harnsäure außerdem die Proliferation glatter
Muskelzellen und die Entstehung von Hypertonie [101]. Die epidemiologische Datenlage
zur Assoziation zwischen Harnsäure und kardiovaskulären Erkrankungen ist jedoch
inkonsistent und in einer meta-analytischen Auswertung von 16 prospektiven Studien
waren erhöhte Harnsäure-Werte (3. Terzil versus 1. Terzil) nur schwach mit dem KHK-
Risiko assoziiert (OR=1,13; 95% KI 1,07 – 1,20) [102].
1.4.9 Adiponektin
Adiponektin ist ein Peptidhormon, das beim Menschen ausschließlich im weißen
Fettgewebe produziert wird. Im Blut liegt Adiponektin in verschiedenen
Polymerisierungsformen mit unterschiedlicher biologischer Wirksamkeit vor [27]. Bei
adipösen Menschen sind die Adiponektin-Spiegel paradoxerweise reduziert, was
vermutlich auf eine gehemmte Adiponektin-Transkription und / oder -Sekretion durch
Zytokine zurückzuführen ist [103]. Adiponektin besitzt anti-inflammatorische
Eigenschaften und scheint protektiv in die verschiedensten Stufen der Atherogenese
einzugreifen, da es beispielsweise die Adhäsion von Monozyten an das Endothel sowie die
Umwandlung von Makrophagen in Schaumzellen hemmt [104, 105]. Zudem gibt es
Hinweise, dass dieses Hormon die Proliferation und Migration glatter Muskelzellen
unterdrückt [106].
Die epidemiologische Datenlage ist weniger konsistent. In einer meta-analytischen
Auswertung von sieben prospektiven Studien mit insgesamt 1313 KHK-Fällen waren
Adiponektin-Spiegel im dritten Terzil im Vergleich zum ersten Terzil nicht signifikant mit
- 24 -
Einleitung
dem KHK-Risiko assoziiert (RR=0,84; 95% KI 0,70 – 1,01) [107]. Auch die neueren, in
dieser Meta-Analyse nicht berücksichtigten Publikationen lieferten widersprüchliche
Ergebnisse [108-111]. Außerdem war das als biologisch besonders aktiv geltende
hochmolekulare Adiponektin-Oligomer (HMW-Adiponektin) in der British Women’s
Heart and Health Study kein signifikanter Prädiktor für zukünftige KHK-Ereignisse [112].
1.4.10 Resistin
Resistin wurde im Jahr 2001 als ein durch Adipozyten sezerniertes Protein beschrieben,
das im Tiermodell Insulinresistenz hervorruft [113]. Beim Menschen wird Resistin nicht
nur im Fettgewebe sondern auch im Knochengewebe exprimiert [114]. McTernan et al.
konnten zudem zeigen, dass die Resistinexpression im humanen viszeralen Fettgewebe
signifikant höher ist als in anderen Fettspeichern [115]. Die Bedeutung von Resistin in der
Atherogenese ist unklar. In vitro stimuliert dieses Zytokin beispielsweise die Expression
von Adhäsionsmolekülen durch Endothelzellen [116], die Proliferation glatter
Muskelzellen [117] sowie die Lipidanreicherung bei Makrophagen [118]. Außerdem
induziert Resistin in humanen Leberzellen Insulinresistenz, indem es in die Insulin-
Signalkaskade eingreift [119].
Die prospektive Beziehung zwischen Resistin und KVK-Risiko wurde bislang kaum
untersucht. In der EPIC-Potsdam Studie stieg das MI-Risiko signifikant über die Quartile
von Plasma-Resistin an, während das Risiko für ischämischen Schlaganfall nicht mit
diesem Zytokin assoziiert war [120]. Auch bei Patienten mit prävalenter KHK war Resistin
kein signifikanter Prädiktor tödlicher KVK-Ereignisse. In dieser Studie zeigte sich
außerdem, dass die Resistin-Spiegel infolge eines akuten Koronarsyndroms stark
ansteigen, was die Aussagekraft retrospektiver Fall-Kontroll-Studien in Frage stellt [121].
1.4.11 Interleukin-6
Interleukin-6 (IL-6) ist ein pro-inflammatorisches Zytokin, zu dessen Plasmakonzentration
die Adipozyten sowie die im Fettgewebe ansässigen Makrophagen maßgeblich beitragen
[28]. Dabei weist das intra-abdominale Fettgewebe eine deutlich höhere IL-6 Sekretion auf
als die subkutanen Fettspeicher [50].
In vitro beeinflusst IL-6 beispielsweise die Differenzierung von Monozyten zu
Makrophagen [122] und stimuliert die Proliferation glatter Muskelzellen [123]. Außerdem
kontrolliert IL-6 in der Leber die Produktion des C-reaktiven Proteins [124] und wird als
- 25 -
Einleitung
ein wichtiges Bindeglied zwischen Adipositas, systemischer Entzündung und KHK
angesehen [125]. In vielen prospektiven Analysen waren erhöhte IL-6-Werte tatsächlich
mit einem signifikant erhöhten KHK-Risiko assoziiert [126-130]. Im Gegensatz dazu war
IL-6 in der Nurses’ Health Study und in der Health Professional Follow-up Study kein
signifikanter Prädiktor inzidenter KHK-Ereignisse [131]. Auch in einer deutschen
Studienpopulation sagte IL-6 lediglich bei den Frauen, nicht jedoch bei den Männern das
KHK-Risiko vorher [132].
1.4.12 C-Reaktives Protein
Das C-reaktive Protein (CRP) ist ein Akutphase-Protein, dessen hepatische Synthese
primär unter der Kontrolle von IL-6 steht [125]. Die pro-inflammatorischen Eigenschaften
von CRP werden derzeit kontrovers diskutiert [133, 134]. Unabhängig davon beeinflusst
CRP dennoch atherosklerotische Prozesse. So stimuliert dieses Protein im Tiermodell die
Aufnahme von oxi-LDL durch Makrophagen [135], was sich mit der Beobachtung deckt,
dass CRP in humanen atherosklerotischen Läsionen kolokalisiert mit oxi-LDL vorliegt
[136]. Bei Patienten mit instabiler Angina pectoris wiesen die Plaques eine höhere CRP-
Konzentration auf als bei Patienten mit stabiler Angina pectoris [137]. CRP könnte
demzufolge an der Destabilisierung atherosklerotischer Plaques beteiligt sein. Durch eine
Interaktion mit dem Komplementsystem scheint CRP außerdem das Ausmaß der
Gewebeschädigung bei einem MI zu verstärken [138].
In einer Meta-Analyse aus dem Jahre 2004 wurden 22 prospektive Studien ausgewertet,
die den Zusammenhang zwischen CRP und KHK-Risiko untersucht hatten. Dabei betrug
das gemeinsame Risiko von Personen im dritten CRP-Terzil im Vergleich zum ersten
Terzil OR=1,58 (95% KI 1,48 – 1,68) [139]. Auch in den meisten aktuelleren
Publikationen war CRP signifikant mit dem KHK-Risiko assoziiert [72, 127, 128, 140,
141], wobei die Risikobeziehung bei Männern zum Teil stärker ausgeprägt war [131, 132].
In zwei Studienkohorten, die die KHK-Inzidenz bei älteren Personen untersuchten, wurde
dagegen keine Beziehung zwischen CRP und dem Zielereignis gefunden [126, 142].
- 26 -
Einleitung
1.5 Zerlegung von Expositionseffekten
1.5.1 Definition und Identifizierung intermediärer Variablen
Wie im vorigen Kapitel beschrieben, gibt es eine Vielzahl von klinisch-chemischen
Parametern, die mit Adipositas assoziiert sind und die gleichzeitig potentielle oder
etablierte MI-Risikofaktoren darstellen. Die klinisch-chemischen Parameter sind also
mögliche Bindeglieder eines kausalen Pfades von Adipositas zu MI und könnten somit
Teile der Assoziation zwischen diesen beiden Größen erklären (Abb. 1-2). Solche Größen
werden als intermediäre Variablen oder Intermediate bezeichnet. Rein statistisch ist ein
Intermediat definiert als eine Variable, die die Beziehung zwischen einer Exposition und
einer Zielerkrankung vollständig aufklärt (totale Mediation) [143, 144] oder zumindest
signifikant verringert (partielle Mediation) [145]. Im Gegensatz dazu ist ein Confounder
eine Einflussvariable, die die Beziehung zwischen der Exposition und der Zielerkrankung
beeinflusst, da sie mit beiden Größen in Zusammenhang steht. Ein Confounder ist jedoch
kein Bestandteil eines kausalen Pfades von der Exposition zur Zielgröße (Abb. 1-2).
Abb. 1-2 Zusammenhang zwischen Exposition, Intermediat, Confounder und Zielerkrankung
Exposition
E
Zielerkrankung
Z
Confounder
U
Intermediat
X
- 27 -
Einleitung
Die Analyse von intermediären Risikofaktoren kann zur Aufklärung biologischer Pfade
beitragen. Für epidemiologische Fragestellungen fehlen jedoch Testverfahren, um
potentielle Intermediärvariablen zu identifizieren und objektiv zu bewerten. Dagegen
spielen Intermediärvariablen in den Sozialwissenschaften seit Jahrzehnten eine große
Rolle. In diesem Wissenschaftszweig wurden daher bereits 1986 vier Kriterien definiert,
die bei der Identifizierung von Intermediärvariablen hilfreich sind [146]. Entsprechend der
vier Mediationskriterien sollte eine signifikante Assoziation zwischen Exposition und
Zielgröße, zwischen Exposition und potentiellem Intermediat sowie zwischen Intermediat
und der Zielgröße bestehen. Für die in den Sozialwissenschaften überwiegend untersuchten
stetigen Variablen lassen sich diese Kriterien mittels (multipler) linearer
Regressionsmodelle analysieren [146]. Das vierte Mediationskriterium erfordert zudem,
dass sich die Beziehung der Exposition zur Zielgröße signifikant abschwächt, wenn
zusätzlich für die potentielle Intermediärvariable adjustiert wird. Diese Forderung wird im
Folgenden unter dem Begriff „Effektabschwächung“ zusammengefasst, wobei der Term
„Effekt“ stellvertretend für „Assoziation“ genutzt wird und keinerlei Kausalität unterstellt.
Bei stetigen Zielgrößen ist die Effektabschwächung mittels Zobel-Test prüfbar [146].
Auch bei epidemiologischen Analysen wird mit Regressionsmodellen gearbeitet, so dass
hier theoretisch die gleichen Mediationskriterien angewandt werden könnten. Im
Gegensatz zu vielen sozialwissenschaftlichen Fragestellungen werden in der
Epidemiologie jedoch meist dichotome Zielgrößen untersucht. Anstelle linearer
Regressionsmodelle müsste die Beziehung von Prädiktorvariablen zur Zielgröße daher
mittels logistischer Regression oder Cox-Regression analysiert werden. Außerdem wurde
von Hoffmann et al. (2008) ein Testverfahren vorgeschlagen, das bei prospektiven
Analysen eine mögliche Alternative zum Zobel-Test darstellen und bei dichotomen
Zielgrößen die Identifizierung intermediärer Variablen ermöglichen könnte [147].
1.5.2 Statistische Methoden zur Effektzerlegung
Sobald eine Variable den Mediationskriterien entsprechend als Intermediat eingestuft
werden kann, lässt sich deren Einfluss auf Risikobeziehungen mit Methoden der
Effektzerlegung analysieren. Bevor jedoch konkrete Quantifizierungsmethoden vorgestellt
werden, ist eine Definition von gesamtem, indirektem sowie direktem Expositionseffekt
notwendig. In einer typischen epidemiologischen Fragestellung misst der „Gesamteffekt“
der Exposition diejenige Änderung in der Krankheitswahrscheinlichkeit, die durch eine
- 28 -
Einleitung
Änderung in der Exposition hervorgerufen wird – unabhängig davon, über welchen Pfad
diese Änderung erfolgt. Es mag jedoch Situationen geben, in denen es sinnvoll ist, den
Gesamteffekt einer Exposition in einen indirekten und einen direkten Teileffekt zu
zerlegen (Abb. 1-2). Der Term „direkter Effekt“ bezieht sich auf diejenige Veränderung in
der Inzidenz, die auf die Exposition zurückzuführen ist, während alle anderen
Einflussfaktoren – und somit auch das Intermediat – konstant gehalten werden. Analog
dazu versteht man unter demjenigen Effekt einer Exposition, der über die intermediäre
Größe vermittelt wird, den „indirekten Effekt“. Um die Relevanz von Intermediärvariablen
zu bewerten, ist demzufolge der indirekte Effektanteil von Interesse.
Statistische Methoden zur quantitativen Effektzerlegung – also zur Zerlegung des
Gesamteffektes in einen direkten und indirekten Anteil – wurden für dichotome Endpunkte
insbesondere im Rahmen der klinischen Pharmaforschung entwickelt. Bei der von
Freedman et al. vorgeschlagenen, konventionellen Methode werden zu diesem Zweck zwei
logistische Regressionsmodelle der Exposition auf das Zielereignis betrachtet; eines mit
und eines ohne Adjustierung für die intermediäre Variable [145]. Der Anteil des
Expositionseffektes auf das Zielereignis, der durch die intermediäre Variable erklärbar ist,
wird als „proportion of treatment effect“ (PTE) bezeichnet und ist folgendermaßen
schätzbar:
E
E
E
EE
PTE
γ
γ
γ
γγ
ˆ
ˆ
1
ˆ
ˆˆ ** −=
−
=
Dabei entspricht *
ˆE
γ
dem Maximum-Likelihood-Schätzer der Exposition nach
Adjustierung für die intermediäre Größe und wird als direkter Expositionseffekt
interpretiert. Der Gesamteffekt der Exposition ( E
γ
ˆ) entstammt dem Regressionsmodell
ohne Intermediärvariablen. Die Differenz aus Gesamteffekt und direktem Effekt ergibt den
indirekten, durch das Intermediat erklärten Expositionseffekt. Dementsprechend handelt es
sich beim PTE um das Verhältnis aus indirektem Effekt zum Gesamteffekt der Exposition.
Haben *
ˆE
γ
und E
γ
ˆ eine ähnliche Größenordnung, dann gibt es keinen indirekten
Expositionseffekt, der durch das ins Modell aufgenommene Intermediat erklärt wird.
Schwächt sich der Expositionseffekt nach Adjustierung für das Intermediat jedoch
vollkommen ab ( 0
ˆ*=
E
γ
), dann nimmt PTE den Wert 1 an. In diesem Fall würde das
Intermediat die gesamte Assoziation zwischen Exposition und Zielereignis erklären. Lin et
- 29 -
Einleitung
al. passten die oben beschriebene Methode an Cox-Modelle mit zeitlich variierenden
Kovariaten an und leiteten außerdem Konfidenzintervalle für den PTE-Schätzer ab [148].
Es ist möglich, mehrere Mediationsvariablen gleichzeitig in das Modell aufzunehmen
(multiples Mediationsmodell) und den gemeinsamen indirekten Effekt zu schätzen, der
durch diese Variablen erklärt wird. Da mit der oben beschriebenen Methode lediglich E
γ
ˆ
und *
ˆE
γ
ins Verhältnis gesetzt werden, lässt sich der indirekte Effekt nicht weiter zerlegen.
Dementsprechend bleibt innerhalb multipler Mediationsmodelle unklar, welche Variable
welchen Anteil am gemeinsamen indirekten Expositionseffekt ausübt (Abb. 1-3).
Abb. 1-3 Darstellung des multiplen Mediationsmodells (A) nach Lin et al. (1997), (B) nach Chen et al.(2003)
(B)
Exposition
E
Zielerkrankung
Z
Confounder-Set
U1, U2,…, Uj
Intermediat
X1
Intermediat
X2
Intermediat
Xk
(A)
Exposition
E
Zielerkrankung
Z
Confounder-Set
U1, U2,…, Uj
Intermediate
X1, X2,…,Xk
Chen et al. entwickelten daher eine alternative Methode, die die Zerlegung des
Gesamteffektes einer Exposition in einen direkten Anteil und mehrere (additive) indirekte
Anteile erlaubt (Abb. 1-3). Für diese Methode wird nur ein Regressionsmodell benötigt, in
dem sowohl die Exposition als auch alle interessierenden Intermediate als unabhängige
Prädiktoren der abhängigen Größe enthalten sind [149]. Die PTE-Schätzungen basieren auf
den Regressionskoeffizienten der Prädiktoren und deren Kovarianzmatrix. Die von Chen et
al. vorgeschlagene Methode ist für lineare und logistische Regressionsmodelle sowie für
die Cox-Regression anwendbar. Erst kürzlich konnte gezeigt werden, dass diese Methode
eine Verallgemeinerung der Pfadanalyse für dichotome Zielereignisse darstellt [150],
wobei die traditionelle Pfadanalyse deutlich komplexere Vernetzungen zwischen den
Pfadkomponenten sowie die Berücksichtigung mehrerer Expositionsgrößen erlaubt.
- 30 -
Methoden
2. Methoden
2.1 Methodisches Konzept zur Bewertung von Intermediaten und deren
Informationsgehalt
2.1.1 Kriterien der Mediation und deren Testung
Um zu untersuchen, ob die Beziehung zwischen einer Expositionsgröße und einer
Zielerkrankung partiell oder vollständig durch eine intermediäre Variable erklärbar ist,
wurden vier Mediationskriterien definiert. Sie basieren auf einer Arbeit von Baron &
Kenny (1986) [146]. Diese Kriterien wurden dahingehend modifiziert, dass sie auf die
Analyse einer prospektiven Beobachtungsstudie mit dichotomer Zielgröße und stetigem
Intermediat anwendbar sind (Abb. 2-1). Die Exposition kann als stetige oder dichotome
Variable vorliegen.
Abb. 2-1 Darstellung des gesamten und zerlegten Effektes einer Exposition auf die Inzidenz der
Zielerkrankung unter Berücksichtigung von Confoundern und Intermediat sowie Definition der vier Kriterien
zur Mediationstestung
Gesamteffekt der Exposition Zerlegter Expositionseffekt
Exposition
E
Zielerkrankung
Z
Confounder-Set
U
1
, U
2
,…, U
j
γE
Exposition
E
Zielerkrankung
Z
Confounder-Set
U
1
, U
2
,…, U
j
γE*
Intermediat
X
βEγX
4. Mediationskriterium: Signifikante Abschwächung des Expositionseffektes
Cox-Regresssionen analog dem 2. und 3. Mediationskriterium
Test:
1. Mediationskriterium: Signifikante Beziehung zwischen Exposition und Intermediat
Multiple Regression:
Test:
2. Mediationskriterium: Signifikante Beziehung zwischen Exposition und Erkrankung
Cox-Regression:
Test:
3. Mediationskriterium: Signifikante Beziehung zwischen Intermediat und Erkrankung
Cox-Regression:
Test:
jjE UUUEX
β
β
β
β
β
+
+
+
++= ...
22110
0
ˆ
:
0=
E
H
β
0
ˆ
:
1≠
E
H
β
{
}
jjEj UUUEtUUUEt
υυυγλλ
++++= ...exp*)(),...,,,( 2211021
0
ˆ
:
0=
E
H
γ
0
ˆ
:
1≠
E
H
γ
{
}
jjXEj UUUXEtUUUXEt *2*21*1*021 ...exp*)(),...,,,,(
υυυγγλλ
+++++=
0
ˆ
:
0=
X
H
γ
0
ˆ
:
1
≠
X
H
γ
0
ˆˆ
:*0 ≤− EE
H
γ
γ
0
ˆˆ
:*1 >− EE
H
γγ
- 31 -
Methoden
Test auf Kriterium 1 – Multiple lineare Regression
Entsprechend dem ersten Mediationskriterium sollte die Beziehung zwischen einer
Exposition und einer intermediären Größe statistisch signifikant sein [146]. Bei stetig
skalierten Intermediärvariablen ist dieses Kriterium mittels multipler Regression
überprüfbar (Abb. 2-1). Formel (2-1) zeigt die entsprechende Regressionsgleichung mit
dem Intermediat X als abhängige Größe. Die Exposition E sowie das Set potentieller
Confounder (U1,U2,….,Uj) bilden die Regressoren.
jjE UUUEX
β
β
β
β
β
+
+
+
+
+= ...
22110
(2-1)
In dieser Gleichung ist ß0 eine Konstante, die den Wert von X widerspiegelt, wenn alle
Regressoren Null sind. Die Regressionskoeffizienten der Regressoren sind über die
„Methode der Kleinsten Quadrate“ schätzbar [151], wobei für die oben genannte
Fragestellung lediglich der geschätzte Regressionsparameter der Exposition ( ) von
Interesse ist. Ist dieser Parameter signifikant von Null verschieden, so gilt das erste
Mediationskriterium als erfüllt. Die Nullhypothese (H0: ) ist prüfbar durch Division
des geschätzten Regressionskoeffizienten durch seinen Standardfehler (S.E.):
E
β
ˆ
0
ˆ=
E
β
)
ˆ
.(.
ˆ
E
E
ßES
ß
T=
(2-2)
Die so ermittelte Prüfgröße T ist t-verteilt mit (n-k)-Freiheitsgraden (n:
Stichprobenumfang; k: Anzahl der Regressoren). Für den Fall, dass T größer ist als der
kritische Wert (i.e. das 1-α/2 Quantil) der t-Verteilung bei (n-k) Freiheitsgraden, kann die
Nullhypothese zum Signifikanzniveau α verworfen werden.
Test auf Kriterium 2 – Cox-Regression
Das zweite Mediationskriterium erfordert eine statistisch signifikante Beziehung zwischen
der Exposition und der Zielgröße [146]. Innerhalb von prospektiven Beobachtungsstudien
sollte dieses Kriterium mittels Cox Proportional Hazards Modellen geprüft werden (Abb.
2-1). Ein Cox-Modell berücksichtigt individuelles Alter und Nachbeobachtungszeitspanne
der Studienteilnehmer und ist daher einem logistischen Modell aufgrund des höheren
- 32 -
Methoden
Informationsgehaltes vorzuziehen [152]. Eine Basis für die Schätzung adjustierter
Inzidenzraten ist die folgende Hazard-Funktion λ(t):
{
}
jjEj UUUEtUUUEt
υυυγλλ
++++= ...exp*)(),...,,,( 2211021 (2-3)
Die so genannte Baseline-Hazardrate λ0(t) ist eine zeitabhängige Größe und charakterisiert
das Basis-Risiko, zum Zeitpunkt t das Zielereignis Z zu erfahren, wenn kein Einfluss von
anderen Variablen vorliegt. Weiterhin bezeichnet E die Ausprägung einer interessierenden
Expositionsgröße und γΕ den zu schätzenden Regressionskoeffizienten für die Exposition.
Das Set der Kovariaten sei gegeben durch U1, U2,…,Uj. Die Cox-Regression beruht auf der
Annahme proportionaler Hazards und unterstellt somit, dass das Verhältnis zweier Hazard-
Funktionen – das Hazardraten-Verhältnis (HR) – konstant bleibt, da die relativen Einflüsse
der Kovariaten im Zeitverlauf konstant bleiben. Dementsprechend ändern sich die
Inzidenzraten zweier Vergleichsgruppen immer proportional in Abhängigkeit von den
Einflussgrößen. Mathematisch lässt sich die Annahme proportionaler Hazards mit Hilfe
der Formel (2-4) darstellen.
{
}
{}
jjE
jjE
UUUEt
UUUEt
HR
υυυγλ
υυυγλ
ˆ
...
ˆˆˆ
exp*)(
ˆ
ˆ
...
ˆˆˆ
exp*)(
ˆ
22110
**
22
*
11
*
0
++++
++++
=
(2-4)
Dabei bezeichnet E* die Ausprägung der Exposition in Vergleichsgruppe 1 und E die
Ausprägung der Exposition in Vergleichsgruppe 2. In gleicher Weise wurden die
Ausprägungen der jeweiligen Kovariaten definiert. Aus Formel (2-4) geht hervor, dass sich
die Baseline-Hazardrate aus Nenner und Zähler kürzen lässt und daher für die
Schätzung der HR nicht spezifiziert werden muss. Dementsprechend ist die Cox-
Regression ein semiparametrisches Verfahren, das zur Schätzung der HR lediglich die
Schätzung der Regressionsparameter erfordert. Dies erfolgt durch Maximierung einer
partiellen Likelihood-Funktion [152]. Ob die geschätzten Regressionskoeffizienten
signifikant von Null abweichen, lässt sich mittels Wald-Test überprüfen. Die Prüfstatistik
W berechnet sich entsprechend Formel
)(
ˆ0t
λ
(2-5) als Quotient aus dem Schätzer E
γ
ˆ und dem
Standardfehler dieses Schätzers. Das Quadrat von W folgt einer
χ
2-Verteilung mit einem
Freiheitsgrad.
- 33 -
Methoden
)
ˆ
.(.
ˆ
γ
γ
ES
W=
(2-5)
Somit gilt das 2. Mediationskriterium als erfüllt, wenn E
γ
ˆ signifikant von Null verschieden
ist. In diesem Fall gibt es eine statistisch signifikante Beziehung zwischen Exposition und
Zielerkrankung.
Test auf Kriterium 3 – Cox-Regression
Die Assoziation zwischen einem potentiellem Intermediat X und der Krankheitsinzidenz
ist mit Hilfe der unter (2-6) dargestellten Hazard-Funktion zu analysieren.
{
}
jjXEj UUUXEtUUUXEt *2*21*1*021 ...exp*)(),...,,,,(
υυυγγλλ
+++++= (2-6)
Da die Exposition E in Bezug auf die Beziehung zwischen Intermediat X und
Zielerkrankung die gleichen Eigenschaften wie eine Confounder-Variable aufweist (vgl.
Abb. 1-2), ist in diesem Modell zwingend für die Exposition zu adjustieren [9].
Entsprechend dem 3. Mediationskriterium ist die Assoziation zwischen potentiellem
Intermediat und Zielerkrankung als statistisch signifikant anzusehen, wenn der geschätzte
Regressionskoeffizient ( X
γ
ˆ) signifikant von Null verschieden ist. Um den Unterschied zu
der unter Formel (2-3) dargestellten Funktion zu verdeutlichen, wurde der
Regressionskoeffizient der Exposition E in Formel (2-6) mit
γ
E* bezeichnet. Analoges gilt
für die zu schätzenden Regressionskoeffizienten der Kovariaten U1, U2,…,Uj.
Test auf Kriterium 4 – Abschwächung der Assoziation zwischen Exposition und Endpunkt
Entsprechend dem vierten Mediationskriterium sollte sich die Assoziation zwischen
Exposition und Zielerkrankung nach Adjustierung für das potentielle Intermediat deutlich
abschwächen. Ein solcher Test ist für nicht-lineare Modelle (logistische Regression, Cox-
Regression) bislang nicht beschrieben. Alternativ lässt sich daher eine von Hoffmann et al.
(2008) vorgeschlagene Methode anwenden, mit der zwei unterschiedlich adjustierte
Inzidenzraten eines Cox-Modells auf Gleichheit geprüft werden können [147]. Allerdings
ist diese Methode nicht vollständig auf das Problem intermediärer Variablen übertragbar.
Daher war es notwendig, das Testverfahren in einigen Punkten leicht zu modifizieren. Zum
- 34 -
Methoden
einen müssen anstelle zweier Inzidenzraten die entsprechenden Regressionskoeffizienten
der Exposition aus den Formeln (2-3) und (2-6) verglichen werden, so dass die Analysen
auf den nicht-exponierten Schätzern basieren sollten. Weiterhin nutzt die zugrunde
liegende Arbeit von Hoffmann et al. ein zweiseitigen Testverfahren; d.h. zwei
Inzidenzraten werden lediglich auf Gleichheit geprüft [147]. Um spezifisch auf
Effektabschwächung zu testen, ist jedoch eine gerichtete einseitige Formulierung des Tests
nötig. Unter der Bedingung, dass beide Schätzer das gleiche Vorzeichen aufweisen, lautet
die entsprechende Nullhypothese H0: *
ˆˆ EE
γ
γ
≤
. Wird diese Nullhypothese zur gewählten
Irrtumswahrscheinlichkeit
α
verworfen, so gilt die Alternativhypothese H1: *
ˆˆ EE
γ
γ
>, der
zufolge ein durch das Intermediat erklärbarer Expositionseffekt existieren muss. Die
Nullhypothese lässt sich alternativ ausdrücken als H0: 0
ˆˆ *
≤
−
EE
γ
γ
. Dieser Ausdruck ist
testbar, indem man die Differenz beider Regressionskoeffizienten durch den gemeinsamen
Standardfehler teilt (Wald-Test).
)
ˆ
,
ˆ
(*2)
ˆ
()
ˆ
(
ˆˆ
**
*
EEEE
EE
CovVV
K
γγγγ
γγ
−+
−
=
(2-7)
Der unter der Wurzel stehende Ausdruck entspricht dabei der gemeinsamen Varianz
V)
ˆˆ
(*EE
γ
γ
−, die sich als Summe der Einzelvarianzen )
ˆ
(E
V
γ
und )
ˆ
(*E
V
γ
abzüglich der
doppelten Kovarianz ( )
ˆ
,
ˆ
(*EE
Cov
γ
γ
) berechnet. Diese Streumaße sind der robusten
Varianz-Kovarianz-Matrix zu entnehmen, da E
γ
ˆ und *
ˆE
γ
nicht unabhängig voneinander
sind [153].
Bei Hoffmann et al. sind beide Seiten der unter (2-7) dargestellten Formel quadriert und
die Prüfgröße K2 wird gegen eine
χ
2-Verteilung mit einem Freiheitsgrad geprüft [147]. Bei
dieser Variante des Wald-Tests ist es unerheblich, welcher der beiden
Regressionskoeffizienten der größere und welcher der kleinere ist. Die Quadrierung führt
in jedem Fall zu einem positiven Wert von K2, so dass ausschließlich der Betrag des
Zählers berücksichtigt wird (zweiseitiger Test). Im Gegensatz dazu kann mit Hilfe von
Formel (2-7) das Vorzeichen des Zählers berücksichtigt und somit ein einseitiger Test
durchgeführt werden. In diesem Fall ist die Prüfgröße K normalverteilt und die
Nullhypothese ist zu verwerfen, wenn K größer ist als das 1-α Quantil der
Normalverteilung (z1-α=z0,95=1,645).
- 35 -
Methoden
2.1.2 Punkt- und Intervallschätzungen von indirekten Effekten
Mit den unter 2.1.1 vorgeschlagenen Testkriterien lassen sich potentielle Intermediate
empirisch identifizieren. Diejenigen Intermediärvariablen, die diese Kriterien erfüllen
werden im Folgenden als Mediationsvariablen bezeichnet. Um den Einfluss von
Mediationsvariablen auf Risikobeziehungen zu quantifizieren, wurde eine Methode
erarbeitet, mit der die Zerlegung des Gesamteffektes einer Exposition in additive, durch die
Mediationsvariablen erklärte – i.e. indirekte – Teileffekte möglich ist [149]. Die Zerlegung
des Expositionseffektes basiert auf einem Cox-Modell, das als unabhängige Variablen die
Exposition E, die Confounder U1, U2,…,Uj sowie eine Gruppe von Mediationsvariablen
(X1,X2,…,Xk) enthält:
(
)
(
)
{
}
jjkkEjk UUXXEtUUXXEt *1*111*011 ......exp*,...,,,...,,
υυγγγλλ
++++++=
(2-8)
Durch Umformulieren der Formel (2-8) und Einführung eines künstlichen
Zerlegungsparameters c ergibt sich:
()
()
⎭
⎬
⎫
⎩
⎨
⎧+++−+
⎟
⎠
⎞
⎜
⎝
⎛+= ∑∑ ==
jjn
k
n
n
k
n
nnEjk UUEcXEctUUXXEt *1*1
11
*011 ...)(exp*,...,,,...,,
υυγγγλλ
(2-9)
Die Formel (2-9) lässt sich durch Ausmultiplizieren in die Formel (2-8) umwandeln; beide
Formeln sind also identisch. Mit dem in Formel (2-8) dargestellten Cox-Modell kann
theoretisch lediglich derjenige Expositionseffekt geschätzt werden, der nicht durch die
intermediären Variablen X1, X2,…,Xk erklärbar ist („direkter Expositionseffekt“). Mit
Hilfe der Formel (2-9) lässt sich jedoch sowohl der gesamte als auch der durch die
Mediationsvariablen erklärte Effekt der Exposition auf das Zielereignis ableiten (Tabelle
2-1).
- 36 -
Methoden
Tabelle 2-1 Zerlegung des Expositionseffektes nach Chen et al. (2003)
Erklärter Expositionseffekt Mathematischer Ausdruck
Gesamteffekt der Exposition
n
k
n
nE c
γγ
∑
=
+
1
*
Expositionseffekt, der nicht durch Mediationsvariablen erklärbar ist *E
γ
Expositionseffekt, der durch X1 erklärbar ist 11
γ
c
Expositionseffekt, der durch X2 erklärbar ist 22
γ
c
… …
Expositionseffekt, der durch Xk erklärbar ist kk
c
γ
Der relative Anteil des Expositionseffektes auf das Zielereignis, der durch die
Mediationsvariablen erklärbar ist, wird von Chen et al. als „Proportion of Treatment
Effect“ (PTE) bezeichnet [149]. Im Folgenden wird alternativ der Begriff „Proportion of
Exposure Effect“ (PEE) verwendet, um der Tatsache Rechnung zu tragen, dass ein
allgemeiner und nicht auf medikamentöse Therapien begrenzter Begriff der
Expositionsgröße angewandt wurde. Dieses Maß ist gegeben durch das Verhältnis aus dem
geschätzten indirekten Effektanteil in Bezug zum geschätzten Gesamteffekt der
Exposition.
∑
=
+
=k
nnnE
nn
nc
c
PEE
1
*ˆˆˆ
ˆˆ
γγ
γ
(2-10)
Dabei entsprechen kE
γ
γ
γ
γ
ˆ
,...,
ˆ
,
ˆ
,
ˆ21* den geschätzten Regressionskoeffizienten des mittels
Formel (2-8) dargestellten Cox-Modells. Die Schätzung der Parameter basiert
auf der Varianz-Kovarianz-Matrix der geschätzten Regressionskoeffizienten und lässt sich
mathematisch folgendermaßen ausdrücken:
k
ccc ˆ
,...,
ˆ
,
ˆ21
0
1ˆ
*
ˆ
ˆVVc m
−
−= (2-11)
- 37 -
Methoden
Hier ist die Varianz-Kovarianz-Matrix von
m
V
ˆk
γ
γ
γ
ˆ
,...,
ˆ
,
ˆ21 :
⎥
⎥
⎥
⎥
⎦
⎤
⎢
⎢
⎢
⎢
⎣
⎡
=
kkkk
k
k
m
VVV
VVV
VVV
V
...
............
...
...
ˆ
21
22221
11211
(2-12)
Eine Varianz-Kovarianz-Matrix ist stets quadratisch und symmetrisch. Dabei entsprechen
die in der Hauptdiagonale dargestellten Variablen V11, V22,…,Vkk den jeweiligen Varianzen
der geschätzten Regressionskoeffizienten, während die verbleibenden Variablen die
Kovarianzen aller möglichen Paare dieser Schätzer widerspiegeln. Weiterhin ist der
Kovarianzvektor zwischen zwischen
0
ˆ
V
*
ˆE
γ
und dem transponierten Vektor .
T
k)
ˆ
,...,
ˆ
,
ˆ
(21
γγγ
Die 95% Konfidenzintervalle (KI) für den PEE-Schätzer lassen sich entsprechend den
Empfehlungen von Chen et al. mit Hilfe des Fieller-Theorems schätzen [149]. Es handelt
sich dabei um eine gebräuchliche Methode, um die KI von Quotienten zu schätzen [154]
und die zugrunde liegende Formel für die 95% KI des PEE-Schätzers lautet
folgendermaßen:
)1(
ˆ
ˆ
ˆ
96,1
*****2
*
%95 1
*
2
2
g
c
V
V
VgVPEEVPEEV
V
Vg
PEE
KI
k
n
nnE
N
NZ
ZNNZZ
N
NZ
−
⎟
⎟
⎟
⎟
⎟
⎠
⎞
⎜
⎜
⎜
⎜
⎜
⎝
⎛
+
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛−−+−±−
=
∑
=
γγ
(2-13)
mit
2
1
*
2
ˆ
ˆ
ˆ
*96,1
⎟
⎠
⎞
⎜
⎝
⎛+
=
∑
=
k
n
nnE
N
c
V
g
γγ
(2-14)
Dabei entspricht VN der Varianz des Nenners, VZ der Varianz des Zählers und VNZ der
Kovarianz von Nenner und Zähler des mittels Formel (2-10) geschätzten PEE. Der
Parameter ist dabei als Konstante zu behandeln.
k
c
ˆ
- 38 -
Methoden
2.2 EPIC-Potsdam Studie
Um die in Kapitel 2.1 vorgeschlagenen Methoden auf eine konkrete Fragestellung
anzuwenden, wurden Daten der European Prospective Investigation into Cancer and
Nutrition (EPIC)-Potsdam Studie genutzt. Bei der EPIC-Potsdam Studie – auch
„Brandenburger Ernährungs- und Krebsstudie“ genannt – handelt es sich um eine
fortlaufende Beobachtungsstudie (Abb. 2-2). Das primäre Ziel dieser Studie ist es, den
Zusammenhang zwischen Ernährung und Krebs sowie anderen chronischen Erkrankungen
(z.B. Typ-2-Diabetes, Herz-Kreislauferkrankungen) zu untersuchen [155].
Abb. 2-2 Studienverlauf der EPIC-Potsdam Studie und Überblick der dabei erfassten Studienvariablen
Nachbeobachtung
1994-1998
•Ernährung
•Lebensstil
•Mediz.Anamnese
•Anthropometrie
•Berufstätigkeit
•Blutdruck
•Blutprobe
1997-2000
•Neuerkrankungen
•Körpermasse
•Ernährungsum-
stellung
•Vorsorgeunter-
suchungen
1999-2002
•Neuerkrankungen
•Körpermasse
•Ernährungsum-
stellung
•Rauchen
•Alkoholkonsum
•Menopausalstatus
2002-2004
•Neuerkrankungen
•Körpermasse
•Ernährung/Ernäh-
rungsumstellung
•Rauchen
•Alkoholkonsum
2004-2006
•Neuerkrankungen
•Körpermasse
•Ernährungsum-
stellung
•Rauchen
•WHR
•Menopausalstatus
•Vorsorgeunter-
suchungen
Seit 2007
•Neuerkrankungen
•Körpermasse
•Ernährungsum-
stellung
•Rauchen
•Familiäre Vorbe-
lastung (Krebs,
MI, Diabetes)
EPIC-Potsdam Studie (n=27 548)
Basisuntersuchung
2.2.1 Basisuntersuchung
Die potentiellen Studienteilnehmer der EPIC-Potsdam Kohorte entstammten der
Allgemeinbevölkerung und wurden mittels Zufallsverfahren aus den
Einwohnermelderegistern von Potsdam und Umgebung identifiziert. Dabei bildeten
Männer im Alter von 40-64 Jahren und Frauen im Alter von 35-64 Jahren die Zielgruppe.
Reagierten die so ausgewählten Personen nicht auf ein erstes Anschreiben, so erhielten sie
nach zwei Wochen ein weiteres Erinnerungsschreiben und wurden daraufhin
gegebenenfalls telefonisch kontaktiert [156]. Die Teilnehmerrate der angeschriebenen
Personen lag bei 23% und insgesamt wurden 10 904 Männer und 16 644 Frauen in die
EPIC-Potsdam Studie eingeschlossen.
- 39 -
Methoden
Die Basisuntersuchung der Kohorte fand im Zeitraum von August 1994 bis September
1998 statt. Zehn Tage vor der Basisuntersuchung erhielten die Studienteilnehmer
postalisch je einen selbst auszufüllenden Fragebogen zur Dokumentation der
Ernährungsgewohnheiten und des Lebensstils (Abb. 2-3). Die zum Untersuchungstermin
mitgebrachten Fragebögen wurden im Studienzentrum (Gesundheitsamt Potsdam)
eingelesen und auf Vollständigkeit geprüft. Gegebenenfalls fehlende Angaben wurden
direkt vor Ort erfragt [157]. Zu den weiteren Studieninstrumenten zählten ein
computergestütztes Interview, eine umfangreiche, standardisierte anthropometrische
Untersuchung sowie die Messung des Blutdrucks (Abb. 2-3). Bei circa 95% der EPIC-
Potsdam Teilnehmer wurde außerdem eine Blutprobe entnommen [155]. Die für die
vorliegende Arbeit relevanten Variablen werden im Folgenden detailliert beschrieben.
Abb. 2-3 Zur Basisuntersuchung eingesetzte Erfassungsinstrumente und die damit erhobenen
Studienvariablen der EPIC-Potsdam Studie
Basisuntersuchung
1994-1998
Selbst ausfüllbare Fragebögen Computer-gestützte Interviews Körperliche Untersuchungen
Ernährungserhebungs- Fragebogen
• Häufigkeit und Menge
verzehrter Lebensmittel
• Verwendung von Saucen
und Fetten
• regelmäßige Nutzung
von Supplementen
Lebensstil-Fragebogen
• Familienstand
• Bildungsabschluss
• Berufsabschluss
• berufsbedingte körperliche Aktivität
• bei Frauen: Menarche, Menopause,
Menstruationszyklus, Anzahl Kinder,
Hormonersatztherapie
Interaktives Interview
• Berufliche Tätigkeit
• Rauchverhalten
• körperliche Aktivität
• mediz.Anamnese & Operationen
• Frauen: reproduktive Vorgeschichte
• Medikamenten-Einnahme der
zurückliegenden 4 Wochen
EPIC-Soft 24-Stunden
• Lebensmittelverzehr der zurück-
liegenden 4 Wochen
Anthropometrische Untersuchung
• Körperhöhe
•Körpermasse
• Taillen- und Hüftumfang
•Sitzhöhe
• Hautfaltendicke
• Brustkorbbreite und -tiefe
Blutdruckmessung
•Blutdruck
•Puls
Blutabnahme
• Separation der Blutbestandteile
• Dokumentation von Rauchen, Trinken
und Medikamenten-Einnahme der
zurückliegenden 24 Stunden
Knochendichtemessung
• Knochendichte des Os calcaneus
In Anlehnung an Boeing et al. (1999) [155]
- 40 -
Methoden
Im Rahmen der anthropometrischen Untersuchung wurden der Taillen- und Hüftumfang
der stehenden und mit leichter Unterwäsche bekleideten Studienteilnehmer erfasst [157].
Dabei erfolgte die Messung des Taillenumfangs in der Mitte von unterem Rippenbogen
und Oberkante der Darmbeinschaufel. Der Hüftumfang war definiert als diejenige Stelle
mit dem größten Umfang zwischen Oberkante der Darmbeinschaufel und Schritt. Beide
Maße wurden auf 0,5 cm genau abgelesen. Die Messgenauigkeit der zur
Körpermassenbestimmung eingesetzten Personenwaagen (Soehnle, Typ 7720/23) betrug
0,1 kg. Die Körperhöhe der Studienteilnehmer wurde mit einer Genauigkeit von 0,1 cm
erfasst [158].
Während des Besuchs im Studienzentrum erfolgte bei mehr als 95% der Studienteilnehmer
die Abnahme von jeweils 30 ml venösem Blut [155]. Diese Blutproben wurden
zentrifugiert, in die verschiedenen Blutfraktionen (Plasma, Serum, Erythrozyten und Buffy
Coat) getrennt, aliquotiert und innerhalb von zwei Stunden bei -20°C eingefroren. Zur
langfristigen Aufbewahrung der Proben wurden sogenannte „Straws“ mit einer
Maximalkapazität von 0,5 ml verwendet. Jeweils die Hälfte der 12 Plasma-Straws, 8
Serum-Straws, 4 Erythrozyten-Straws und 4 ‚Buffy coat’-Straws lagern lokal im
Potsdamer Studienzentrum bei -80°C, während die andere Hälfte in das
Koordinationszentrum der IARC nach Lyon überführt wurde [159]. Vom technischen
Personal wurden die jeweiligen Zeitpunkte von Probenentnahme, Kühlung, Zentrifugation
und abschließendem Einfrieren genau dokumentiert [157]. Im Zusammenhang mit der
Blutabnahme gaben die Studienteilnehmer außerdem Auskunft, zu welchem Zeitpunkt die
letzte Mahlzeit und das letzte Getränk aufgenommen wurden.
Der Alkoholkonsum und die tägliche Energieaufnahme wurden mit Hilfe des selbst
ausfüllbaren Fragebogens über die Ernährungsgewohnheiten (Food Frequency
Questionnaire, FFQ) erhoben. Dieser erfasste die innerhalb der letzten zwölf Monate vor
Basisuntersuchung konsumierten Häufigkeiten und Portionsgrößen von 148 Lebensmitteln
inklusive Alkohol. Weiterhin wurden Details über Zubereitungsmethoden, den Fettgehalt
bestimmter Lebensmittel sowie den Kaloriengehalt konsumierter Softgetränke erfragt. Um
das Abschätzen der aufgenommenen Lebensmittelportionen zu erleichtern, enthielt der
Fragebogen Fotografien von standardisierten Portionsgrößen. Die Verzehrshäufigkeit der
Lebensmittel wurde auf einer Skala gemessen, die von „esse/trinke ich nicht“ bis zu „5 mal
pro Tag oder häufiger“ insgesamt zehn Abstufungen umfasste. Die durchschnittliche
tägliche Aufnahmemenge jedes einzelnen Lebensmittels wurde nachfolgend auf der Basis
- 41 -
Methoden
der individuell von den Probanden dokumentierten Portionsgrößen und
Verzehrshäufigkeiten geschätzt. Basierend auf den Nährwertdaten des
Bundeslebensmittelschlüssels Version II.3 [160, 161] berechnete sich die tägliche Alkohol-
oder Energiezufuhr als Summe aller verzehrten Lebensmittel, jeweils mutlipliziert mit
deren durchschnittlichem Alkohol- oder Energiegehalt.
Mit dem zweiten selbst ausfüllbaren Fragebogen wurden unter anderem der höchste
allgemeinbildende Schulabschluss sowie der berufliche Ausbildungsabschluss
(Universitäts-/Hochschulabschluss, Fachhochschulabschluss, Berufsfach-/Handels-
/Fachschulabschluss, Facharbeiterausbildung/Lehre, Teilfacharbeiteranerkennung, kein
beruflicher Abschluss, noch in beruflicher Ausbildung) erfragt [155].
Zu den Studieninstrumenten der Basisuntersuchung zählte weiterhin ein
computergestützes, persönliches Interview, das im Studienzentrum von geschultem
Personal durchgeführt wurde [157]. Hierbei wurden das aktuelle und zurückliegende
Rauchverhalten sowie gegebenenfalls die Anzahl täglich gerauchter Einheiten (Zigaretten
mit/ohne Filter, Zigarren/Zigarillos, Pfeife) erfasst. Während des Interviews gaben die
Teilnehmer außerdem Auskunft zur körperlichen Aktivität der letzten zwölf Monate vor
Basisuntersuchung. Dabei wurde der wöchentliche Zeitaufwand verschiedenster
Aktivitäten getrennt für das Sommer- und Winterhalbjahr erfasst, wobei in die aktuellen
Analysen ausschließlich die Angaben zu sportlicher Aktivität („Sport treiben außer Rad
fahren“) einflossen. Weiterhin beantworteten die Studienteilnehmer im Interview Fragen
zu bestehenden Vorerkrankungen sowie zum Alter bei erstmaliger Diagnose dieser
Erkrankungen. Für die vorliegende Arbeit sind dabei Selbstangaben zu MI relevant, da
Personen mit prävalentem MI von den statistischen Analysen ausgeschlossen wurden.
Die automatische Blutdruckmessung erfolgte unter standardisierten Bedingungen mit
einem Oszillomat der Firma Bosch & Sohn (Jungingen, Deutschland). Für diese Messung
nahmen die Teilnehmer nach einer körperlichen Ruhephase von 15-30 min eine sitzende
Haltung mit paralleler Beinstellung und entspannt auf einem Tisch gelagertem rechten
Arm ein. Insgesamt wurden drei Blutdruckmessungen im Abstand von jeweils etwa zwei
Minuten vorgenommen [157, 162].
- 42 -
Methoden
2.2.2 Nachbeobachtung und Verifizierung von Myokardinfarkt
Im Zuge einer aktiven Nachbeobachtung wird den Studienteilnehmern alle zwei Jahre ein
Fragebogen zugesandt [163]. Dabei sollen primär interessierende Neuerkrankungen und
die Medikamenteneinnahme in den vorausgegangenen vier Wochen erfasst werden.
Außerdem werden Körpermasse, Ernährungsumstellung, Erwerbstätigkeit und
verschiedene Lebensstilfaktoren erfragt (Abb. 2-2). Um eine möglichst hohe
Teilnehmerrate in der Nachbeobachtung zu erzielen, werden diejenigen Personen
telefonisch kontaktiert, die innerhalb von 14 Tagen nicht auf den Fragebogen reagieren.
Alternativ werden Erinnerungsschreiben verschickt, wenn die Telefonnummer des
Probanden unbekannt oder dieser telefonisch nicht erreichbar ist. Ist im Gegenzug ein
Fragebogen nicht zustellbar, so wird beim Einwohnermeldeamt der Vitalstatus und
gegebenenfalls die neue Adresse des Probanden erfragt. Die Totenscheine verstorbener
Teilnehmer werden beim zuständigen Gesundheitsamt angefordert [163].
Derzeit liegen die Daten von insgesamt vier vollständigen Nachbeobachtungsrunden vor.
Der Inhalt der dafür eingesetzten Fragebögen variiert in einigen Punkten (Abb. 2-2). Allen
Nachbeobachtungen gemeinsam und für die vorliegende Arbeit bedeutsam ist die
Erfragung von Herzinfarkt (Myokardinfarkt) mit dem entsprechenden Diagnosejahr. Bei
Selbstangaben zu MI wurden die Probanden gebeten, Namen und Adresse des Arztes oder
der Klinik zu dokumentieren, damit diese zur Diagnosestellung befragt werden können.
Die mit Hilfe der Nachbeobachtungs-Fragebögen erfassten potentiellen Fälle werden in
Anlehnung an die Kriterien des WHO-MONICA Protokolls durch Befragung der
Hausärzte, Einsicht in Krankenhausakten und Begutachtung verfügbarer Totenscheine
verifiziert [164]. Als inzidente Fälle gelten in dieser Studie diejenigen Probanden der
Kohorte, die entsprechend ICD-10 I21 einen akuten Myokardinfarkt erlitten haben.
- 43 -
Methoden
2.2.3 Eingebettete Fall-Kohorten-Studie
Die vorliegende Arbeit basiert auf den Daten einer in die EPIC-Potsdam-Kohorte
eingebetteten Fall-Kohorten-Studie, die zur Untersuchung von Biomarkern etabliert wurde.
Diese Studienpopulation setzt sich aus 856 Teilnehmern einer Subkohorte sowie 159
Personen mit akutem, medizinisch verifiziertem Myokardinfarkt (ICD-10 I21) zusammen
(Abb. 2-4). Der Stichtag für die Erfassung potentieller Fälle war der 30.04.2004. Die
Subkohorte wurde randomisiert aus denjenigen Teilnehmern der EPIC-Potsdam-Kohorte
gezogen, die keine prävalenten Vorerkrankungen der ICD-10 Positionen I21-I25
aufwiesen. Aus der Ziehung ausgeschlossen waren ferner Personen mit unvollständig
ausgefülltem Ernährungs- oder Lebensstilfragebogen, fehlendem Interview, fehlender
anthropometrischer Basisuntersuchung sowie fehlenden Blutproben. Entsprechend der
Definition einer Fall-Kohorten-Studie sind inzidente Erkrankungen innerhalb der
Subkohorte kein Ausschlusskriterium. Daher wurde die Subkohorte ohne Berücksichtigung
des Erkrankungsstatus ausgewählt. Inzidente MI-Fälle innerhalb der Subkohorte (n=5)
werden im Folgenden als interne Fälle bezeichnet und alle anderen Subkohorten-
Teilnehmer als Kontrollen bzw. Nicht-Fälle (n=851; Abb. 2-4).
Abb. 2-4 Zusammensetzung der Fall-Kohorten-Studie sowie deren Einbettung in die European Prospective
Investigation into Cancer and Nutrition (EPIC)-Potsdam Studie
Subkohorte
n=856
MI-Fälle
n=159
Nicht-Fälle
n=851
Intere
Fälle
n=5
Externe
Fälle
n=154
EPIC-Potsdam-Kohorte
n=27 548
Interne
Fälle
n=5
Externe
Fälle
n=154
- 44 -
Methoden
In den Plasmaproben der Fall-Kohorten-Studie wurden ausgewählte klinisch-chemische
Parameter durch externes Fachpersonal des Deutschen Instituts für Ernährungsforschung
Potsdam-Rehbrücke (Abteilung für Klinische Ernährung) und der Otto-von-Guericke-
Universität Magdeburg (Institut für Klinische Chemie und Pathobiochemie) bestimmt.
Die Konzentrationsbestimmungen von gChol, HDL-C, LDL-C, TG und Glc erfolgten
kolorimetrisch mit dem multiparametrischen Analysesystem ABX Pentra 400. Die
Präzision und Reliabilität des ABX Pentra 400 wurden als gut eingestuft [165]. Für die
Analysen wurden die folgenden kommerziellen Reaktionssysteme von Horiba ABX
(Shefford, UK) genutzt: ABX Diagnostics Cholesterol, ABX Diagnostics HDL Cholesterol
Direct, ABX-Diagnostics LDL Cholesterol Direct, ABX Diagnostics Triglycerides, ABX
Diagnostics Glucose HK 125. Die Bestimmung der GGT-Aktivität erfolgte auf dem ABX
Pentra 400 mit dem Reaktionssystem ABX Diagnostics GGT CP. Der Messung lag ein
enzymatischer Farbtest zugrunde, basierend auf der IFCC-Referenzmethode [166]. Die
Konzentration von Harnsäure wurde mittels Urikase/PAP-Methode auf einem Modular-
System der Firma Roche Diagnostics und Reagenzien von Roche Diagnostics (Mannheim,
Deutschland) gemessen. Für die Analyse der IL-6-Spiegel wurden Sandwich-Enzyme
Linked Immunosorbent Assays (ELISA) mit Reagenzien der Firma R&D Systems
(Minneapolis, USA) durchgeführt. Die Resistin-Konzentrationen wurden mittels
Sandwich-ELISA mit einem kommerziellen Test-Assay von BioVendor Laboratory
Medicine Inc. (Modrice, Tschechische Republik) gemessen. Weiterhin erfolgte die
Bestimmung von oxi-LDL mit kompetitiver ELISA der Firma Mercodia AB (Uppsala,
Schweden). Die Plasmakonzentrationen von CRP wurden immunturbidimetrisch mit einem
Assay von ABX Diagnostics auf einem ABX Pentra 400 bestimmt. Messungen zur
Plasmakonzentration von Adiponektin basierten auf einem Radioimmunoassay (Human
Adiponectin RIA; Linco Research Inc, USA). Leider lagen nicht für alle analysierten
klinisch-chemischen Parameter Informationen zur technischen Varianz vor. Daher ist die
folgende Aufzählung der Inter- / Intra-Assay Variationskoeffizienten (VK) für einige
Variablen unvollständig: gChol: 4,7% / 0,9%; HDL-C: 5,2% / 1,2%; LDL-C: 5,2% / 1,7%;
TG: 5,5% / 3,4%; Harnsäure: 3,4% / 0,6%; Resistin: 5,1% / 3,2%; IL-6: 9,9% / 3,8%-
11,1%; CRP: 2,6% / 7.9%. Für Glc und GGT betrugen die Intra-Assay VK 1,6% und 0,8%.
- 45 -
Methoden
2.2.4 Analytische Studienpopulation
Aufgrund fehlender Daten in relevanten Studienvariablen wurde für die statistischen
Untersuchungen eine analytische Fall-Kohorten-Studie gebildet (Abb. 2-5). Basierend auf
der eingebetteten Fall-Kohorten-Studie wurden drei MI-Fälle ausgeschlossen, da bei ihnen
keine anthropometrischen Daten vorlagen. Weiterhin waren bei 31 MI-Fällen die
Plasmakonzentrationen der zwölf berücksichtigten klinisch-chemischen Parameter nicht
oder nicht vollständig erfasst worden. Die analytische Fall-Kohorten-Studie umfasste also
insgesamt 125 Teilnehmer mit inzidentem MI.
Innerhalb der Subkohorte wurden Personen ausgeschlossen, da sie bereits vor der
Basisuntersuchung einen MI erlitten hatten (n=2), da von ihnen keine
Nachbeobachtungsdaten vorlagen (n=3) oder da die Konzentrationsmessungen der
klinisch-chemischen Parameter unvollständig waren (n=57). In der vorliegenden Arbeit
standen also 794 Subkohorten-Teilnehmer mit vollständigen Studiendaten zur Verfügung
(Abb. 2-5). Insgesamt bildeten fünf Personen als interne MI-Fälle die Schnittmenge
zwischen der Fallpopulation und der Subkohorte (vgl. Abb. 2-4), so dass die analytische
Studienpopulation auf den Daten von 914 Teilnehmern basierte.
Die in Abb. 2-5 dargestellte analytische Studienpopulation bildete die Grundlage, um –
entsprechend dem Schwerpunkt der Arbeit – die Bedeutung klinisch-chemischer Parameter
als potentielle Intermediate der Beziehung zwischen Adipositas und MI-Risiko empirisch
zu untersuchen. Unvollständige Informationen zu systolischem und diastolischem
Blutdruck bildeten keine Ausschlusskriterien für die analytische Fall-Kohorten-Studie, um
den Stichprobenumfang nicht unnötig zu reduzieren. Informationen zum Blutdruck wurden
daher lediglich im Rahmen einer Subanalyse berücksichtigt, die sich auf 769 nicht an MI
erkrankte Personen der Subkohorte sowie 115 externe und fünf interne MI-Fälle
beschränkte.
- 46 -
Methoden
Abb. 2-5 Zusammensetzung der analytischen Fall-Kohorten-Studie nach Anwendung der Ausschlusskriterien
Nicht-Fälle der
Subkohorte
n=856
Teilnehmer mit
Myokardinfarkt
n=159 (5
*
)
n=851
n=156 (5
*
)
n=854
n=159 (5
*
)
Nicht-Fälle der
Subkohorte
n=794
Teilnehmer mit
Myokardinfarkt
n=125 (5
*
)
n=851
n=159 (5
*
)
Prävalenter Myokardinfarkt
Fehlende Nachbeobachtungszeit
Fehlende anthropometrische Daten (WHR, BMI)
Fehlende Daten zu den klin.-chem. Parametern
Eingebettete Fall-Kohorten-Studie
Analytische Fall-Kohorten-Studie
* Anzahl interner Myokardinfarkt-Fälle an der gesamten Fallzahl
2.3 Statistische Methoden
2.3.1 Definition und Skalierung relevanter Studienvariablen
Um das in Kapitel 2.1 beschriebene methodische Konzept auf das konkrete
Anwendungsbeispiel zu übertragen, wurden drei Gruppen von Studienvariablen definiert:
Expositionsgrößen, Kovariate und potentielle Intermediate.
Als Expositionsgrößen wurden allgemeine und androide Adipositas untersucht (Tabelle
2-2). Dabei berechnete sich der BMI als das Verhältnis von Körpermasse (kg) zu
quadrierter Körperhöhe (m) und der WHR als das Verhältnis von Taillenumfang (cm) zu
Hüftumfang (cm). Entsprechend der WHO-Richtlinien wurde allgemeine Adipositas
basierend auf einem BMI ≥ 30 kg/m2 definiert [23]. Weiterhin wurden weibliche
Studienteilnehmer (w) mit einem WHR ≥0,85 sowie männliche Studienteilnehmer (m) mit
einem WHR ≥1,0 in die Kategorie „androide Adipositas“ eingeteilt [23]. Im Folgenden
wird diese Expositionsgröße als WHR ≥ 0,85[w]/1,0[m] bezeichnet.
- 47 -
Methoden
Als Kovariate bzw. potentielle Confounder der Beziehung zwischen Adipositas und MI-
Risiko wurden die folgenden Variablen berücksichtigt: Alter, Geschlecht, Rauchstatus
(Nieraucher; Exraucher ≥ 5 Jahre; Exraucher < 5 Jahre; Raucher < 20 Einheiten/d;
Raucher ≥ 20 Einheiten/d), Bildungsstand (TN ohne Abschluss & Teilfacharbeiter; TN mit
Fachschulabschluss & Facharbeiter; TN mit Fachhochschul- oder Hochschulabschluss),
Alkoholkonsum (Männer: < 2 g/d; 2-14,99 g/d; ≥ 15 g/d; Frauen: < 1 g/d; 1-7,49 g/d;
≥ 7,5 g/d), Energieaufnahme (kcal/d) sowie sportliche Aktivität (< 2h/Woche;
≥ 2h/Woche). Im Folgenden wird die Gruppe dieser Kovariaten als das „Basismodell“
bezeichnet (Tabelle 2-2). Für die Cox-Regression wurde neben dem Alter zusätzlich das
Nachbeobachtungsalter berücksichtigt, das bei den Fällen dem Alter zur MI-
Diagnosestellung entsprach. Bei allen anderen Studienteilnehmern wurde das
Nachbeobachtungsalter definiert als das Alter zum Zeitpunkt der Zensierung; d.h. bei
Ausscheiden aus der Studie, Tod durch ein anderes als das Zielereignis oder das Datum der
aktuellen Nachbeobachtung.
Die Gruppe der potentiellen Intermediate umfasste die folgenden klinisch-chemischen
Parameter, deren Beziehung zu den Expositionsgrößen sowie zu MI bekannt bzw.
wahrscheinlich ist: gChol, HDL-C, LDL-C, oxi-LDL, TG, Glc, GGT, Harnsäure,
Adiponektin, Resistin, IL-6 und CRP. Diese potentiellen Intermediate wurden als stetige,
log-transformierte Variablen untersucht. Für die Regressionsanalysen wurden die
potentiellen Intermediärvariablen außerdem durch die jeweilige Standardabweichung
dividiert. Die so standardisierten Variablen weisen alle eine Standardabweichung=1 auf.
Würden nicht-standardisierte Variablen als Prädiktoren in ein Regressionsmodell
aufgenommen, so entspräche der daraus geschätzte Regressionskoeffizient dem Effekt auf
die Zielvariable, wenn der Prädiktor um eine (individuelle) Einheit ansteigt. Durch die
Standardisierung wird stattdessen der Anstieg des Prädiktors um eine Standardabweichung
analysiert. Eine solche Standardisierung erleichtert lediglich die vergleichende Darstellung
der in unterschiedlichen Einheiten vorliegenden klinisch-chemischen Parameter, sie hat
keinen Einfluss auf das Signifikanzniveau der geschätzten Regressionskoeffizienten.
- 48 -
Methoden
Tabelle 2-2 Liste der Expositionsgrößen und der Variablen des Basismodells sowie deren Skalenniveau
Variable Ausprägung
Expositionsgrößen
BMI ≥ 30 kg/m2 dichotom
WHR ≥ 0,85[w]/1,0[m] dichotom
Kovariate des Basismodells
Alter stetig (Jahre)
Geschlecht dichotom
Rauchstatus 5 Kategorien:
• Nieraucher
• Exraucher ≥ 5 Jahre
• Exraucher < 5 Jahre
• Raucher < 20 Einheiten/d
• Raucher ≥ 20 Einheiten/d
Bildungsstand 3 Kategorien:
• TN ohne Abschluss & Teilfacharbeiter
• TN mit Fachschulabschluss & Facharbeiter
• TN mit Fachhochschul- oder Hochschulabschluss
Alkoholkonsum 3 Kategorien:
• gering (Männer: < 2 g/d; Frauen: < 1 g/d;)
• moderat (Männer: 2-14,99 g/d; Frauen: 1-7,49 g/d)
• erhöht (Männer: ≥ 15 g/d; Frauen: ≥ 7,5 g/d)
Energieaufnahme stetig (kcal/d)
Sportliche Aktivität < 2h/Woche dichotom
In Zusatzanalysen wurden der systolische und diastolische Blutdruck als weitere
potentielle Intermediate untersucht. Da die zur Basisuntersuchung erfolgte erste Blutdruck-
Messung im Vergleich zu den beiden darauf folgenden Messungen den Blutdruck deutlich
zu überschätzen schien, wurden der systolische und diastolische Blutdruck als das
jeweilige arithmetische Mittel der 2. und 3. Messung definiert [167]. Beide Variablen
wurden als stetige, standardisierte Größen berücksichtigt.
- 49 -
Methoden
2.3.2 Deskriptive und analytische Statistik
Alle deskriptiven und analytischen statistischen Verfahren wurden mit dem Softwarepaket
„Statistical Analysis System“ (SAS), Version 9.1 (SAS Institute Inc., Cary, North
Carolina, USA) durchgeführt. Statistische Signifikanz wurde bei einer
Irrtumswahrscheinlichkeit von p<0,05 angenommen. Soweit im Text nicht anders erwähnt,
wurden alle statistischen Tests zweiseitig durchgeführt.
Allgemeine Studiencharakteristika wurden als geometrischer Mittelwert ±
Standardabweichung (klinisch-chemische Parameter), arithmetischer Mittelwert ±
Standardabweichung (alle sonstigen stetigen Größen) oder als Häufigkeiten (ordinal- und
nominalskalierte Größen) dargestellt. In Abhängigkeit des Skalenniveaus wurden
eventuelle Unterschiede zwischen MI-Fällen und der MI-freien Subkohorte (Nicht-Fälle)
mittels t-Test für unabhängige Stichproben, mittels χ2-Test oder – bei geringer
Zellenbesetzung – mit dem exakten Fisher-Test analysiert. Die Umsetzung dieser Tests
erfolgte in SAS mit den Prozeduren „proc ttest“ und „proc freq“ erweitert um die Option
„chisq“. Die gleichen Verfahren wurden angewandt, um die Ausprägung relevanter
Studienvariablen in Abhängigkeit von allgemeiner Adipositas sowie androider Adipositas
zu untersuchen. Die Korrelation zwischen den im Plasma der Probanden bestimmten
klinisch-chemischen Parametern wurde mittels Rangkorrelationskoeffizienten nach
Spearman (rs) berechnet, um einer möglichen Nicht-Normalverteilung der
Expositionsgrößen in der Grundgesamtheit gerecht zu werden. Die dafür notwendige SAS-
Prozedur ist „proc corr“ mit der Option „spearman“.
Die Beziehungen zwischen den Expositionsgrößen allgemeine / androide Adipositas und
den als Intermediärvariablen postulierten klinisch-chemischen Parametern wurden mittels
multipler Regression analysiert (erstes Mediationskriterium; vgl. Kapitel 2.1.1).
Grundsätzlich erfolgte dies mit einem separaten Modell für jedes Expositions-
Intermediärvariablen-Paar. Alle Modelle enthielten als Kovariate die in Kapitel 2.3.1
beschriebenen Variablen des Basismodells. Die Regressionskoeffizienten für die
Beziehung zwischen Exposition und potentiellem Intermediat wurden in SAS mit der
Prozedur „proc reg“ geschätzt.
Basierend auf einem Cox Proportional Hazards Modell wurde außerdem die Assoziation
zwischen BMI ≥ 30 kg/m2 und MI-Risiko untersucht (zweites Mediationskriterium). Die
Risikoschätzungen für die Beziehung zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Inzidenz
- 50 -
Methoden
erfolgten in einer separaten Cox-Regression. In beiden Modellen wurde für die Kovariate
des Basismodells, nicht jedoch für potentielle Intermediate adjustiert (vgl. Kapitel 2.1.1).
Um dem speziellen Design einer Fall-Kohorten-Studie gerecht zu werden, erfolgte die
Schätzung der Regressionsparameter auf der Grundlage einer von Prentice (1986)
vorgeschlagenen Pseudo-Likelihood-Funktion [168]. Die 95% KI der HR wurden mit Hilfe
robuster Varianzschätzer berechnet [153]. Die Cox-Regression wurde in SAS mit der
Prozedur „proc phreg“ durchgeführt. Dabei erfolgte die Kodierung der zugrunde liegenden
Altersvariablen nach dem sogenannten „counting process“-Ansatz von Andersen et al.
[169] mit Rekrutierungsalter als Zeiteingangsvariable und Nachbeobachtungsalter als
Zeitausgangsvariable. Die in diesem Abschnitt erläuterten Besonderheiten bei der
Schätzung der Regressionsparameter und der 95% KI gelten auch für die in den
Folgeabschnitten beschriebenen Cox-Modelle.
Um zu überprüfen, ob die gemeinsame Auswertung von männlichen und weiblichen
Studienteilnehmern gerechtfertigt ist, wurde für jede Expositionsgröße ein Interaktionsterm
mit dem Geschlecht generiert: BMI ≥ 30 kg/m2 * Geschlecht; WHR ≥ 0,85[w]/1,0[m] *
Geschlecht. Die Beziehung des jeweiligen Interaktionsterms zum MI-Risiko wurde mittels
Cox Proportional Hazards Regression nach Adjustierung für die Variablen des
Basismodells sowie die entsprechende Expositionsgröße analysiert. Beide Geschlechter
sind nur dann gemeinsam auszuwerten, wenn der geschätzte Regressionskoeffizient der
Beziehung zwischen dem Interaktionsterm und dem MI-Risiko nicht signifikant von Null
verschieden ist.
Zur Bewertung des dritten Mediationskriteriums wurde die Beziehung jedes einzelnen
klinisch-chemischen Parameters zur MI-Inzidenz mittels Cox Proportional Hazards
Regression analysiert. Diese Modelle enthielten als Kovariate die Variablen des
Basismodells sowie die jeweilige Expositionsgröße (vgl. Kapitel 2.1.1). In weiterführenden
Analysen wurden für jeden klinisch-chemischen Parameter zudem Interaktionsterme mit
dem Geschlecht, mit dem BMI ≥ 30 kg/m2 sowie mit dem WHR ≥ 0,85[w]/1,0[m] gebildet
und deren Einfluss auf das MI-Risiko auf statistische Signifikanz geprüft.
Für den Test auf Effektabschwächung (viertes Mediationskriterium) wurde wiederum jedes
Expositions-Intermediärvariablen-Paar separat analysiert. Wie in Kapitel 2.1.1
beschrieben, basierte dieser Test auf der Differenz zweier
Regressionskoeffizienten *
ˆˆ EE
γ
γ
−, die die mittels Cox-Regression geschätzte Beziehung
zwischen Exposition und MI-Risiko ohne und mit Adjustierung für den jeweiligen
- 51 -
Methoden
klinisch-chemischen Parameter widerspiegeln. Zur Schätzung von E
γ
ˆ und *
ˆE
γ
lagen also
die Cox-Modelle zugrunde, die bereits oben – zur Prüfung des zweiten und dritten
Mediationskriteriums – beschrieben sind. Da der Test auf Effektabschwächung nicht
innerhalb der SAS-Prozedur „proc phreg“ realisierbar ist [147], wurde die Prüfgröße K in
der interaktiven Matrix-Sprache SAS/IML berechnet. Die für die Schätzung robuster
Standardfehler erforderliche Kovarianz-Matrix wurde mittels Matrix-Multiplikation der
DFBETA-Statistik beider Regressionskoeffizienten erzeugt [153].
Der durch die klinisch-chemischen Parameter vermittelte, indirekte Anteil an der
Assoziation zwischen allgemeiner / androider Adipositas und MI-Risiko wurde mittels
Effektzerlegung nach Chen et al. (2003) analysiert (vgl. Kapitel 2.1.2). Dabei beschränkte
sich die Gruppe potentieller Intermediate ausschließlich auf diejenigen klinisch-
chemischen Parameter, die das erste, dritte und vierte Mediationskriterium erfüllten (i.e.
die Mediationsvariablen). Das zweite Mediationskriterium diente ausschließlich zur
Bewertung der Expositionsgrößen und hatte daher keine Bedeutung bei der Auswahl
relevanter Mediationsvariablen. Jede Expositionsgröße wurde separat betrachtet und die
Schätzung der PEE ± 95% KI basierte auf Cox-Modellen, die als Prädiktoren der MI-
Inzidenz neben den Kovariaten des Basismodells die jeweilige Expositionsgröße sowie die
den Mediationskriterien entsprechenden Mediationsvariablen enthielten. Dazu wurden die
mittels Cox-Regression geschätzten Regressionsparameter sowie deren Kovarianzmatrix in
SAS/IML in Matritzen umgewandelt. Die Schätzung des Zerlegungsparameters c und der
PEE erfolgten in SAS/IML entsprechend der in Kapitel 2.1.2 beschriebenen Formeln.
- 52 -
Ergebnisse
3. Ergebnisse
3.1 Charakterisierung der Studienpopulation nach Einflussvariablen
3.1.1 Vergleich von Fällen und Nicht-Fällen
Die analytische Studienpopulation setzte sich aus 125 Personen mit inzidentem MI und
789 Nicht-Fällen zusammen, deren mittlere Nachbeobachtungsdauer 2,7 und 6,7 Jahre
betrug. Insgesamt verliefen 29 MI-Ereignisse tödlich (23,2%). Personen mit inzidentem MI
waren zur Basisuntersuchung durchschnittlich 6,6 Jahre älter als Personen der
Kontrollpopulation (p<0,0001) und wiesen mit 76,0% im Vergleich zu 39,0% einen
deutlich erhöhten Anteil männlicher Teilnehmer auf (p<0,0001; Tabelle 3-1).
Die beiden Vergleichsgruppen unterschieden sich signifikant hinsichtlich ihres
Rauchverhaltens p<0,0001). So betrug der Anteil starker Raucher (≥ 20 Einheiten/d)
24,8% bei den Fällen und lediglich 5,2% bei den Personen der Subkohorte, die in der
Nachbeobachtungszeit keinen MI entwickelt hatten. Lebenslange Nichtraucher befanden
sich hingegen deutlich häufiger in der Gruppe der Nicht-Fälle (46,6% vs. 20,8%). Auch im
Alkoholkonsum unterschieden sich die Vergleichsgruppen signifikant (p=0,004). So
dokumentierten insgesamt 19,2% der MI-Fälle zur Basisuntersuchung einen geringen
Alkoholkonsum. Bei den Nicht-Fällen entfielen lediglich 9,4% der Teilnehmer in diese
Kategorie.
Hinsichtlich ihres Bildungsstandes unterschieden sich MI-Fälle nicht signifikant von
Personen der Subkohorte, die keinen MI entwickelten (p=0,798). In beiden
Vergleichsgruppen wies die Mehrheit der Studienteilnehmer einen Hochschul- oder
Fachhochschulabschluss auf (Fälle: 39,2%; Nicht-Fälle: 38,5%). Außerdem
dokumentierten die Fälle mit 9300 kcal/d eine etwas höhere tägliche Energieaufnahme als
die Kontrollen (9000 kcal/d), jedoch erreichte dieser Unterschied keine statistische
Signifikanz. Personen mit einer sportlichen Aktivität von weniger als 2h/Woche waren in
beiden Vergleichsgruppen sehr selten vertreten.
- 53 -
Ergebnisse
Tabelle 3-1 Arithmetischer Mittelwert ± Standardabweichung oder Häufigkeit ausgewählter
Studienvariablen der Basisuntersuchung von Personen mit inzidentem Myokardinfarkt (MI-Fälle) und Nicht-
Fällen einer in die EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914)
Variable MI-Fälle
n=125
Nicht-Fälle
n=789
p
Alter (Jahre) 56,4±6,7 49,8±8,5 <0,0001
Männliches Geschlecht (%) 76,0 39,0 <0,0001
Rauchstatus (%) <0,0001
• Nieraucher;
• Exraucher ≥ 5 Jahre
• Exraucher < 5 Jahre
• Raucher < 20 Einheiten/d
• Raucher ≥ 20 Einheiten/d
20,8
23,2
7,2
24,0
24,8
46,6
25,2
7,9
15,1
5,2
Bildungsstand (%) 0,798
• Ohne Abschluss/ Teilfacharbeiter
• Facharbeiter / Fachschulabschluss
• Hochschul-/Fachhochschulabschluss
38,4
22,4
39,2
36,4
25,1
38,5
Alkoholkonsum (%) 0,004
• gering
• moderat
• erhöht
19,2
39,2
41,6
9,4
45,6
45,0
Energieaufnahme (103 kcal/d) 9,3±2,4 9,0±2,7 0,256
Sportliche Aktivität < 2h/Woche (%) 3,2 2,3 0,183
p-Wert für Gruppenvergleich mittels
χ
2-Test oder exaktem Fisher Test (kategorielle Variablen) oder für t-
Test für unabhängige Stichproben (kontinulierliche Variablen)
- 54 -
Ergebnisse
Insgesamt wurden 43 MI-Fälle (34,4%) und 114 nicht erkrankte Studienteilnehmer
(14,5%) als android adipös eingestuft, da sie einen WHR≥0,85[w]/1,0[m] aufwiesen
(p<0,0001). Die Prävalenz von allgemeiner Adipositas (BMI ≥ 30 kg/m2) war etwas
niedriger und betrug 21,6% bei den Fällen und 10,5% bei den Nicht-Fällen (p<0,004). In
der analytischen Studienpopulation überlappte sich die Prävalenz beider
anthropometrischer Kenngrößen nicht vollständig (Abb. 3-1). So wiesen 12,8% der Fälle
und 5,6% der Nicht-Fälle sowohl eine androide als auch eine allgemeine Adipositas auf
(p=0,002). Die beiden Vergleichsgruppen unterschieden sich außerdem signifikant in der
Häufigkeit von Personen, bei denen mindestens eine der beiden Kenngrößen erhöht war.
Insgesamt entfielen 43,2% der Fälle sowie 19,4% der Nicht-Fälle in diese Kategorie
(p<0,0001).
Abb. 3-1 Prävalenz eines WHR ≥ 0,85[w]/1,0[m] und eines BMI ≥ 30 kg/m2 bei Personen mit inzidentem
Myokardinfarkt (MI-Fälle) und Nicht-Fällen einer in die EPIC-Potsdam Kohorte eingebetteten Fall-
Kohorten-Studie (n=914)
56%
9%
22%
13%
MI-Fälle
n=125
80%
5%
9%
6%
Nicht-Fälle
n=789
BMI<30, WHR<0,85[w]/1,0[m] BMI≥30, WHR<0,85[w]/1,0[m]
BMI<30, WHR≥0,85[w]/1,0[m] BMI≥30, WHR≥0,85[w]/1,0[m]
- 55 -
Ergebnisse
Alle untersuchten klinisch-chemischen Parameter unterschieden sich im geometrischen
Mittelwert statistisch signifikant zwischen Personen mit inzidentem MI und den nicht an
MI erkrankten Subkohorten-Teilnehmern (Tabelle 3-2). Die mittleren Konzentrationen von
HDL-C und Adiponektin lagen bei den Fällen etwa 17% unter denen der Nicht-Fälle. Im
Gegensatz dazu waren die Spiegel aller anderen analysierten klinisch-chemischen
Parameter in den Fällen um bis zu 100% höher als in den Nicht-Fällen.
Tabelle 3-2 Geometrischer Mittelwert ± Standardabweichung der Plasmakonzentrationen klinisch-
chemischer Parameter von Personen mit inzidentem Myokardinfarkt (MI-Fälle) und Nicht-Fällen einer in die
EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914)
Variable MI-Fälle
n=125
Nicht-Fälle
n=789
p
gChol (mmol/l) 5,1±1,2 4,5±1,2 <0,0001
HDL-C (mmol/l) 1,0±1,2 1,2±1,2 <0,0001
LDL-C (mmol/l) 3,1±1,2 2,4±1,5 <0,0001
Oxi-LDL (U/l) 51,1±1,5 37,0±1,5 <0,0001
TG (mmol/l) 1,8±1,8 1,2±1,6 <0,0001
Glc (mg/l) 5,1±1,3 4,5±1,2 <0,0001
GGT (U/l) 26,1±1,9 16,3±1,9 <0,0001
Harnsäure (µmol/l) 281,6±1,3 223,6±1,4 <0,0001
Adiponektin (µg/ml) 6,2±1,8 7,5±1,8 0,0003
Resistin (ng/ml) 2,6±1,4 2,4±1,4 0,007
IL-6 (pg/ml) 1,8±1,8 1,2±1,9 <0,0001
CRP (mg/l) 1,2±3,4 0,6±3,6 <0,0001
p-Wert für Gruppenvergleich mittels t-Test für unabhängige Stichproben
- 56 -
Ergebnisse
3.1.2 Vergleich von Studienteilnehmern basierend auf BMI- und WHR-Kategorien
Im Vergleich zu einem WHR unterhalb des jeweiligen Schwellenwertes waren von einem
WHR≥0,85[w]/1,0[m] häufiger die älteren und die weiblichen Studienteilnehmer betroffen
(Tabelle 3-3). So lag das mittlere Alter von Personen mit einem WHR≥0,85[w]/1,0[m]
etwa 5,6 Jahre über dem Alter von Personen mit einem WHR<0,85[w]/1,0[m] (p>0,0001).
Der Anteil männlicher Studienteilnehmer lag bei 57,9% innerhalb der Gruppe mit einem
WHR<0,85[w]/1,0[m] und war damit deutlich höher als bei Personen mit einem WHR
oberhalb des Schwellenwertes (p=0,009). Dagegen betrug der mittlere Altersunterschied
zwischen Studienteilnehmern mit und ohne allgemeine Adipositas (BMI≥30 kg/m2)
lediglich 2,9 Jahre und verfehlte statistische Signifikanz (p=0,071). Auch die Verteilung
der Geschlechter unterschied sich nicht signifikant zwischen den Vergleichsgruppen der
beiden BMI-Kategorien (p=0,609).
Fast die Hälfte (49,1%) aller Personen mit einem WHR≥0,85[w]/1,0[m] gaben zur
Basisuntersuchung an, ehemalige Raucher zu sein. Im Vergleich dazu entfielen 45,7% der
Studienteilnehmer mit niedrigerem WHR in die Kategorie der Nieraucher und lediglich
29,3% in die der ehemaligen Raucher. Außerdem traten sowohl erhöhte WHR-Werte als
auch erhöhte BMI-Werte deutlich häufiger bei Studienteilnehmern mit einem niedrigeren
Bildungsstand (ohne Abschluss oder Teilfacharbeiter) auf. In allen Vergleichsgruppen
entfiel die Mehrheit der Probanden in die Kategorie des moderaten oder erhöhten
Alkoholkonsums. Jedoch war der Anteil von Personen mit gar keinem oder sehr niedrigem
Alkoholkonsum bei denjenigen Studienteilnehmern am höchsten, die zur
Basisuntersuchung einen WHR≥0,85[w]/1,0[m] aufwiesen (17,8%). Hinsichtlich ihrer
täglichen Energieaufnahme unterschieden sich die jeweiligen Vergleichsgruppen nicht
signifikant voneinander. Der Anteil von Personen mit einer sportlichen Aktivität von
weniger als 2h/Woche war in allen Kategorien sehr gering und unterschied sich signifikant
zwischen Teilnehmern mit einem WHR≥0,85[w]/1,0[m] im Vergleich zu Teilnehmern
ohne androide Adipositas (p=0,022).
- 57 -
Ergebnisse
- 58 -
Tabelle 3-3 Arithmetischer Mittelwert ± Standardabweichung oder Häufigkeit ausgewählter Studienvariablen der Basisuntersuchung über die WHR- und BMI-Kategorien
einer in die EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914)
Variable WHR<0,85[w]/1,0[m]
n=757
WHR≥0,85[w]/1,0[m]
n=157
p# BMI<30 kg/m2
n=804
BMI≥30 kg/m2
n=110
p§
Alter (Jahre) 49,7±8,5 55,3±7,8 <0,0001 50,3±7,9 53,2±8,6 0,071
Männliches Geschlecht (%) 42,1 53,5 0,009 43,8 46,4 0,609
Rauchstatus (%)
• Nieraucher;
• Exraucher ≥ 5 Jahre
• Exraucher < 5 Jahre
• Raucher < 20 Einheiten/d
• Raucher ≥ 20 Einheiten/d
45,7
22,3
7,0
16,6
8,3
30,6
37,6
11,5
14,7
5,7
<0,0001
43,9
23,9
7,8
16,5
7,8
37,3
32,7
7,3
14,6
8,2
0,365
Bildungsstand (%)
• Ohne Abschluss/ Teilfacharbeiter
• Facharbeiter / Fachschulabschluss
• Hochschul-/ Fachhochschulabschluss
34,2
25,0
40,8
48,4
23,6
28,0
0,002
34,8
25,4
39,8
50,0
20,0
30,0
0,008
Alkoholkonsum (%)
• gering
• moderat
• erhöht
9,3
45,6
45,2
17,8
40,8
41,4
0,007
10,2
44,8
45,0
14,6
44,6
40,9
0,355
Energieaufnahme (103 kcal/d) 9,1±2,6 8,9±2,7 0,613 9,0±2,7 9,0±2,6 0,754
Sportliche Aktivität < 2h/Woche (%) 2,9 0 0,022 2,6 0,9 0,503
p-Wert für Gruppenvergleich mittels
χ
2-Test oder exaktem Fisher Test (kategorielle Variablen) oder für t-Test für unabhängige Stichproben (kontinulierliche Variablen):
über die WHR-Kategorien und § über die BMI-Kategorien
- 58 -
Ergebnisse
Ergebnisse
Die mittleren Plasmakonzentrationen fast aller klinisch-chemischen Parameter
unterschieden sich statistisch signifikant zwischen Personen mit einem
WHR≥0,85[w]/1,0[m] und Studienteilnehmern mit einem günstigeren
Fettverteilungsmuster (Tabelle 3-4). So wiesen Probanden mit androider Adipositas höhere
Spiegel von gChol, LDL-C, oxi-LDL, TG, Glc, GGT, Harnsäure, IL-6 und CRP auf als
Personen mit einem WHR unterhalb des geschlechtsspezifischen Schwellenwertes. Im
Gegensatz dazu hatten Personen mit einem WHR<0,85[w]/1,0[m] höhere HDL-C- und
Adiponektinkonzentrationen als Studienteilnehmer mit androider Adipositas. Resistin war
der einzige klinisch-chemische Parameter, dessen Plasmakonzentration sich nicht
signifikant zwischen den beiden WHR-Vergleichsgruppen unterschied.
Wurden die Teilnehmer basierend auf dem BMI≥30 kg/m2 in zwei Vergleichsgruppen
eingeteilt, dann zeigten sich ähnliche Unterschiede in den Plasmakonzentrationen klinisch-
chemischer Parameter wie bei der Gegenüberstellung von Teilnehmern basierend auf den
beiden WHR-Kategorien (Tabelle 3-4). Auch Personen mit allgemeiner Adipositas wiesen
höhere Spiegel von gChol, oxi-LDL, TG, Glc, GGT, Harnsäure, IL-6 und CRP auf als
Personen mit einem BMI<30 kg/m2. In den beiden BMI-Vergleichsgruppen war die
Differenz der mittleren LDL-C-Konzentration jedoch geringer als in den WHR-
Vergleichsgruppen und erreichte keine statistische Signifikanz (p=0,173). Probanden mit
einem BMI≥30 kg/m2 wiesen im Vergleich zu Teilnehmern mit niedrigerem BMI
geringere Konzentrationen von HDL-C und Adiponektin auf, während die mittleren
Resistinspiegel beider Gruppen vergleichbar waren.
- 59 -
Ergebnisse
Tabelle 3-4 Geometrischer Mittelwert ± Standardabweichung der Plasmakonzentrationen klinisch-chemischer Parameter über die WHR- und BMI-Kategorien einer in die
EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914)
Variable WHR<0,85[w]/1,0[m]
n=757
WHR≥0,85[w]/1,0[m]
n=157
p# BMI<30 kg/m2
n=804
BMI≥30 kg/m2
n=110
p§
gChol (mmol/l) 4,5±1,2 4,8±1,2 <0,0001 4,6±1,2 4,7±1,2 0,026
HDL-C (mmol/l) 1,2±1,2 1,1±1,2 <0,0001 1,2±1,2 1,1±1,2 <0,0001
LDL-C (mmol/l) 2,5±1,5 2,8±1,6 0,006 2,5±1,5 2,7±1,6 0,173
Oxi-LDL (U/l) 37,2±1,5 46,3±1,5 <0,0001 37,8±1,5 45,9±1,5 <0,0001
TG (mmol/l) 1,2±1,7 1,8±1,7 <0,0001 1,3±1,7 1,6±1,8 <0,0001
Glc (mg/l) 4,5±1,2 4,9±1,2 <0,0001 4,6±1,2 4,9±1,2 0,001
GGT (U/l) 16,4±2,0 23,2±1,9 <0,0001 16,8±1,9 23,2±2,0 <0,0001
Harnsäure (µmol/l) 222,6±1,4 274,3±1,3 <0,0001 225,4±1,4 273,4±1,4 <0,0001
Adiponektin (µg/ml) 7,6±1,8 6,0±1,7 <0,0001 7,5±1,8 6,4±1,8 0,010
Resistin (ng/ml) 2,4±1,4 2,5±1,5 0,283 2,4±1,4 2,5±1,4 0,666
IL-6 (pg/ml) 1,2±2,0 1,6±1,8 <0,0001 1,2±2,0 1,7±1,8 <0,0001
CRP (mg/l) 0,6±3,7 1,0±3,3 <0,0001 0,6±3,7 1,2±3,0 <0,0001
p-Wert für Gruppenvergleich mittels t-Test für unabhängige Stichproben: # über die WHR-Kategorien und § über die BMI-Kategorien
Ergebnisse
- 60 -
- 60 -
Ergebnisse
3.1.3 Korrelation zwischen den klinisch-chemischen Parametern in der analytischen
Studienpopulation
Da Mediationsmodelle mehrere, sich gegenseitig beeinflussende Mediationsvariablen
enthalten können, wurden die Korrelationen zwischen den klinisch-chemischen Parametern
analysiert. Hierzu wurden innerhalb der gesamten Studienpopulation
Rangkorrelationskoeffizienten nach Spearman (rS) berechnet und die paarweisen
Korrelationskoeffizienten in einer Korrelationsmatrix zusammengefasst (Tabelle 3-5). Da
eine solche Korrelationsmatrix spiegelsymmetrisch ist – d.h. sie enthält oberhalb und
unterhalb der Diagonale die gleichen Werte – ist lediglich eine Hälfte der Matrix
dargestellt.
Von allen untersuchten klinisch-chemischen Parametern korrelierten gChol und LDL-C am
stärksten miteinander (rS=0,87; p<0,0001). Moderate Korrelationskoeffizienten wurden für
die Beziehung zwischen gChol und TG (rS=0,38; p<0,0001) sowie gChol und oxi-LDL
(rS=0,57; p<0,0001) berechnet. LDL-C wies eine vergleichsweise hohe Korrelationen mit
oxi-LDL (rS=0,67; p<0,0001) auf. Innerhalb der Plasmalipide nahm HDL-C eine
Sonderstellung ein, da es am stärksten mit dem Peptidhormon Adiponektin assoziiert war
(rS=0,47; p<0,0001). HDL-C korrelierte außerdem moderat und invers mit TG (rS=-0,43;
p<0,0001), während die Beziehung dieser Cholesterolfraktion zu den anderen Lipiden zwar
statistisch signifikant, jedoch deutlich schwächer war (HDL-C zu gChol: rS=0,09; HDL-C
zu LDL-C: rS=-0,16; HDL-C zu oxi-LDL: rS=-0,28). Die Korrelation der
Entzündungsmarker IL-6 und CRP betrug rS=0,40 (p<0,0001) und beide Parameter zeigten
ähnliche Beziehungen zu den anderen analysierten Plasmawerten. Dies gilt ebenso für
Harnsäure und GGT, deren gemeinsamer Korrelationskoeffizient rS=0,43 (p<0,0001)
betrug. Beide Parameter wiesen vergleichbare Korrelationen mittlerer Stärke zu den
anderen Variablen auf. Nahe Null waren dagegen die Korrelationskoeffizienten von
Resistin zu Harnäure, HDL-C und oxi-LDL.
- 61 -
Ergebnisse
Tabelle 3-5 Rangkorrelationskoeffizienten nach Spearman der im Blutplasma bestimmten klinisch-chemischen Parameter innerhalb einer in die EPIC-Potsdam Kohorte
eingebetteten Fall-Kohorten-Studie (n=914)
gChol HDL-C LDL-C Oxi-
LDL
TG Glc GGT Harn-
säure
Adipo-
nektin
Resistin IL-6 CRP
gChol 1 0,09 0,87 0,57 0,38
0,06 0,21 0,22 -0,06 -0,09 0,10 0,04
HDL-C 1 -0,16 -0,28 -0,43 -0,23 -0,32 -0,36 0,47
-0,05 -0,24 -0,17
LDL-C 1 0,67 0,35 0,07 0,26 0,29 -0,16 -0,07 0,15 0,07
Oxi-LDL 1 0,40 0,15 0,25 0,36 -0,18
-0,02 0,25 0,20
TG 1 0,25 0,33 0,37 -0,30 -0,08 0,20 0,15
Glc 1 0,17 0,15 -0,15
0 0,09 0,07
GGT 1 0,43 -0,29 -0,12 0,18 0,17
Harnsäure 1 -0,35
0,04 0,20 0,15
Adiponektin 1
0 -0,17 -0,10
Resistin 1 0,07 0,09
IL-6 1 0,40
CRP 1
Kursiv gedruckte Werte sind statistisch nicht signifikant (p≥0,05).
Ergebnisse
- 62 -
- 62 -
Ergebnisse
3.2 Testung der Mediationskriterien
3.2.1 1. Mediationskriterium: Die Beziehung zwischen Expositionsvariablen und
klinisch-chemischen Parametern
Nach Adjustierung für die Kovariate des Basismodells wiesen die separat untersuchten
Expositionsgrößen WHR ≥ 0,85[w]/1,0[m] und BMI ≥ 30 kg/m2 eine signifikante, positive
Beziehung zu den logarithmierten und standardisierten Plasmakonzentrationen von oxi-
LDL, TG, Glc, GGT, Harnsäure, IL-6 und CRP auf (Tabelle 3-6). Außerdem waren beide
Expositionsvariablen invers mit HDL-C und Adiponektin assoziiert. Dagegen waren die
Regressionskoeffizienten für die Assoziation zwischen WHR ≥ 0,85[w]/1,0[m] oder BMI
≥ 30 kg/m2 und den Plasmawerten von gChol, LDL-C und Resistin nicht signifikant von
Null verschieden.
Tabelle 3-6 Regressionskoeffizienten# für die in multiplen Regressionsmodellen geschätzte Beziehung
zwischen WHR ≥ 0,85[w]/1,0[m] oder BMI ≥ 30 kg/m2 und verschiedenen klinisch-chemischen Parametern§
in einer in die EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914)
)
ˆ
(E
β
WHR ≥ 0,85[w]/1,0[m]
p-Wert
E
β
ˆ
BMI ≥ 30 kg/m2
p-Wert
E
β
ˆ
gChol 0,16 0,068 0,12 0,240
HDL-C -0,47 <0,0001 -0,43 <0,0001
LDL-C 0,13 0,140 0,07 0,480
Oxi-LDL 0,32 0,0002 0,35 0,0003
TG 0,61 <0,0001 0,43 <0,0001
Glc 0,39 <0,0001 0,29 0,004
GGT 0,27 <0,0001 0,30 <0,0001
Harnsäure 0,44 <0,0001 0,51 <0,0001
Adiponektin -0,41 <0,0001 -0,28 0,003
Resistin 0,06 0,510 0,01 0,900
IL-6 0,28 0,002 0,41 <0,0001
CRP 0,32 0,0004 0,46 <0,0001
# Regressionskoeffizienten sind adjustiert für Alter, Geschlecht, Rauchstatus (Nieraucher; Exraucher ≥ 5
Jahre; Exraucher < 5 Jahre; Raucher < 20 Einheiten/d; Raucher ≥ 20 Einheiten/d), Bildungsstand (TN ohne
Abschluss & Teilfacharbeiter; TN mit Fachschulabschuss & Facharbeiter; TN mit Fachhochschul- oder
Hochschulabschluss), Alkoholkonsum (gering; moderat; erhöht); tägliche Energieaufnahme, sportliche
Aktivität (< 2 h/Woche; ≥ 2 h/Woche).§ Variablen sind logarithmiert und standardisiert.
- 63 -
Ergebnisse
3.2.2 2. Mediationskriterium: Die Beziehung zwischen Expositionsvariablen und MI-
Risiko
Um den Einfluss der Expositionsvariablen WHR ≥ 0,85[w]/1,0[m] und BMI ≥ 30 kg/m2
auf die MI-Inzidenz zu untersuchen, wurde für jede Expositionsgröße eine separate Cox-
Regression durchgeführt. Nach Adjustierung für die Variablen des Basismodells
(Geschlecht, Alter, Rauchstatus, Bildungsstand, Alkoholkonsum, tägliche
Energieaufnahme und körperliche Aktivität) hatten Personen mit einem WHR ≥
0,85[w]/1,0[m] ein signifikant erhöhtes MI-Risiko (HR=2,43; 95% KI 1,46 – 4,05) im
Vergleich zu Teilnehmern mit niedrigerem WHR (Tabelle 3-7). Der entsprechende
Pseudo-Likelihoodschätzer betrug E
γ
ˆ=0,89.
Die alternativ untersuchte Expositionsvariable BMI ≥ 30 kg/m2 zeigte eine ähnliche
Assoziationen zum MI-Risiko (HR=2,34; 95% KI 1,35 – 4,07; E
γ
ˆ=0,85). Da die Pseudo-
Likelihoodschätzer der beiden untersuchten Expositionsvariablen signifikant von Null
verschieden waren (WHR ≥ 0,85[w]/1,0[m]: p=0,0006; BMI ≥ 30 kg/m2: p=0,0025), gilt
das zweite Mediationskriterium als erfüllt und es ist von einer signifikanten Beziehung
beider Variablen zur MI-Inzidenz auszugehen.
Tabelle 3-7 Hazardraten-Verhältnisse# (HR) und 95% Konfidenzintervalle (KI) für die Beziehung zwischen
WHR ≥ 0,85[w]/1,0[m] oder BMI ≥ 30 kg/m2 und dem Risiko für Myokardinfarkt in einer in die EPIC-
Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914)
WHR<0,85[w]/
1,0[m]
WHR≥0,85[w]/
1,0[m]
BMI<30 kg/m2
BMI≥30 kg/m2
n Fälle / Nicht-Fälle 82 / 675 43 / 114 98 / 706 27 / 83
HR 1,00 (Ref.) 2,43 1,00 (Ref.) 2,34
95% KI - 1,46 – 4,05 - 1,35 – 4,07
# HR sind adjustiert für Alter, Geschlecht, Rauchstatus (Nieraucher; Exraucher ≥ 5 Jahre; Exraucher < 5
Jahre; Raucher < 20 Einheiten/d; Raucher ≥ 20 Einheiten/d), Bildungsstand (TN ohne Abschluss &
Teilfacharbeiter; TN mit Fachschulabschuss & Facharbeiter; TN mit Fachhochschul- oder
Hochschulabschluss), Alkoholkonsum (gering; moderat; erhöht); tägliche Energieaufnahme, sportliche
Aktivität (< 2 h/Woche; ≥ 2 h/Woche).
- 64 -
Ergebnisse
In einer weiteren Analyse wurde auf eine Interaktion zwischen dem Geschlecht und den
jeweiligen Expositionsvariablen getestet. Nach Kontrolle für einen WHR ≥ 0,85[w]/1,0[m]
sowie die Variablen des Basismodells erreichte der ins Cox-Modell aufgenommene
Interaktionsterm für WHR ≥ 0,85[w]/1,0[m] * Geschlecht keine statistische Signifikanz
(p=0,955). Gleichermaßen war auch der Interaktionsterm BMI ≥ 30 kg/m2 * Geschlecht
statistisch nicht signifikant (p=0,737), wenn alternativ allgemeine Adipositas als
Expositionsgröße betrachtet wurde. Daher wurde auf geschlechtsstratifizierte Analysen
verzichtet und die gesamte Studienpopulation gemeinsam ausgewertet.
3.2.3 3. Mediationskriterium: Die Beziehung zwischen den klinisch-chemischen
Parametern und MI-Risiko
Nach Adjustierung für die Variablen des Basismodells sowie WHR ≥ 0,85[w]/1,0[m]
waren die meisten klinisch-chemischen Parameter signifikant mit dem MI-Risiko assoziiert
(Abb. 3-2). Pro Anstieg um eine Standardeinheit zeigten die logarithmierten LDL-C-
Spiegel eine starke Beziehung zum MI-Risiko, allerdings waren die 95% KI dieser
Schätzung sehr breit (HR=2,68; 95% KI 1,69 – 4,27). Mit Ausnahme von HDL-C
(HR=0,75; 95% KI 0,55 – 1,01) erhöhte sich das MI-Risiko signifikant mit ansteigenden
Konzentrationen anderer Plasmalipide: gChol (HR=1,85; 95% KI 1,43 – 2,41), oxi-LDL
(HR=1,88; 95% KI 1,40 – 2,51) und TG (HR=1,50; 95% KI 1,15 – 1,95). Außerdem waren
die zur Basisuntersuchung vorliegenden GGT- und Harnsäure-Konzentrationen
signifikante Prädiktoren der MI-Inzidenz und ein Anstieg dieser log-transformierten
Variablen um eine Standardeinheit ging mit einem verdoppelten MI-Risiko einher (GGT:
HR=2,13; 95% KI 1,46 – 3,11; Harnsäure: HR=2,04; 95% KI 1,39 – 3,00). Auch die
Plasmakonzentrationen von Glc, Resistin sowie der Entzündungsmarker IL-6 und CRP
wiesen positive Beziehungen zum MI-Risiko auf, während Adiponektin nicht signifikant
mit dem Endpunkt assoziiert war (HR=1,00; 95% KI 0,76 – 1,30). Die Beziehungen der
klinisch-chemischen Parameter zum MI-Risiko blieben nahezu unverändert, wenn anstelle
von WHR ≥ 0,85[w]/1,0[m] die Expositionsgröße BMI ≥ 30 kg/m2 als Kovariate
berücksichtigt wurde (Abb. 3-2). Mit Ausnahme von Adiponektin und HDL-C erfüllten
demzufolge alle untersuchten klinisch-chemischen Parameter das dritte
Mediationskriterium. Keiner der untersuchten klinisch-chemischen Parameter interagierte
signifikant mit dem Geschlecht oder mit den Expositionsvariablen (Daten nicht gezeigt).
- 65 -
Ergebnisse
Abb. 3-2 Hazardraten-Verhältnisse# (HR) und 95% Konfidenzintervalle (KI) für die Beziehung zwischen klinisch-chemischen Parametern§ und Myokardinfarkt-Risiko in einer
in die EPIC-Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914)
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
. (a) (b) (a) (b) (a) (b) (a) (b) (a) (b) (a) (b) (a) (b) (a) (b) (a) (b) (a) (b) (a) (b) (a) (b)
gChol HDL-C LDL-C oxi-LDL TG Glc GGT Harn-
säure
Adipo-
nektin
Resistin IL-6 CRP
HR und 95% KI
Klinisch-chemische Parameter
Ergebnisse
# HR sind adjustiert für Alter, Geschlecht, Rauchstatus (Nieraucher; Exraucher ≥ 5 Jahre; Exraucher < 5 Jahre; Raucher < 20 Einheiten/d; Raucher ≥ 20 Einheiten/d),
Bildungsstand (TN ohne Abschluss & Teilfacharbeiter; TN mit Fachschulabschuss & Facharbeiter; TN mit Fachhochschul- oder Hochschulabschluss), Alkoholkonsum
(gering; moderat; erhöht); tägliche Energieaufnahme, sportliche Aktivität (< 2 h/Woche; ≥ 2 h/Woche) sowie WHR ≥ 0,85[w]/1,0[m](a) oder BMI ≥ 30 kg/m2(b). $ Variablen
sind logarithmiert und standardisiert.
- 66 -
- 66 -
Ergebnisse
3.2.4 4. Mediationskriterium: Test auf Effektabschwächung
Wie bereits in Kapitel 3.2.2 erwähnt, wurde für die Beziehung zwischen WHR ≥
0,85[w]/1,0[m] und MI-Risiko nach Adjustierung für Geschlecht, Alter, Rauchstatus,
Bildungsstand, Alkoholkonsum, tägliche Energieaufnahme und körperliche Aktivität ein
E
γ
=0,89 geschätzt, das auf der exponierten Skala einem HR=2,43 (95% KI 1,46 – 4,05)
entspricht. Am stärksten schwächte sich dieser Effekt durch eine gemeinsame
Modellierung mit TG ab ( *
ˆˆ EE
γ
γ
−=0,28; Tabelle 3-8). Der Test auf Effektabschwächung
lieferte ein pEffekt=0,002. Harnsäure beeinflusste die Assoziation zwischen WHR ≥
0,85[w]/1,0[m] und MI-Risiko in ähnlicher Stärke wie TG ( *
ˆˆ EE
γ
γ
−
=0,27; pEffekt=0,001).
Außerdem führte eine Adjustierung für GGT zu einer signifikanten Effektabschwächung
(*
ˆˆ EE
γ
γ
−=0,13; pEffekt=0,023). Eine gemeinsame Modellierung mit Glc führte zwar zu
einer ähnlichen Reduktion des Expositionseffektes wie die Modellierung von WHR ≥
0,85[w]/1,0[m] mit GGT, diese erreichte jedoch keine statistische Signifikanz
(*
ˆˆ EE
γ
γ
−=0,10; pEffekt=0,110). Auch eine Adjustierung für gChol, HDL-C, LDL-C, oxi-
LDL, Adiponektin, Resistin, IL-6 oder CRP hatte keinen signifikanten Einfluss auf die
Assoziation zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Risiko.
Die zweite analysierte Expositionsgröße – BMI ≥ 30 kg/m2 – lieferte nach Kontrolle für
die Kovariate des Basismodells folgende Effektschätzungen für das MI-Risiko: E
γ
ˆ=0,85;
HR=2,34; 95% KI 1,35 – 4,07 (vgl. Kapitel 3.2.2). Wie der Tabelle 3-8 zu entnehmen ist,
reduzierte sich der Effekt dieser Expositionsgröße auf die MI-Inzidenz signifikant nach
Kontrolle für die Plasmaspiegel von TG ( *
ˆˆ EE
γ
γ
−
=0,20; pEffekt=0,008) oder GGT
(*
ˆˆ EE
γ
γ
−=0,20; pEffekt=0,008). Eine Adjustierung für Harnsäure schwächte die Beziehung
zwischen BMI ≥ 30 kg/m2 und MI-Risiko von allen untersuchten klinisch-chemischen
Parametern am stärksten ab ( *
ˆˆ EE
γ
γ
−
=0,32; pEffekt=0,001). Die Plasmakonzentrationen
dieser drei klinisch-chemischen Parameter erfüllten demzufolge bei beiden analysierten
Expositionsgrößen das vierte Mediationskriterium. Außerdem wurde der Effektschätzer
von BMI ≥ 30 kg/m2 signifikant durch HDL-C ( *
ˆˆ EE
γ
γ
−
=0,10; pEffekt=0,043), oxi-LDL
(*
ˆˆ EE
γ
γ
−=0,22; pEffekt=0,002) sowie CRP ( *
ˆˆ EE
γ
γ
−
=0,10; pEffekt=0,021) abgeschwächt.
Die anderen Parameter beeinflussten die Assoziation zwischen BMI ≥ 30 kg/m2 dagegen
schwächer und statistisch nicht signifikant.
- 67 -
Ergebnisse
Tabelle 3-8 Einfluss der Adjustierung für klinisch-chemische Parameter auf die Beziehung zwischen
Exposition (WHR ≥ 0,85[w]/1,0[m] oder BMI ≥ 30 kg/m2) und Myokardinfarkt-Risiko in einer in die EPIC-
Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914)#
WHR ≥ 0,85[w]/1,0[m]
*
ˆˆ EE
γ
γ
− pEffekt
§
BMI ≥ 30 kg/m2
*
ˆˆ EE
γ
γ
−
pEffekt
§
gChol -0,05 0,784 0,06 0,238
HDL-C 0,06 0,084 0,10 0,043
LDL-C 0,01 0,443 -0,02 0,588
Oxi-LDL 0,06 0,189 0,22 0,002
TG 0,28 0,002 0,20 0,008
Glc 0,10 0,110 0,08 0,108
GGT 0,13 0,023 0,20 0,008
Harnsäure 0,27 0,001 0,32 0,001
Adiponektin 0,00 0,490 0,01 0,395
Resistin -0,04 0,739 0,02 0,355
IL-6 0,02 0,320 0,06 0,068
CRP 0,04 0,179 0,10 0,021
# Dargestellt ist die Differenz der in Cox-Modellen geschätzten Regressionskoeffizienten für die Beziehung
zwischen Exposition und Myokardinfarkt-Risiko mit E
γ
ˆ adjustiert für Alter, Geschlecht, Rauchstatus
(Nieraucher; Exraucher ≥ 5 Jahre; Exraucher < 5 Jahre; Raucher < 20 Einheiten/d; Raucher ≥ 20
Einheiten/d), Bildungsstand (TN ohne Abschluss & Teilfacharbeiter; TN mit Fachschulabschuss &
Facharbeiter; TN mit Fachhochschul- oder Hochschulabschluss), Alkoholkonsum (gering; moderat; erhöht);
tägliche Energieaufnahme, sportliche Aktivität (< 2 h/Woche; ≥ 2 h/Woche) und *
ˆE
γ
zusätzlich adjustiert für
den klinisch-chemischen Parameter. § pEffekt ist der p-Wert für Effektabschwächung.
3.2.5 Zusammenfassung der Testergebnisse zu den geprüften Mediationskriterien
WHR ≥ 0,85[w]/1,0[m] und BMI ≥ 30 kg/m2 waren signifikant mit dem MI-Risiko
assoziiert und wurden daher – entsprechend dem 2. Mediationskriterium – als
Expositionsvariablen gewertet. Die Gruppe potentieller Intermediate wurde durch die
Anwendung des ersten, dritten und vierten Mediationskriteriums begrenzt. Dabei erfüllten
ausschließlich TG, GGT und Harnsäure alle Voraussetzungen von Mediationsvariablen der
Beziehung zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Risiko (Tabelle 3-9). Für BMI ≥ 30
kg/m2 wurden TG, GGT, Harnsäure, oxi-LDL und CRP als Mediationsvariablen
identifiziert. Alle weiteren Analysen zur Schätzung indirekter Effekte beschränkten sich
auf diese Größen.
- 68 -
Ergebnisse
Tabelle 3-9 Zusammenfassung der Testergebnisse des ersten, dritten und vierten Mediationskriteriums zur Bewertung von klinisch-chemischen Parametern als
Mediationsvariablen der Beziehung zwischen WHR ≥ 0,85[w]/1,0[m] oder BMI ≥ 30 kg/m2 zum Myokardinfarkt-Risiko
gChol HDL-
C
LDL-
C
Oxi-
LDL
TG Glc GGT Harn-
säure
Adipo-
nektin
Resis-
tin
IL-6 CRP
Expositionsgröße WHR ≥ 0,85[w]/1,0[m]
Signifikante Assoziation zwischen
Exposition und potentiellem Intermediat# √ √ √ √ √ √ √ √ √
Signifikante Assoziation zwischen
potentiellem Intermediat und MI-Risiko§ √ √ √ √ √ √ √ √ √ √
Signifikant abgeschwächte Assoziation
zwischen Exposition und MI-Risiko nach
Kontrolle für das potentielle Intermediat*
√ √ √
Expositionsgröße BMI ≥ 30 kg/m2
Signifikante Assoziation zwischen
Exposition und potentiellem Intermediat# √ √ √ √ √ √ √ √ √
Signifikante Assoziation zwischen
potentiellem Intermediat und MI-Risiko§ √ √ √ √ √ √ √ √ √ √
Signifikant abgeschwächte Assoziation
zwischen Exposition und MI-Risiko nach
Kontrolle für das potentielle Intermediat*
√ √ √ √ √
√
Ergebnisse
# Erstes Mediationskriterium (siehe Kapitel 3.2.1). § Drittes Mediationskriterium (siehe Kapitel 3.2.3). * Viertes Mediationskriterium (siehe Kapitel 3.2.4). Das zweite
Mediationskriterium ist irrelevant zur Bewertung von Mediationsvariablen und daher nicht in dieser Tabelle aufgeführt.
- 69 -
- 69 -
Ergebnisse
3.3 Quantitative Zerlegung von Expositionseffekten durch
Mediationsvariablen
3.3.1 Zerlegung des Effektes von WHR ≥ 0,85[w]/1,0[m] auf das MI-Risiko
Ausgehend von den in Tabelle 3-9 zusammengefassten Ergebnissen wurden WHR ≥
0,85[w]/1,0[m], TG, GGT, Harnsäure sowie die Kovariate des Basismodells als
gemeinsame Prädiktoren der MI-Inzidenz modelliert, was – im Vergleich zu einem Cox-
Modell ohne Mediationsvariablen – zu einer stark abgeschwächten Risikobeziehung
zwischen der Expositionsgröße WHR ≥ 0,85[w]/1,0[m] und MI führte (HR=1,40; 95% KI
0,79 – 2,48). Der indirekte, durch die Plasmakonzentrationen von TG, GGT & Harnsäure
erklärte Anteil am Expositionseffekt betrug mehr als 60% (Tabelle 3-10). In diesem
Modell erklärten die Harnsäure-Spiegel mit 26% den größten Anteil der Assoziation
zwischen erhöhten WHR-Werten und MI-Risiko (PEE=0,26; 95% KI 0,08 – 0,73). Die
Plasma-TG trugen zu weiteren 25% zum Expositionseffekt bei (PEE=0,25; 95% KI 0,01 –
0,72). Dagegen war der durch GGT vermittelte, indirekte Anteil an der Beziehung
zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Risiko mit 12% vergleichsweise niedrig
(PEE=0,12; 95% KI 0,04 – 0,34).
Tabelle 3-10 Proportion of Exposure Effect# (PEE) und 95% KI für die durch Mediationsvariablen erklärten
Anteile an der Risikobeziehung zwischen WHR ≥ 0,85[w]/1,0[m] und Myokardinfarkt in einer in die EPIC-
Potsdam Kohorte eingebetteten Fall-Kohorten-Studie (n=914)
PEE 95% KI
TG 0,25 0,01 – 0,72
GGT 0,12 0,04 – 0,34
Harnsäure 0,26 0,08 – 0,73
# Die PEE-Schätzungen sind adjustiert für Alter, Geschlecht, Rauchstatus (Nieraucher; Exraucher ≥ 5 Jahre;
Exraucher < 5 Jahre; Raucher < 20 Einheiten/d; Raucher ≥ 20 Einheiten/d), Bildungsstand (TN ohne
Abschluss & Teilfacharbeiter; TN mit Fachschulabschuss & Facharbeiter; TN mit Fachhochschul- oder
Hochschulabschluss), Alkoholkonsum (gering; moderat; erhöht); tägliche Energieaufnahme, sportliche
Aktivität (< 2 h/Woche; ≥ 2 h/Woche).
- 70 -
Ergebnisse
3.3.2 Zerlegung des Effektes von BMI ≥ 30 kg/m2 auf das MI-Risiko
Ein BMI ≥ 30 kg/m2 war im Vergleich zu niedrigeren BMI-Werten nicht mehr signifikant
mit dem MI-Risiko assoziiert, wenn neben den Kovariaten des Basismodells für die
Mediationsvariablen oxi-LDL, TG, GGT, Harnsäure und CRP adjustiert wurde (HR=1,18;
95% KI 0,64 – 2,16). Insgesamt erklärten diese fünf klinisch-chemischen Parameter in
einem gemeinsamen Cox-Modell etwa 80% der Beziehung zwischen BMI ≥ 30 kg/m2 und
MI-Inzidenz (Tabelle 3-11). Von allen untersuchten Mediationsvariablen beeinflussten
Harnsäure und GGT die Risikobeziehung zwischen Exposition und Zielereignis am
stärksten (Harnsäure: PEE=0,20; 95% KI 0,03 – 0,68; GGT: PEE=0,19; 95% KI 0,03 –
0,63). Der durch TG erklärte Anteil am Expositionseffekt betrug 15%, war jedoch
statistisch nicht signifikant, da das 95% KI die Null einschloss (PEE=0,15; 95% KI -0,002
– 0,53). Außerdem wurden 16% des Effektes erhöhter BMI-Werte auf das MI-Risiko durch
oxi-LDL erklärt (PEE=0,16; 95% KI 0,02 – 0,55) und weitere 11% durch CRP (PEE=0,11;
95% KI 0,001 – 0,38).
Tabelle 3-11 Proportion of Exposure Effect# (PEE) und 95% KI für die durch Mediationsvariablen erklärten
Anteile an der Risikobeziehung zwischen BMI ≥ 30 kg/m2 und Myokardinfarkt in einer in die EPIC-Potsdam
Kohorte eingebetteten Fall-Kohorten-Studie (n=914)
PEE 95% KI
Oxi-LDL 0,16 0,02 – 0,55
TG 0,15 -0,002 – 0,53
GGT 0,19 0,03 – 0,63
Harnsäure 0,20 0,03 – 0,68
CRP 0,11 0,001 – 0,38
# Die PEE-Schätzungen sind adjustiert für Alter, Geschlecht, Rauchstatus (Nieraucher; Exraucher ≥ 5 Jahre;
Exraucher < 5 Jahre; Raucher < 20 Einheiten/d; Raucher ≥ 20 Einheiten/d), Bildungsstand (TN ohne
Abschluss & Teilfacharbeiter; TN mit Fachschulabschuss & Facharbeiter; TN mit Fachhochschul- oder
Hochschulabschluss), Alkoholkonsum (gering; moderat; erhöht); tägliche Energieaufnahme, sportliche
Aktivität (< 2 h/Woche; ≥ 2 h/Woche).
- 71 -
Ergebnisse
3.3.3 Zerlegung von Expositionseffekten in Abhängigkeit vom Blutdruck als weiteres
potentielles Intermediat
Die Bewertung des Blutdrucks als weiteres potentielles Intermediat der Risikobeziehung
von Adipositas zur MI-Inzidenz erfolgte im Rahmen einer Subanalyse, die sich auf eine
Studienpopulation von 889 Probanden beschränkte (vgl. Kapitel 2.2.4).
In einem multiplen Regressionsmodell war die Expositionsgröße WHR ≥ 0,85[w]/1,0[m]
nach Adjustierung für die Variablen des Basismodells signifikant mit dem systolischen
Blutdruck (p=0,0002) sowie mit dem alternativ analysierten diastolischen Blutdruck
(p=0,005) assoziiert. Auch in dieser Studienpopulation hatten Personen einem WHR ≥
0,85[w]/1,0[m] ein mehr als doppelt so hohes MI-Risiko wie Personen mit niedrigerem
WHR (HR=2,34; 95% KI 1,40 – 3,95), so dass auch das zweite Mediationskriterium als
erfüllt gilt. Im Gegensatz zum diastolischen Blutdruck entsprach der systolische Blutdruck
auch dem dritten und vierten Mediationskriterium, da ein Anstieg dieser Variable um eine
Standardeinheit signifikant das MI-Risiko erhöhte (HR=1,34; 95% KI 1,07 – 1,67) und
zudem die Beziehung von WHR ≥ 0,85[w]/1,0[m] zum MI-Risiko abschwächte
(pEffekt=0,023). Ein ansteigender diastolischer Blutdruck war dagegen kein Prädiktor der
MI-Inzidenz (HR=1,24; 95% KI 0,97 – 1,60) und hatte keinen signifikanten Einfluss auf
die Risikobeziehung der Expositionsgröße zum Endpunkt (pEffekt=0,370).
Wie Abb. 3-3 zeigt, erklärte der systolische Blutdruck in einem gemeinsamen Modell mit
TG, GGT und Harnsäure insgesamt 8% der Assoziation zwischen WHR ≥ 0,85[w]/1,0[m]
und MI-Risiko (PEE=0,08; 95% KI -0,01 – 0,33). Zum indirekten Expositionseffekt trugen
außerdem die Plasmakonzentrationen von TG (PEE=0,25; 95% KI -0,01 – 0,86), GGT
(PEE=0,10; 95% KI 0,03 – 0,32) und Harnsäure (PEE=0,26; 95% KI 0,07 – 0,86) bei.
Entsprechend dem ersten Mediationskriterium stand auch die Expositionsgröße BMI ≥ 30
kg/m2 in einem positiven Zusammenhang zum systolischen Blutdruck (p<0,0001) sowie
zum diastolischen Blutdruck (p <0,0001). In dieser Studienpopulation hatten Teilnehmer
mit allgemeiner Adipositas im Vergleich zu nicht-adipösen Teilnehmern ein deutlich
erhöhtes MI-Risiko: HR=2,34; 95% KI 1,33 – 4,10. Nach Adjustierung für die Variablen
des Basismodells sowie für BMI ≥ 30 kg/m2 stieg das MI-Risiko signifikant mit dem
Anstieg des systolischen Blutdrucks um eine Standardabweichung (HR=1,37; 95% KI 1,11
– 1,71). Dagegen wurde das dritte Mediationskriterium nicht vom diastolischen Blutdruck
erfüllt, da diese Variable kein signifikanter Prädiktor der MI-Inzidenz war (HR=1,24; 95%
- 72 -
Ergebnisse
KI 0,96 – 1,61). Der dem vierten Mediationskriterium zugrunde liegende Test auf
Effektabschwächung zeigte, dass eine Adjustierung für den systolischen Blutdruck die
Assoziation zwischen BMI ≥ 30 kg/m2 und MI-Risiko signifikant beeinflusste
(pEffekt=0,027). Im Gegensatz dazu veränderte sich diese Risikobeziehung statistisch nicht
signifikant nach Kontrolle für den diastolischen Blutdruck (p=0,07).
Zusammenfassend stellt der systolische Blutdruck eine den Mediationskriterien
entsprechende Mediationsvariable der Beziehung zwischen BMI ≥ 30 kg/m2 und MI-
Risiko dar. In einem gemeinsamen Cox-Modell mit TG, GGT, Harnsäure, oxi-LDL und
CRP erklärte diese Einflussgröße jedoch nur 4% des Expositionseffektes (PEE=0,04; 95%
KI -0,04 – 0,16; Abb. 3-3). Den größten Anteil der Risikobeziehung zwischen BMI ≥ 30
kg/m2 und MI-Inzidenz erklärten GGT (PEE=0,19; 95% KI 0,03 – 0,69) und Harnsäure
(PEE=0,19; 95% KI 0,02 – 0,68). Zum indirekten Expositionseffekt trugen außerdem oxi-
LDL (PEE=0,15; 95% KI 0,003 – 0,56), TG (PEE=0,14; 95% KI -0,01 – 0,54) und CRP
(PEE=0,11; 95% KI -0 01 – 0,39) bei.
- 73 -
Ergebnisse
Abb. 3-3 Auf PEE-Schätzungen# basierende Zerlegung der Beziehung zwischen WHR ≥ 0,85[w]/1,0[m] oder
BMI ≥ 30 kg/m2 und Myokardinfarkt-Risiko durch Mediationsvariablen§ in einer in die EPIC-Potsdam
Kohorte eingebetteten Fall-Kohorten-Studie (n=889)
WHR ≥ 0,85[w]/1,0[m]
TG
25%
GGT
10%
Harnsäure
26%
systolischer
Blutdruck
8%
nicht-erklärter
Effektanteil
31%
BMI ≥ 30 kg/m2
TG
14%
GGT
19%
Harnsäure
19%
oxi-LDL
15%
CRP
11%
systolischer
Blutdruck
4%
nicht-erklärter
Effektanteil
18%
# Die PEE-Schätzungen sind adjustiert für Alter, Geschlecht, Rauchstatus (Nieraucher; Exraucher ≥ 5 Jahre;
Exraucher < 5 Jahre; Raucher < 20 Einheiten/d; Raucher ≥ 20 Einheiten/d), Bildungsstand (TN ohne
Abschluss & Teilfacharbeiter; TN mit Fachschulabschuss & Facharbeiter; TN mit Fachhochschul- oder
Hochschulabschluss), Alkoholkonsum (gering; moderat; erhöht); tägliche Energieaufnahme, sportliche
Aktivität (< 2 h/Woche; ≥ 2 h/Woche). §Die Auswahl der Mediationsvariablen erfolgte basierend auf den in
Kapitel 2.1.1 beschriebenen Mediationskriterien.
- 74 -
Diskussion
4. Diskussion
Im Rahmen der Promotionsarbeit wurde ein methodisches Konzept erarbeitet, um
Mediationsvariablen mit empirischen Methoden zu identifizieren und deren Einfluss auf
Risikobeziehungen zu bewerten. Zur Identifizierung der Mediationsvariablen wurden die
Mediationskriterien nach Baron & Kenny modifiziert und somit an Mediationsmodelle mit
dichotomer Zielgröße angepasst. Als geeignete Möglichkeit zur Quantifizierung des
Einflusses von Mediationsvariablen auf die Assoziation zwischen einer Exposition und
einer Zielgröße wurde eine Methode zur Effektzerlegung ausgewählt und erstmals auf eine
epidemiologische Fragestellung mit multiplen Mediationsvariablen angewandt.
Darauf aufbauend wurden in einer Fall-Kohorten-Studie der EPIC-Potsdam Kohorte
potentielle Intermediate der Risikobeziehung von allgemeiner Adipositas (BMI ≥ 30
kg/m2) oder androider Adipositas (WHR ≥ 0,85[w]/1,0[m]) zur MI-Inzidenz untersucht.
Beide Expositionsgrößen waren mit einem signifikant verdoppelten MI-Risiko assoziiert.
Für androide Adipositas entsprachen TG, GGT und Harnsäure allen geforderten
Mediationskriterien, während für allgemeine Adipositas zusätzlich oxi-LDL und CRP als
Mediationsvariablen identifiziert wurden. Im Gegensatz dazu stellten gChol, HDL-C,
LDL-C, Glc sowie die im Fettgewebe produzierten Substanzen Adiponektin, IL-6 und
Resistin keine gültigen Mediationsvariablen für die Beziehung zwischen allgemeiner oder
androider Adipositas und MI-Risiko dar. Insgesamt konnten 63% der Assoziation
zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Risiko den drei klinisch-chemischen Parametern
zugeschrieben werden, die anhand der Mediationskriterien ausgewählt wurden. Hierzu
trugen Harnsäure mit 26%, TG mit 25% und GGT mit 12% bei. Die positive Beziehung
zwischen BMI ≥ 30 kg/m2 und MI-Risiko wurde zu 81% durch die fünf identifizierten
Mediationsvariablen erklärt, wobei 15% auf TG, 19% auf GGT, 20% auf Harnsäure, 16%
auf oxi-LDL und weitere 11% auf CRP entfielen.
- 75 -
Diskussion
4.1 Methodisches Konzept
Als Bindeglieder zwischen Exposition und Zielerkrankung stellen Mediationsvariablen
eine spezielle Gruppe von Risikofaktoren dar. Wenn die Assoziation zwischen Exposition
und Zielerkrankung unverzerrt geschätzt werden soll, dann dürfen Expositions- und
Mediationsvariablen nicht als gleichrangige Prädiktoren modelliert werden. Um diese
Forderung erfüllen zu können, müssen die Eigenschaften von Mediationsvariablen
definiert und darauf aufbauend statistische Methoden zu deren Identifizierung angewandt
werden.
Derzeit gibt es verschiedene, zum Teil widersprüchliche Definitionen eines Mediators;
viele davon sind sehr restriktiv und daher ungeeignet für typische epidemiologische
Fragestellungen. So definieren einige Autoren einen Mediator als eine Variable, die zu
stochastischer Unabhängigkeit zwischen Exposition und Endpunkt führt, sobald für diese
Variable adjustiert wird [143, 144]. Das bedeutet, dass eine Variable nur dann eine
geeignete Mediationsvariable ist, wenn sie die Beziehung zwischen Exposition und
Zielereignis vollständig erklärt. Um Surrogate Endpunkte zu identifizieren, die bei
klinischen Studien den wahren Endpunkt ersetzen können, ist diese Forderung durchaus
sinnvoll. Für epidemiologische Fragestellungen wäre sie jedoch zu restriktiv, da viele
Erkrankungen durch multiple Faktoren und deren komplexe Verknüpfung beeinflusst
werden. Daher sollten auch Mediationsvariablen berücksichtigt werden, die lediglich einen
geringen Anteil der Assoziation zwischen Exposition und Zielerkrankung erklären.
Freedman et al. schwächten die oben genannte Mindestanforderung etwas ab und
definierten einen Mediator alternativ als eine Variable, die einen hohen Anteil
(beispielsweise 50 – 75%) des Expositionseffektes erklärt [145]. Zusätzlich dazu forderten
Buyse et al., dass die Beziehung zwischen Exposition und Zielereignis die gleiche
Effektstärke aufweist wie die Beziehung zwischen Exposition und Mediator [170]. Diese
beiden Effektstärken wären jedoch nur dann sinnvoll vergleichbar, wenn der Mediator und
das Zielereignis die gleiche Einheit und Skalierung aufweisen. Im Fall einer dichotomen
Zielerkrankung und einer stetigen Intermediärgröße wäre die oben genannte Forderung
nicht prüfbar, da die Regressionskoeffizienten einer linearen und einer nicht-linearen
Regression gegenübergestellt werden würden. Anzumerken sei außerdem, dass die von
Buyse et al. formulierte Forderung nicht haltbar ist, sobald eine Expositionsvariable das
Zielereignis über mehrere Pfade beeinflusst.
- 76 -
Diskussion
Im Hinblick auf die oben genannten Einschränkungen wurden alternativ die von Baron &
Kenny definierten Mediationskriterien als geeignete Herangehensweise ausgewählt, um
Mediationsvariablen einer Risikobeziehung zu identifizieren [146]. Danach sollten
Mediatoren sowohl mit der Exposition als auch mit dem Zielereignis assoziiert sein und
außerdem die Beziehung zwischen Exposition und Zielereignis signifikant abschwächen.
Diese Kriterien sind sehr gut für Modelle geeignet, in denen eine Expositionsgröße über
verschiedene Mediationsvariablen das Zielereignis beeinflusst und jede Mediationsvariable
u.U. nur einen kleinen Teil des Gesamteffektes erklärt. Die Anwendung der
Mediationskriterien hat jedoch den Nachteil, dass die Auswahl der Mediationsvariablen
von der Wahrscheinlichkeit abhängt, dass mehrere Signifikanztests zugunsten der
jeweiligen Alternativhypothese entscheiden (statistische Power). Neben der Effektstärke ist
vor allen Dingen der Stichprobenumfang eine wichtige Determinante der statistischen
Power. Mediationsvariablen mit einem schwachen Einfluss auf den Endpunkt bzw. auf die
Risikobeziehung zwischen Exposition und Zielereignis könnten also in Abhängigkeit des
Stichprobenumfangs die Mediationskriterien erfüllen oder als irrelevant eingestuft werden.
In ihrer ursprünglichen Form sind die gewählten Mediationskriterien nur auf
Mediationsmodelle mit einer stetigen Zielgröße anwendbar. Insbesondere zum Test auf
Effektabschwächung – dem Zobel-Test – gab es bislang keine für Cox-Modelle geeignete
Alternative, um zwei unterschiedlich adjustierte Regressionskoeffizienten miteinander zu
vergleichen. Deshalb wurde im Rahmen der Promotionsarbeit ein kürzlich von Hoffmann
et al. vorgeschlagener Test modifiziert und damit an das oben beschriebene Testproblem
angepasst [147]. Diese modifizierte Variante des Tests erlaubt den Vergleich zweier
unterschiedlich adjustierter Regressionskoeffizienten anstelle zweier Inzidenzraten.
Außerdem wurde eine einseitige Testalternative genutzt. Damit ist die gerichtet formulierte
Hypothese prüfbar, dass die Adjustierung für das potentielle Intermediat zu einer
abgeschwächten Assoziation zwischen Exposition und Zielereignis führt. Einen
ursprünglich für die Abschätzung von Confounder-Bias entwickelten Test auf die
Bewertung von Mediationsvariablen zu übertragen ist zulässig, da es rein statistisch keine
Unterschiede zwischen Confounding und Mediation gibt [171]. Beide Konzepte
unterscheiden sich lediglich durch die zugrunde liegenden Hypothesen und Definitionen.
Der Test auf Effektabschwächung ist also nur im Zusammenhang mit einem
Mediationsmodell interpretierbar, das – basierend auf Vorwissen – die Beziehungen
zwischen den berücksichtigten Einflussgrößen sinnvoll widerspiegelt.
- 77 -
Diskussion
Die an dichotome Endpunkte adaptierten Mediationskriterien erlauben es,
Mediationsvariablen mit Hilfe empirischer Methoden zu identifizieren. Somit ist eine
wichtige Voraussetzung gegeben, um eine ungewichtete gemeinsame Modellierung von
Expositions- und Mediationsvariablen zu vermeiden. In der Promotionsarbeit wurde
außerdem der Frage nachgegangen, wie sich Variablen, die die Mediationskriterien
erfüllen, sinnvoll in Regressionsmodellen berücksichtigen lassen. Als ein geeignetes
statistisches Verfahren wurde die Effektzerlegung nach Chen et al. vorgeschlagen, da
damit die unabhängigen Beziehungen von Expositions- und Mediationsvariablen sowie
deren Zusammenspiel hinsichtlich eines Erkrankungsrisikos bewertet werden können. Mit
der Effektzerlegung nach Chen et al. lässt sich die als Gesamteffekt bezeichnete
Assoziation zwischen der Exposition und dem Zielereignis in additive Teileffekte zerlegen.
Hierbei handelt es sich um die indirekten, durch die Mediationsvariablen erklärten Anteile
am Expositionseffekt sowie einen direkten Effektanteil, der nicht durch die
berücksichtigten Mediationsvariablen erklärbar ist. Das bedeutet, dass Expositions- und
Mediationsvariablen gemeinsam modellierbar sind und dass – basierend auf nur einem
Regressionsmodell – sowohl der gesamte Expositionseffekt als auch der Einfluss von
Mediationsvariablen auf diese Risikobeziehung quantifizierbar sind [149]. Die
Effektzerlegung nach Chen et al. wurde ursprünglich zur Bewertung Surrogater Endpunkte
im Rahmen klinischer Studien vorgeschlagen. Aufgrund der ähnlichen Problemstellung
scheint diese Methode jedoch auch für epidemiologische Studien geeignet zu sein, um
Informationen zu Mediationsvariablen adäquat zu berücksichtigen.
Es existieren auch andere Methoden zur Effektzerlegung, die jedoch auf die logistische
Regression oder die Cox-Regression festgelegt sind [145, 148]. Im Gegensatz dazu ist die
Effektzerlegung nach Chen et al. für beide Modellierungsverfahren flexibel einsetzbar
[149]. Darüber hinaus lässt sich diese Methode auch auf lineare Regressionsmodelle mit
stetigen Zielgrößen anwenden. Im Vergleich zu den Vorgängermethoden erfolgt die
Effektzerlegung nach Chen et al. basierend auf nur einem Regressionsmodell, was die
Schätzung von Konfidenzintervallen erleichtert [149]. Hauptsächlich wurde diese Methode
jedoch ausgewählt, weil sie die Zerlegung des Gesamteffektes einer Exposition in mehrere
(additive) indirekte Anteile erlaubt. Somit können multiple Mediationsvariablen
gemeinsam berücksichtigt und dennoch ihre separaten Erklärungsanteile am
Expositionseffekt geschätzt werden [149]. Das ist in dem Moment vorteilhaft, wenn es sich
um Mediationsvariablen handelt, die miteinander korreliert sind und somit die
- 78 -
Diskussion
Risikobeziehung zwischen Exposition und Zielereignis nicht vollständig unabhängig
voneinander beeinflussen.
Eine Effektzerlegung ist an bestimmte Voraussetzungen gebunden. So lässt sich der
Gesamteffekt einer Exposition nur dann unverzerrt zerlegen, wenn keine Interaktion
zwischen Exposition und den Mediationsvariablen vorliegt, wenn alle Confounder der
Beziehung zwischen Exposition, Mediationsvariablen und Zielereignis im Modell
berücksichtigt wurden und wenn kein intermediäres Confounding existiert [172]. Im
konkreten Anwendungsbeispiel waren alle untersuchten Interaktionsterme zwischen
Exposition und potentiellem Intermediat statistisch nicht signifikant, so dass die erste der
oben genannten Annahmen erfüllt ist. Mit Alter, Geschlecht, Rauchstatus, physischer
Aktivität, Bildungsstand, Alkoholkonsum und täglicher Energieaufnahme wurde zudem für
wichtige potentielle Confounder adjustiert, die die Risikobeziehung zwischen den
berücksichtigten Prädiktoren und MI verzerren könnten. Allerdings lässt sich in
Beobachtungsstudien ein verzerrendes Restconfounding nie vollständig ausschließen.
Die Interpretierbarkeit der PTE- bzw. PEE-Schätzungen ist kritisierbar, da sie nicht
zwangsläufig auf den Wertebereich von 0 bis 1 festgelegt sind [173, 174]. Negative
Schätzer treten auf, sobald die Adjustierung für eine Variable die Assoziation zwischen
Exposition und Zielereignis verstärkt. In diesem Fall spricht man von einem
Suppressoreffekt. Ein Suppressor ist somit eine Variable, die eine hohe Kovarianz mit
demjenigen Teil der Expositionsvarianz aufweist, der nicht zur Prädiktion des
Zielereignisses beiträgt. Dementsprechend wird durch Adjustierung für den Suppressor
diese „irrelevante“ Varianz der Exposition unterdrückt, was zu einer höheren Assoziation
zwischen Exposition und Zielereignis führt [175]. Durch den in der Arbeit
vorgeschlagenen Test auf Effektabschwächung lassen sich Suppressoren von
Mediationsvariablen unterscheiden und somit aussondern. Dies unterstreicht die
Bedeutung einer der Effektzerlegung vorgelagerten, strukturierten Untersuchung
potentieller Intermediärvariablen mit Hilfe der Mediationskriterien. PEE-Schätzungen > 1
sind möglich, sobald die Adjustierung für ein vermutetes Intermediat die Richtung der
Beziehung zwischen Exposition und Zielereignis umkehrt. Weitere Kritikpunkte betreffen
die Instabilität der zerlegten Expositionseffekte bei kleinen Stichprobenumfängen bzw.
kleinen Effektstärken [173, 174]. Inwiefern dies jedoch auch auf die PEE-Schätzungen
nach Chen et al. zutrifft, ist bislang nicht untersucht worden.
- 79 -
Diskussion
Am stärksten wird die Anwendbarkeit der von Chen et al. vorgeschlagenen Methode
dadurch eingeschränkt, dass die komplexen Beziehungen zwischen der Exposition und den
Mediationsvariablen nur vereinfachend darstellbar sind. So werden alle
Mediationsvariablen eines multiplen Mediatormodells gleichrangig behandelt; d.h. es ist
keine Unterscheidung zwischen den direkt von der Exposition beeinflussten Variablen und
den eher distalen Pfadkomponenten möglich. Existieren also mehrere nachgelagerte
Intermediärvariablen eines Pfades, dann ist die Effektzerlegung nach Chen et al. nur
bedingt anwendbar. Deutlich komplexere Vernetzungen wären mit der klassischen
Pfadanalyse modellierbar [176]. Diese ist jedoch auf stetige Endpunkte beschränkt und
somit für die meisten epidemiologischen Analysen nicht anwendbar. Mit der angewandten
Effektzerlegungsmethode nach Chen et al. können stetige oder dichotome Variablen im
Modell berücksichtigt werden [149]. Daher müssen nicht-normalverteilte Variablen im
Voraus geeignet transformiert oder – basierend auf einem plausiblen Schwellenwert – in
eine dichotome Variable überführt werden. Trotz dieser Einschränkungen könnte die
vorgeschlagene Methode auf viele epidemiologische Fragestellungen anwendbar und bei
der Modellierung von Mediationsvariablen hilfreich sein.
4.2 Studiendesign und Datengrundlage
Der erarbeitete methodische Rahmen wurde auf eine konkrete Fragestellung angewandt,
um exemplarisch Biomarker als Bindeglieder zwischen allgemeiner / androider Adipositas
und MI-Risiko zu untersuchen. Bei der Interpretation der Ergebnisse sind verschiedene
Aspekte des Studiendesigns und der Datengrundlage zu berücksichtigen. So stellt die
Analyse klinisch-chemischer Parameter für große Kohortenstudien wie die EPIC-Potsdam
Kohorte eine Herausforderung dar, die eine hohe Logistik erfordert und zudem sehr
kostenintensiv sein kann. Oft sind solche Analysen daher nicht für die Gesamtkohorte
realisierbar [168]. Alternativ wurde in der vorliegenden Arbeit daher ein Fall-Kohorten-
Design angewandt, das auf einer randomisiert aus der Gesamtkohorte gewählten
Stichprobe sowie sämtlichen außerhalb der Subkohorte aufgetretenen MI-Fällen basiert
[177]. Aufgrund der randomisierten Ziehung der Subkohorte ist die Verteilung von
Studienvariablen und Risikofaktoren bei ausreichend großem Stichprobenumfang auf die
Basiskohorte übertragbar. Die Subkohorte kann für verschiedene Zielerkrankungen als
Referenzgruppe genutzt werden, so dass das Fall-Kohorten-Design flexibler als das Design
einer eingebetteten Fall-Kontroll-Studie ist [178].
- 80 -
Diskussion
Durch die Einbettung der analytischen Fall-Kohorten-Population in die EPIC-Potsdam
Kohorte konnte der Einfluss der zur Basisuntersuchung erhobenen Expositionsgrößen und
der klinisch-chemischen Parameter auf das MI-Risiko prospektiv analysiert werden. Die
durch das Zielereignis möglicherweise ausgelösten Veränderungen der anthropometrischen
Maße, der klinisch-chemischen Parameter oder des Lebensstils haben keinen Einfluss auf
die Risikoschätzungen, wie dies beispielsweise bei retrospektiven Fall-Kontroll-Studien
der Fall ist. Die Gefahr einer systematischen Misklassifikation der Teilnehmer hinsichtlich
der untersuchten MI-Einflussfaktoren (Informations-Bias) ist somit stark reduziert.
Im Gegensatz dazu wurde die Beziehung zwischen den beiden Expositionsgrößen (WHR ≥
0,85[w]/1,0[m] und BMI ≥ 30 kg/m2) und den zwölf klinisch-chemischen Parametern
basierend auf den Daten der Basiserhebung analysiert. In diesem Fall liegt also ein
Querschnittsdesign vor. Dementsprechend lässt sich nicht nachweisen, dass allgemeine
oder androide Adipositas den Mediationsvariablen tatsächlich zeitlich vorgelagert ist und
dass eine kausale Beziehung zwischen diesen Größen besteht [179]. Dieser Kritikpunkt
lässt sich dadurch abschwächen, dass die modellierten Beziehungen mit bestehendem
Vorwissen übereinstimmen und biologisch plausibel sind [4]. So ist die Anlagerung von
exzessivem Körperfett ein oft Jahrzehnte andauernder, chronischer Prozess, an den sich der
menschliche Stoffwechsel adaptiert. Daher dürften auch Querschnittsanalysen geeignet
sein, um die Bedeutung der klinisch-chemischen Parameter als potentielle Intermediate der
Risikobeziehung von Adipositas zur MI-Inzidenz zu analysieren.
Die Validität und Interpretierbarkeit der Studienergebnisse wird maßgeblich durch die
Zusammensetzung der Studienpopulation beeinflusst. Bei prospektiven Kohortenstudien ist
dabei nicht nur die Rekrutierung der Teilnehmer bedeutsam sondern auch deren möglichst
vollständige Nachbeobachtung; beide Aspekte werden daher im Folgenden diskutiert.
Innerhalb der EPIC-Potsdam-Studie betrug die Teilnehmerrate der Basisuntersuchung
durchschnittlich 22,7% [156]. Ein Vergleich mit den repräsentativen Daten des Nationalen
Gesundheitssurveys zeigte, dass sich die EPIC-Potsdam Kohorte in einigen wesentlichen
Faktoren von der ostdeutschen Allgemeinbevölkerung unterschied. So lag der
Bildungsstand innerhalb der EPIC-Potsdam Kohorte über dem der Referenzbevölkerung,
während Adipositas zur Basiserhebung deutlich seltener diagnostiziert wurde [156]. Die
Tatsache, dass die EPIC-Potsdam Kohorte nicht vollständig die Allgemeinbevölkerung
widerspiegelt, ist nicht zwangsläufig ein Nachteil. So konnte gezeigt werden, dass die
Schätzung Relativer Risiken dennoch unverzerrt möglich ist, wenn das
- 81 -
Diskussion
Rekrutierungsverfahren nicht von den zu untersuchenden Endpunkten abhängt und eine
hohe und stabile Nachbeobachtungsrate gewährleistet ist [180, 181]. Mit einem Anteil von
mehr als 90% der Überlebenden ist die Nachbeobachtungsrate innerhalb der EPIC-
Potsdam Kohorte sehr hoch ([163] sowie unpublizierte Daten). Demzufolge ist ein
wichtiges Kriterium für valide Risikoschätzungen erfüllt.
Um die Beziehung zwischen den Expositionsgrößen und MI-Inzidenz unverzerrt zu
schätzen und valide PEE-Schätzungen zu erhalten, ist eine korrekte Klassifikation der
Teilnehmer in exponierte und nicht-exponierte Probanden notwendig. Im Regelfall führt
eine Fehlklassifikation zu abgeschwächten Risikoschätzungen in Richtung eines Null-
Ergebnisses [182]. In seltenen Situationen kann jedoch selbst eine nicht-differentielle
Fehlklassifikation zu einer überschätzten Risikobeziehung zwischen Exposition und
Zielereignis führen. Das Ausmaß der Verzerrung scheint hierbei insbesondere vom Anteil
derjenigen Personen abzuhängen, die hinsichtlich ihrer Expositionsgröße als falsch-positiv
eingruppiert wurden [183]. Dieser Anteil dürfte in der vorliegenden Analyse jedoch sehr
gering sein, da die BMI- und WHR-Werte durch geschultes Studienpersonal erfasst
wurden und in einer Validierungsstudie eine akzeptable Reliabilität aufwiesen [157, 158].
Auch die biologische Varianz dieser beiden Maße ist gering, so dass deren
Einfacherfassung den tatsächlichen Expositionsstatus widerspiegeln sollte. Demgegenüber
müssten bei deutlich längerer Nachbeobachtungszeit Wiederholungsmessungen der
anthropometrischen Maße berücksichtigt werden, da sich diese über die Lebensjahre
verändern können und andernfalls die Gefahr der Fehlklassifikation steigt.
Die Kategorisierung von stetigen Expositionsgrößen und die Festlegung von
Schwellenwerten für diese Kategorien beeinflussen die Risikobeziehung zwischen
Exposition und Zielereignis [184, 185]. Für die Analysen wurden die stetigen Variablen
BMI und WHR in die dichotomen Expositionsgrößen BMI ≥ 30 kg/m2 und WHR ≥
0,85[w]/1,0[m] umgewandelt. Hierbei handelt es sich um Schwellenwerte, die von der
WHO empfohlen wurden, um Personen mit einem erhöhten Morbiditäts- und
Mortalitätsrisiko zu identifizieren [23]. Dies sollte sich ebenso in einem deutlich
veränderten Profil der Adipositas-assoziierten klinisch-chemischen Parameter
widerspiegeln und somit die Identifizierung potentieller Mediatoren erleichtern. Alternativ
hätten populationsspezifische Schwellenwerte wie der Median genutzt werden können, um
BMI und WHR in binäre Variablen zu überführen. Allerdings hängen diese Werte von der
Verteilung der jeweiligen Expositionsgröße in der Studienpopulation ab und sind damit
- 82 -
Diskussion
nicht zwangsläufig krankheitsrelevant. Weiterhin wäre die Effektzerlegung nach Chen et
al. auch mit den stetigen Expositionsvariablen BMI und WHR möglich gewesen. Im
Hinblick auf die unterschiedlichen Fettverteilungsmuster bei Männern und Frauen wären
dafür geschlechtsstratifizierte Analysen empfehlenswert [186], die jedoch aufgrund des
geringen Anteils weiblicher MI-Fälle (n=30; 24%) unterlassen wurden.
Da die klinisch-chemischen Parameter nicht als binäre sondern als stetige Größen in den
Regressionsmodellen berücksichtigt wurden, stellt sich hier nicht die Frage der
Fehlklassifikation. Jedoch können technische/analytische und auch biologische Faktoren
die Varianz der klinisch-chemischen Parameter verändern und somit deren Beziehung zum
Zielereignis beeinflussen. Um die technische Varianz zu minimieren, folgten die Entnahme
und Aufbereitung des Blutes sowie die Langzeitlagerung der aliquotierten Blutfraktionen
einer standardisierten Prozedur [157]. Dabei entspricht die innerhalb von EPIC praktizierte
Langzeitlagerung der Humanproben bei -80°C gängigen Empfehlungen [187]. Die
vorhandenen intra- und interassay-VK als Maß für die technische Varianz der Biomarker-
Messungen lagen im Regelfall unter 6%, so dass hier von einer ausreichenden Präzision
auszugehen ist. Lediglich für IL-6 und CRP wurden höhere VK ermittelt, so dass die
Ergebnisse zu diesen Biomarkern vorsichtiger zu interpretieren sind. Insgesamt ist jedoch
davon auszugehen, dass die technisch bedingte Varianz aufgrund des prospektiven
Studiendesigns keine systematische Fehlerquelle darstellt.
Daneben existiert eine Reihe von biologischen Faktoren, die zur intraindividuellen
Variation der Messwerte beitragen können. Zu nennen sind hier beispielsweise saisonale
und zirkadiane Einflüsse oder auch hormonell bedingte Veränderungen im Profil der
analysierten klinisch-chemischen Parameter. Einige dieser Parameter könnten zudem in
Abhängigkeit des Nüchternstatus’ bzw. der Zusammensetzung der vor der Blutabnahme
eingenommenen Mahlzeit schwanken. Daher ermöglicht die Einfachmessung der klinisch-
chemischen Parameter nur eine Momentaufnahme, während die Langzeitexposition
unbekannt bleibt. Im Idealfall sollten die klinisch-chemischen Parameter daher nach 12-
stündigem Fasten und an zwei separaten Gelegenheiten bestimmt werden. Innerhalb der
EPIC-Studie wurde sich jedoch gegen diese Vorgehensweise entschieden, da sie logistisch
und finanziell aufwendig ist und sich außerdem negativ auf die Teilnahmebereitschaft
potentieller Probanden auswirken könnte.
- 83 -
Diskussion
Um die Beziehung zwischen Einflussgrößen (i.e. Expositions- oder Mediationsvariablen)
und Krankheitsrisiko unverzerrt zu schätzen, ist die möglichst korrekte Einteilung der
Teilnehmer in erkrankte und nicht erkrankte Personen wichtig. Grundsätzlich führt eine
mit der Einflussgröße assoziierte, systematische Fehlklassifikation der Teilnehmer zu über-
oder unterschätzten Effektstärken für die Assoziation zwischen Prädiktor und Zielereignis
[188]. Treten dagegen zufällige Fehler in der Identifizierung inzidenter Krankheitsfälle auf,
sind diese Fehler also nicht mit der Einflussgröße assoziiert, so werden die
Risikoschätzungen in Richtung eines Null-Effektes abgeschwächt. Dementsprechend sinkt
die Wahrscheinlichkeit, tatsächlich bestehende Assoziationen zwischen Prädiktor und
Krankheit statistisch nachweisen zu können. Dabei ist das Ausmaß der Verzerrung
insbesondere von der Spezifität der Teilnehmerklassifikation abhängig, während die
Sensitivität eine weniger starke Rolle zu spielen scheint [189, 190].
Bislang oft unterschätzt ist die Bedeutung von Fehlklassifikationen im Hinblick auf die
Prävalenz einer Zielerkrankung. Um prospektive Analysen durchzuführen, ist der
Ausschluss prävalenter Erkrankungsfälle unumgänglich, so dass Fehlklassifikationen der
Teilnehmer nicht nur auf der Ebene von Inzidenzdaten (Nachbeobachtung) sondern auch
auf der von Prävalenzdaten (Basisuntersuchung) denkbar wären. Im Gegensatz zu
fehlerhaften Inzidenzdaten resultiert selbst eine zufällige Fehlklassifikation hinsichtlich des
Prävalenzstatus’ in über- oder unterschätzten Risikobeziehungen zwischen der
Einflussgröße und und der zukünftigen Erkrankungswahrscheinlichkeit. Das Ausmaß der
Verzerrung hängt dabei entscheidend von der Sensitivität und nur unwesentlich von der
Spezifität in der Teilnehmerklassifikation ab [191].
In der EPIC-Potsdam Studie wurden verschiedene Maßnahmen ergriffen, um die
Fehlklassifikation der Teilnehmer hinsichtlich des Erkrankungsstatus’ möglichst gering zu
halten. So werden potentielle Neuerkrankungen im Zuge einer aktiven Nachbeobachtung
der Teilnehmer abgefragt. Die Verifizierung dieser Selbstangaben erfolgt standardisiert, in
Anlehnung an die Kriterien des international anerkannten WHO-MONICA Protokolls
[164]. Durch Befragung von Hausärzten, Einsicht in Krankenhausakten sowie
Begutachtung verfügbarer Totenscheine wird der Anteil falsch-positiver Falldefinitionen
minimiert. Ein Problem der vorliegenden Arbeit stellen jedoch möglicherweise falsch-
negative Antworten von Personen dar, die in nachfolgenden Analysen als gesunde
Kontrollpersonen gewertet werden. Da ein akuter MI ein sehr einschneidendes Ereignis ist,
das im Regelfall eine Hospitalisierung der/des Betroffenen nach sich zieht, sollte der
- 84 -
Diskussion
Anteil falsch-negativer Selbstangaben gering sein. Dies bestätigt auch eine Analyse im
Rahmen des WHO-MONICA Projektes, in der die postalisch erfragten Selbstangaben zu
akutem MI mit den Daten des Augsburger Herzinfarktregisters verglichen wurden. In
dieser Population wiesen die Selbstangaben eine hohe Sensitivität (98%) und Spezifität
(99%) auf. Auch der Anteil an falsch-negativen Selbstangaben war mit 0,03% sehr gering
[192]. Daher erscheint es gerechtfertigt, innerhalb der EPIC-Potsdam Studie lediglich
positive Selbstangaben zu verifizieren und alle verbleibenden Studienteilnehmer auch ohne
Verifzierung als nicht erkrankte Kontrollpersonen anzusehen.
4.3 Ergebnisdiskussion
Die Identifizierung von Mediationsvariablen und die anschließende Effektzerlegung sind
nur dann sinnvoll möglich, wenn ein Gesamteffekt der Expositionsgrößen auf die MI-
Inzidenz besteht. Daher bildet die im Rahmen des 2. Mediationskriteriums analysierte
Beziehung zwischen den beiden Expositionsgrößen und dem MI-Risiko eine
Grundvoraussetzung, um Mediationsmodelle zu untersuchen. In der analysierten
Studienpopulation war allgemeine Adipositas im Vergleich zu einem BMI < 30 kg/m2 mit
einem mehr als verdoppelten MI-Risiko assoziiert (HR=2,34; 95% KI 1,35 – 4,07),
nachdem für Alter, Geschlecht, Rauchstatus, Bildungsstand, Alkoholkonsum, tägliche
Energieaufnahme sowie körperliche Aktivität adjustiert wurde. Für erhöhte WHR-Werte
(WHR ≥ 0,85[w]/1,0[m]), die eine exzessive Fettanlagerung im Bereich des Abdomens
widerspiegeln, ergab sich ein sehr ähnlicher Risikoschätzer (HR=2,43; 95% KI 1,46 –
4,05).
Adipositas ist ein wichtiger modifizierbarer Risikofaktor kardiovaskulärer Erkrankungen
und die Beziehung zwischen BMI oder WHR und KHK-Risiko wurde bereits in vielen
prospektiven Studien analysiert [35-46]. Allerdings lassen sich die Ergebnisse der
Promotionsarbeit nur bedingt mit diesen Studienresultaten vergleichen. Dazu tragen
unterschiedliche Definitionen des Endpunktes sowie unterschiedliche Definitionen der
BMI- oder WHR-Schwellenwerte bei. So wurden die Expositionsgrößen BMI und WHR in
keiner der oben zitierten Studien als dichotome Variablen analysiert. Außerdem wird die
Vergleichbarkeit der Studienergebnisse durch Unterschiede in den berücksichtigten
Kovariaten beeinträchtigt. Dieser Punkt ist von besonderem Interesse, da sich hier die
Probleme im Umgang mit potentiellen Intermediärvariablen widerspiegeln. So wurde der
Einfluss von Adipositas auf das KHK-Risiko in einigen Analysen nach Adjustierung für
- 85 -
Diskussion
die „klassischen KVK-Risikofaktoren“ bewertet [38, 42-44]. Zu diesen Risikofaktoren
gehören jedoch auch potentielle Intermediate wie der Blutdruck und die Blutlipide [1]. Bei
einer solchen Herangehensweise sollten die Risikoschätzer für die Assoziation zwischen
Adipositas und KHK-Inzidenz sehr vorsichtig interpretiert werden. Sie spiegeln nicht den
Gesamteffekt von Adipositas auf das KHK-Risiko wider, sondern lediglich den Anteil an
der Risikobeziehung, der nicht über den Blutdruck und die Blutlipide erklärbar ist.
Adipositas geht mit ausgeprägten Veränderungen des Stoffwechsels einher und im Rahmen
des 1. Mediationskriteriums wurde untersucht, inwiefern die Expositionsgrößen WHR ≥
0,85[w]/1,0[m] und BMI ≥ 30 kg/m2 mit den klinisch-chemischen Parametern assoziiert
waren. Dabei stellte sich heraus, dass ein WHR ≥ 0,85[w]/1,0[m] eine signifikante
Determinante der Plasmakonzentrationen von HDL-C, oxi-LDL, TG, Glc, GGT,
Harnsäure, Adiponektin, IL-6 und CRP war. Interessanterweise erfüllten die gleichen
Parameter das 1. Mediationskriterium für die Expositionsvariable BMI ≥ 30 kg/m2.
In der analysierten Studienpopulation wurde das gehäufte Auftreten von Adipositas mit
erhöhten Glc- und TG-Werten sowie erniedrigten HDL-C-Konzentrationen bestätigt.
Dieses Ergebnis stützt die anerkannte Hypothese, dass eine exzessive Fettanlagerung zur
Insulinresistenz und der daraus resultierenden Störung des Glc-Stoffwechsels sowie der
Entwicklung einer charakteristischen Dyslipidämie beiträgt [30]. Im Gegensatz dazu war
keine der untersuchten Expositionsgrößen signifikant mit gChol oder LDL-C assoziiert.
Bei Adipositas ändert sich vor allem das Verteilungsmuster der LDL-Subtypen zugunsten
kleinerer und dichterer LDL-Partikel mit einem hohen TG-Anteil [54]. Solche
Veränderungen werden nicht durch die in dieser Studienpopulation bestimmten
Plasmakonzentrationen von gChol und LDL-C abgebildet. Allerdings waren sowohl ein
WHR ≥ 0,85[w]/1,0[m] als auch ein BMI ≥ 30 kg/m2 positiv mit oxi-LDL assoziiert.
Dieses Ergebnis deckt sich mit Daten der Coronary Artery Risk Development in Young
Adults Study [67].
Plasma-Harnsäure war ein weiterer klinisch-chemischer Parameter, der in der analytischen
Studienpopulation eine signifikante und positive Beziehung zu beiden Expositionsgrößen
aufwies. Adipositas ist eng mit erhöhten Harnsäure-Konzentrationen assoziiert [98, 99]. In
Abhängigkeit vom Fettverteilungsmuster scheint es jedoch unterschiedliche Gründe für
den Anstieg der Harnsäure-Konzentrationen bei Adipositas zu geben. So konnte gezeigt
werden, dass eine exzessive Fettanlagerung im subkutanen Fettgewebe vor allem über die
gesenkte renale Ausscheidung von Harnsäure zur Hyperurikämie beiträgt. Im Gegensatz
- 86 -
Diskussion
dazu scheint bei Personen mit pathologisch erhöhtem viszeralen Fettgewebsanteil eine
Harnsäure-Überproduktion als Ursache der Hyperurikämie zu überwiegen [98].
In der analysierten Studienpopulation waren sowohl WHR ≥ 0,85[w]/1,0[m] als auch BMI
≥ 30 kg/m2 positiv mit den Plasmakonzentrationen von IL-6 und CRP assoziiert. Erklärbar
ist diese Beobachtung dadurch, dass das Fettgewebe entscheidend zu den zirkulierenden
IL-6-Spiegeln im Blut beiträgt [28]. Auch CRP wird im Fettgewebe exprimiert [193, 194].
Darüber hinaus reguliert IL-6 die hepatische CRP-Freisetzung, so dass hier eine weitere
Verbindung zwischen Adipositas und den CRP-Konzentrationen im Plasma gegeben ist
[125].
Erhöhte WHR- und BMI-Werte waren außerdem invers mit den Plasma-
Adiponektinspiegeln assoziiert. Da Adiponektin ausschließlich von Adipozyten produziert
wird [195], erscheint dieses Ergebnis auf den ersten Blick paradox. Vermutlich tragen
TNF-α und andere vom Fettgewebe sezernierte Entzündungsmediatoren zu einer
Hemmung der Adiponektinsekretion bei Adipositas bei [196]. Im Gegensatz dazu konnte
kein Zusammenhang zwischen den beiden Expositionsgrößen und den Plasmaspiegeln von
Resistin nachgewiesen werden. Zwar wird Resistin vom Fettgewebe exprimiert [115],
jedoch scheinen beim Menschen andere Resistinquellen wie beispielsweise das
Knochengewebe zu überwiegen [114].
Die im Rahmen des 3. Mediationskriteriums untersuchte Beziehung der klinisch-
chemischen Parameter zum MI-Risiko unterschied sich nur minimal zwischen den
Modellen mit BMI ≥ 30 kg/m2 oder aber WHR ≥ 0,85[w]/1,0[m] als zusätzlich zu den
Variablen des Basismodells berücksichtigte Kovariate. Daher werden diese Unterschiede
nicht weiter aufgegriffen und in den folgenden Abschnitten wird stattdessen die
biologische Plausibilität und Konsistenz der Risikobeziehungen zu anderen Studien
diskutiert. Mit Ausnahme von HDL-C waren alle untersuchten Parameter des Lipid- bzw.
Lipoproteinstoffwechsels signifikant und positiv mit dem MI-Risiko assoziiert.
Hypercholesterinämie ist ein anerkannter KVK-Risikofaktor [197] und es existiert
überzeugende Evidenz dafür, dass die Senkung erhöhter Cholesterolspiegel die
kardiovaskuläre Morbidität und Mortalität senkt [61]. Diese Wirkung ist vor allen Dingen
auf die Senkung von LDL-C zurückzuführen, das für den Transport von Cholesterol zu den
peripheren Geweben verantwortlich ist. Da LDL-C einen großen Anteil am Gesamtpool
des im Plasma zirkulierenden Cholesterols besitzt, sind beide Parameter in der analysierten
Fall-Kohorten-Population hoch korreliert (r=0,87; p<0,0001) – eine Beobachtung, die sich
- 87 -
Diskussion
auch mit den Daten anderer Studienpopulationen deckt [71, 72, 198]. In mehreren
prospektiven Kohortenstudien waren daher sowohl gChol als auch LDL-C positiv mit dem
zukünftigen KHK-Risiko assoziiert [69, 198, 199]. Dabei hängt die Stärke der Assoziation
unter anderem von der Variablensklarierung und – im Fall kategorieller Variablen – von
den gewählten Schwellenwerten ab.
LDL-Partikel tragen zur Entstehung atherosklerotischer Läsionen vor allem aufgrund ihrer
leichten Oxidierbarkeit bei [200]. Es konnte gezeigt werden, dass die wichtigsten
Zellltypen atherosklerotischer Plaques – Endothelzellen, glatte Muskelzellen, Monozyten
und Makrophagen – in der Lage sind, reaktive Sauerstoffspezies zu produzieren und somit
die Oxidation von LDL zu fördern [201-203]. Dieser Effekt wird dadurch potenziert, dass
oxi-LDL bei den oben genannten Zelltypen ebenso oxidativen Stress verursachen kann
[204]. Am Endothel stimuliert oxi-LDL beispielsweise die Produktion des Monozyten-
Chemoattraktiven Proteins-1 (MCP-1) und fördert somit die Anheftung von Monozyten an
das Gefäßendothel sowie deren Eindringen in die Gefäßwand [12]. Außerdem
differenzieren sich Makrophagen durch die ungehemmte Aufnahme modifizierter
Lipoproteine zu Schaumzellen und diese Differenzierung stellt einen Schlüsselschritt bei
der Entstehung fortgeschrittener atherosklerotischer Plaques dar [66]. Während diese
Prozesse in der Gefäßwand ablaufen, konnte im Tiermodell erst kürzlich gezeigt werden,
dass die Senkung des zirkulierenden oxi-LDL unabhängig von gChol oder LDL-C das
Fortschreiten atherosklerotischer Prozesse verhindert [205]. Hierbei scheint ein
spezifischer Rezeptor für oxi-LDL involviert zu sein, der auch von Endothelzellen
exprimiert wird. Durch Bindung an den Rezeptor kann oxi-LDL eine endotheliale
Dysfunktion induzieren [206]. Diese Daten könnten erklären, dass ansteigende oxi-LDL-
Konzentrationen in der analytischen Fall-Kohorten-Studie signifikant mit einem erhöhten
MI-Risiko assoziiert waren. Auch in zwei weiteren deutschen Studienpopulationen war
oxi-LDL ein signifikanter Prädiktor des zukünftigen KHK-Risikos [69]. Im Gegensatz
dazu wiesen die oxi-LDL-Konzentrationen keine signifikante Beziehung zur KHK-
Inzidenz innerhalb der Health Professionals Follow-up Study sowie der Nurses’ Health
Study auf [68].
Im Hinblick auf die konsistenten Risikobeziehungen von gChol, LDL-C und oxi-LDL zur
MI-Inzidenz ist es überraschend, dass HDL-C in der analytischen Studienpopulation nicht
signifikant das Zielereignis vorhersagte. HDL-Partikel sind für den reversen Cholesterol-
Transport von den peripheren Geweben zur Leber verantwortlich und erniedrigte HDL-C-
- 88 -
Diskussion
Konzentrationen sind ein etablierter KVK-Risikofaktor [1, 74]. Die Risikoschätzer
verfehlten in der analysierten Fall-Kohorten-Studie jedoch nur knapp statistische
Signifikanz, was zumindest teilweise auf einen zu geringen Stichprobenumfang
zurückzuführen ist. Trotzdem viele prospektive Studien eine inverse Beziehung zwischen
HDL-C und dem zukünftigen KHK-Risiko gefunden haben [72, 73, 198, 199, 207], gibt es
auch Gegenbeispiele, in denen HDL-C kein signifikanter Prädiktor dieses Endpunktes war
[69, 71]. Anstelle der HDL-C-Konzentration wird daher oft das Verhältnis aus
gChol/HDL-C empfohlen, um die KHK-Vorhersage zu optimieren [70-73]. Da das Ziel der
vorliegenden Arbeit darin bestand, Mediationsvariablen der Beziehung zwischen
Adipositas und MI-Risiko zu identifizieren, wurden keine Kombinationen von Lipidwerten
(gChol/HDL-C, LDL-C/HDL-C, etc.) berücksichtigt.
Erhöhte TG-Werte gelten als prädisponierender KVK-Risikofaktor [1]. In der analysierten
Studienpopulation der EPIC-Potsdam-Kohorte erhöhte sich die MI-Inzidenz signifikant mit
ansteigenden TG-Konzentrationen. Konsistent mit diesem Ergebnis waren auch in einer
aktuellen Meta-Analyse prospektiver Kohortenstudien erhöhte TG-Werte mit einem
erhöhten KHK-Risiko assoziiert [81]. Insbesondere die postprandialen TG-Spiegel
scheinen einen starken Einfluss auf das Risiko zukünftiger kardiovaskulärer Ereignisse zu
haben [208], da sie hohe Konzentrationen der atherogen wirkenden Chylomikronen-
Remnants begünstigen [209]. Chylomikronen sind postprandiale Lipoproteine, die dem
Transport der mit der Nahrung aufgenommenen Lipide im Blut dienen. Durch Einwirkung
der Lipoproteinlipase werden in den peripheren Geweben Fettsäuren abgespalten und die
Chylomikronen somit zu Chylomikronen Remnants hydrolisiert. Während die Remnants
beim Gesunden schnell von der Leber aufgenommen und abgebaut werden, könnten hohe
postprandiale TG-Spiegel bzw. eine verzögerte hepatische Aufnahme die Akkumulation
dieser atherogenen Partikel im Blut fördern [210].
In der analytischen Fall-Kohorten-Studie waren ansteigende Glc-Spiegel mit einem
signifikant erhöhten MI-Risiko assoziiert. Vergleichbar dazu sind die Ergebnisse einer
aktuellen Meta-Analyse, in der Glc eine positive Beziehung zur Inzidenz kardiovaskulärer
Erkrankungen aufwies [83]. Hyperglykämie löst vermutlich eine Reihe proatherogener
Prozesse aus, zu denen beispielsweise erhöhter oxidativer Stress oder eine Störung der
endothelialen NO-Freisetzung gehören [211]. Auf eine kausale Verknüpfung weisen auch
klinische Studien hin, in denen die Normalisierung der postprandialen Hyperglykämie
deutlich den Zuwachs der Intima-Media-Schicht verzögert und das zukünftige KVK-
- 89 -
Diskussion
Risiko senkt [212, 213]. Es ist jedoch anzumerken, dass innerhalb der EPIC-Potsdam
Studie weder die Insulinsensitivität der Probanden noch die Plasma-Insulinspiegel erfasst
wurden. Beide Parameter beeinflussen den Glc-Stoffwechsel, so dass die im Plasma
bestimmte Glc-Konzentration nicht ausschließlich ein Marker für Hyperglykämie ist
sondern indirekt auch die beiden oben genannten Parameter erfasst.
Das Enzym GGT wurde lange Zeit lediglich als Marker für Alkoholabusus angesehen und
erst in den letzten Jahren mehrten sich die Publikationen zu einer positiven Beziehung
zwischen GGT und kardiovaskulären Erkrankungen [93-96]. Auch in der analytischen
Fall-Kohorten-Studie waren die Plasmakonzentrationen von GGT signifikant mit dem MI-
Risiko assoziiert. Innerhalb atherosklerotischer Plaques trägt GGT vermutlich zur
Oxidation von LDL-Partikeln bei [92]. Dagegen korrelierten beide Parameter im Plasma
der untersuchten Studienteilnehmer eher schwach miteinander (rS=0,25, p<0,0001). Dieses
Ergebnis ist dadurch erklärbar, dass das pro-oxidativ wirkende Spaltprodukt von GGT –
Cysteinyl-Glycin – mit Hilfe membran-assoziierter Dipeptidasen sehr effektiv in den
Intrazellulärraum aufgenommen wird. Dort wird Cysteinyl-Glycin im Rahmen des
Glutamyl-Zyklus’ zur Synthese von Glutathion genutzt, dem wichtigsten intrazellulären
Antioxidanz [214]. Aufgrund der Kompartimentierung des Glutamyl-Zyklus’ kann GGT
also nur dann die Oxidation von LDL-Partikeln im Plasma begünstigen, wenn die Synthese
von Cysteinyl-Glycin die Kapazität der oben erwähnten Dipeptidasen übersteigt. Inwiefern
die Beziehung zwischen GGT und MI-Risiko tatsächlich kausal ist, lässt sich nicht im
Rahmen einer Kohortenanalyse bewerten. So würde eine solche positive Assoziation auch
dann vorliegen, wenn die GGT-Aktivität infolge von erhöhtem oxidativem Stress ansteigt,
um beispielsweise den intrazellulären Glutathion-Bedarf zu decken. In diesem Fall wäre
GGT also lediglich ein Marker für oxidativen Stress, nicht jedoch ein kausaler Risikofaktor
für MI.
Auch die Bedeutung von Harnsäure bei kardiovaskulären Erkrankungen wird kontrovers
diskutiert. Unter ischämischen Bedingungen entstehen beim Purinabbau neben Harnsäure
auch freie Radikale. Dementsprechend könnte Harnsäure lediglich ein Marker lokaler
Durchblutungsstörungen sein, während atherosklerotische Prozesse kausal durch die mit
der Harnsäure-Synthese korrelierten freien Radikale beeinflusst werden. Diese Hypothese
wird durch klinische Studien unterstützt, die den Effekt von Allopurinol auf die
Endothelfunktion untersuchten. Allopurinol ist eine Substanz, die die Harnsäure-
Konzentration reduziert, indem sie das Enzym Xanthinoxidase blockiert, welches ebenso
- 90 -
Diskussion
für die Entstehung freier Sauerstoff-Radikale verantwortlich ist. Hohe Gaben von
Allopurinol verbesserten die Endothelfunktion durch reduzierten oxidativen Stress, nicht
jedoch durch Senkung von Harnsäure [215]. Jedoch ist die Endothelfunktion nur ein
Aspekt der Atherosklerose und in tierexperimentellen Studien förderte Harnsäure
beispielsweise die Entstehung von Hypertonie [101]. Auch in humanen
Beobachtungsstudien konnte eine Assoziation zwischen Serum-Harnsäure und der
Hypertonie-Inzidenz nachgewiesen werden [216, 217]. Innerhalb der analysierten Fall-
Kohorten-Population wiesen die Plasma-Konzentrationen von Harnsäure eine starke und
positive Assoziation mit dem zukünftigen MI-Risiko auf. Im Gegensatz dazu waren
erhöhte Harnsäure-Werte in einer aktuellen Meta-Analyse ein vergleichsweise schwacher
Prädiktor der KHK-Inzidenz [102]. In dieser Studie ließ sich jedoch ein signifikanter
Anteil der Heterogenität zwischen den Studienergebnissen auf die Anzahl berücksichtigter
„Confounder“ zurückführen. Die Autoren schlussfolgerten daraus, dass „the observation of
weaker associations in studies with more comprehensive adjustment for possible
confounders lessens the likelihood that any association between serum uric acid and CHD
is independent from possible confounders” [102]. Hier spiegelt sich die Meinung vieler
Wissenschaftler wider, dass die Adjustierung für möglichst alle Risikofaktoren die
glaubwürdigsten Schätzungen zur Assoziation zwischen einer Einflussvariable und einem
Zielereignis liefert. Andererseits wurde nicht die Möglichkeit in Erwägung gezogen, dass
einige dieser Risikofaktoren keine Confounder sondern potentielle Intermediate darstellen
und dass beispielsweise die Adjustierung für den Blutdruck die Ursache einer
unterschätzten Risikobeziehung zwischen Harnsäure und KHK-Inzidenz sein könnte.
Chronische systemische Entzündungsprozesse sind eng mit oxidativen Vorgängen
gekoppelt und nehmen eine Schlüsselstellung bei der Atherogenese ein [218]. Da IL-6 ein
sensitiver Entzündungsmarker ist, wurde im Rahmen des dritten Mediationskriteriums die
Beziehung zwischen diesem Protein und dem MI-Risiko untersucht. Wie in den meisten
prospektiven Studiendaten zu diesem Thema [126-130], erhöhte sich auch in der Fall-
Kohorten-Studie der EPIC-Potsdam-Kohorte das MI-Risiko signifikant mit ansteigenden
IL-6-Konzentrationen im Plasma. Inwiefern IL-6 lediglich ein prognostischer Marker für
entzündliche Prozesse ist oder aber kausal das MI-Risiko beeinflusst, lässt sich aufgrund
fehlender klinischer Studien nicht beurteilen. Es ist unumstritten, dass die IL-6-
Konzentrationen infolge von Endothelschäden und ischämischen Gewebeschädigungen
steigen. Dies wiederum begünstigt jedoch auch atherogene Vorgänge wie beispielsweise
- 91 -
Diskussion
die Differenzierung von Monozyten zu Makrophagen und die Proliferation glatter
Muskelzellen [122, 123]. Im Hinblick auf die komplexen Interaktionen zwischen
inflammatorischen und atherosklerotischen Prozessen stellt IL-6 vermutlich sowohl einen
Risikomarker als auch einen kausalen Einflussfaktor dar [218].
CRP, dessen hepatische Sekretion primär durch IL-6 induziert wird [124], war in der
untersuchten Studienpopulation signifikant mit dem MI-Risiko assoziiert. Zur Beziehung
zwischen CRP und kardiovaskulären Erkrankungen in der EPIC-Potsdam Kohorte existiert
bereits eine Publikation von Pischon et al. [219]. In vielen prospektiven Studien wurde
eine positive Assoziation zwischen CRP und KHK nachgewiesen [72, 127, 128, 139-141].
CRP ist Bestandteil atherosklerotischer Läsionen [220, 221]. Außerdem scheinen
spezifische Polymorphismen des CRP-Gens sowohl mit den CRP-Konzentrationen im
Plasma als auch mit dem Schlaganfall-Risiko und der kardiovaskulären Mortalität
assoziiert zu sein [222]. Diese Ergebnisse liefern einen Hinweis auf eine kausale
Beziehung zwischen CRP und den oben genannten Endpunkten, da reverse Kausalität und
Confounding bei der Analyse genetischer Polymorphismen keine oder nur eine
untergeordnete Rolle spielen dürften. Spezifische Substanzen zur Reduktion erhöhter CRP-
Konzentrationen wurden bislang erst in Tiermodellen erprobt [223]. Allerdings reduzieren
Statine, die traditionell als Cholesterol-Senker verabreicht werden, auch die Konzentration
von CRP. In klinischen Studien trug die durch Statine verursachte CRP-Senkung
unabhängig von LDL-C zu einer reduzierten Rate wiederkehrender kardiovaskulärer
Ereignisse bei [224, 225].
In der EPIC-Potsdam Studie waren erhöhte Resistin-Konzentrationen mit einem erhöhten
MI-Risiko assoziiert [120]. Diese Beobachtung ließ sich auch in der vorliegenden Arbeit
replizieren, trotzdem der Stichprobenumfang der analytischen Studienpopulation etwas
kleiner war und Resistin als logarithmierte, stetige Variable im Cox-Modell berücksichtigt
wurde. Zwar korreliert Resistin mit dem Ausmaß der koronaren Atherosklerose [226],
jedoch fehlen prospektive Daten anderer Studienpopulationen, um die Vorhersagekraft von
Resistin in Bezug auf kardiovaskuläre Ereignisse bewerten zu können.
Im Gegensatz zu Resistin war das vom Fettgewebe sezernierte Protein Adiponektin nicht
mit dem MI-Risiko assoziiert. Da die Risikoschätzer auf keinerlei Beziehung zwischen
Adiponektin und MI-Inzidenz schließen lassen, ist dieses Ergebnis nicht durch einen zu
geringen Stichprobenumfang erklärbar. Die erste in der Allgemeinbevölkerung
durchgeführte Analyse zur Beziehung zwischen Adiponektin und MI-Risiko erfolgte im
- 92 -
Diskussion
Rahmen der Health Professionals Follow-up Study und hier waren erhöhte Adiponektin-
Spiegel ein signifikanter Prädiktor für eine gesenkte MI-Inzidenz [227]. Allerdings konnte
dieses Ergebnis in vielen anderen Studienpopulationen nicht reproduziert werden [107,
112, 228, 229] und bei männlichen Teilnehmern der Rancho Bernardo Study sowie den
afro-amerikanischen Teilnehmern der Health, Aging, and Body Composition Study war
Adiponektin sogar positiv mit dem KHK-Risiko assoziiert [108, 110].
Im Rahmen des 4. Mediationskriteriums wurde untersucht, welche klinisch-chemischen
Parameter in einem Cox-Modell zu einer signifikant abgeschwächten Beziehung zwischen
der jeweiligen Expositionsgröße und dem MI-Risiko führten. An dieser Stelle wird
nochmals darauf hingewiesen, dass das Studiendesign weder geeignet ist, Kausalität
nachzuweisen noch eine kausale Mediatorfunktion bestimmter klinisch-chemischer
Parameter zu widerlegen. Stattdessen lässt sich lediglich zeigen, ob ein plausibles
Kausalmodell mit den vorliegenden empirischen Daten vereinbar ist. Leider existieren
kaum vergleichbare Analysen prospektiver Kohortenstudien, so dass die eigenen
Ergebnisse nur mit wenigen bisherigen Untersuchungen in Beziehung gesetzt werden
können.
Die Assoziation zwischen BMI ≥ 30 kg/m2 und MI-Risiko schwächte sich signifikant ab,
nachdem für TG, GGT, Harnsäure, HDL-C, oxi-LDL oder CRP adjustiert wurde.
Vergleichbar mit den eigenen Daten schwächte sich auch in einer finnischen
Kohortenstudie der Effekt von BMI auf die Inzidenz akuter koronarer Ereignisse ab,
nachdem abwechselnd für TG, den HDL-Subtyp HDL2 oder Harnsäure adjustiert wurde
[46]. Dies ist die einzige relevante Vergleichsstudie, die zu diesem Thema identifiziert
werden konnte. Allerdings stimmen die untersuchten potentiellen Mediatoren nur zum Teil
mit denen der eigenen Arbeit überein. Außerdem testeten die Autoren nicht, ob die
einzelnen Effektabschwächungen signifikant von Null verschieden waren und stellten
stattdessen lediglich die Risikoschätzer für BMI vor und nach der Adjustierung für das
jeweilige potentielle Intermediat dar. In der finnischen Studienpopulation reduzierte sich
die Beziehung zwischen BMI und akuten koronaren Ereignissen außerdem, wenn für
Diabetes oder Nüchterninsulin adjustiert wurde [46]. Auch dies ist konform mit der
Beobachtung, dass die gemeinsame Modellierung mit Glc den Einfluss von BMI ≥ 30
kg/m2 auf das MI-Risiko innerhalb der analysierten Fall-Kohorten-Studie senkt, jedoch
war diese Effektabschwächung statistisch nicht signifikant. Für die Beziehung zwischen
WHR ≥ 0,85[w]/1,0[m] und MI-Risiko erfüllten lediglich TG, GGT und Harnsäure alle
- 93 -
Diskussion
vier Mediationskriterien. Im Vergleich zu einem BMI ≥ 30 kg/m2 scheinen also weniger
klinisch-chemische Parameter als Mediatorvariablen in Frage zu kommen. Dieses Ergebnis
deckt sich mit den Ergebnissen der Kuopio Ischaemic Heart Disease Risk Factor Study.
Auch hier senkten sich die Risikoschätzer für BMI stärker ab als die für WHR, wenn für
verschiedene potentielle Intermediärvariablen adjustiert wurde [46].
Zusammenfassend erfüllten also TG, GGT und Harnsäure bei beiden Expositionsvariablen
die geforderten Mediationskriterien. Darüber hinaus waren oxi-LDL und CRP den
Kriterien entsprechende Mediationsvariablen der Beziehung zwischen BMI ≥ 30 kg/m2
und MI-Risiko. Insgesamt scheint der dem 4. Mediationskriterium zugrunde liegende
statistische Test den stärksten Einfluss auf die Auswahl der Mediationsvariablen zu haben.
Zwar scheiterten gChol, LDL-C, Adiponektin und Resistin auch an einem der
vorgelagerten Mediationskriterien, jedoch spiegelte sich dies ebenso in einem nicht-
signifikanten Testergebnis wider, wenn im Rahmen des 4. Mediationskriteriums auf eine
Abschwächung des Expositionseffektes getestet wurde. Lediglich HDL-C stellte hierbei
eine Ausnahme dar, da dieser Parameter zwar nicht signifikant mit dem MI-Risiko
assoziiert war, jedoch die Beziehung zwischen allgemeiner Adipositas und MI-Inzidenz
signifikant abschwächte. Daraus ergibt sich die Frage, ob der Test auf Effektabschwächung
zu restriktiv ist oder – falls dies nicht der Fall sein sollte – ob andernfalls auf die
vorgelagerten Tests verzichtet werden könnte, um relevante Mediationsvariablen zu
identifizieren. Aufgrund fehlender Alternativen zum Test auf Effektabschwächung lassen
sich diese Fragen derzeit nicht beantworten. Es besteht daher die Möglichkeit, dass mit
dem Test nach Hoffmann et al. [147] nur die stärksten Mediationsvariablen ausgewählt
wurden, während schwächere Variablen an der statistischen Power scheiterten. Dennoch
sind die Ergebnisse der vorliegenden Arbeit aufschlussreich, da potentielle Intermediate
der Risikobeziehung zwischen allgemeiner oder androider Adipositas zur MI-Inzidenz
erstmals strukturiert und mit Hilfe objektiver Testkriterien untersucht wurden.
- 94 -
Diskussion
Aufbauend auf den identifizierten Mediationsvariablen wurde die Effektzerlegung nach
Chen et al. angewandt, um den Anteil dieser Einflussfaktoren an der Risikobeziehung von
WHR ≥ 0,85[w]/1,0[m] oder BMI ≥ 30 kg/m2 zur MI-Inzidenz zu quantifizieren. Da die
Effektzerlegung bislang nicht für epidemiologische Fragestellungen angewandt wurde,
lassen sich die dabei erzielten Ergebnisse nicht im Kontext vergleichbarer Analysen
diskutieren. Daher wird in den Folgekapiteln lediglich auf die biologische Plausibilität der
Ergebnisse sowie die mögliche Verknüpfung der ausgewählten klinisch-chemischen
Parameter eingegangen.
In der analysierten Studienpopulation erklärten die Plasmakonzentrationen von Harnsäure
26% der Beziehung zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Risiko (PEE=0,26; 95% KI
0,08 – 0,73) und 20% der Assoziation zwischen BMI ≥ 30 kg/m2 und dem Zielereignis
(PEE=0,20; 95% KI 0,03 – 0,68). Bei beiden Expositionsgrößen entfiel somit der größte
Anteil des indirekten Expositionseffektes auf Harnsäure. Wie bereits erwähnt, ist ein
Anstieg der Harnsäure-Konzentration im Plasma eng mit Adipositas und Insulinresistenz
assoziiert [98, 99]. Als wichtige Komponenten des Metabolischen Syndroms treten
Adipositas – und hier insbesondere die abdominale Adipositas – und Insulinresistenz
häufig gemeinsam auf [230]. Dies erklärt auch die starke Assoziation zwischen Serum-
Harnsäure und dem Metabolischen Syndrom [231]. Ansteigende Harnsäure-
Konzentrationen spiegeln also eine metabolische Konsequenz komplex vernetzter MI-
Risikofaktoren wider [232].
Die Plasmakonzentrationen von GGT erklärten insgesamt 12% des Effektes von WHR ≥
0,85[w]/1,0[m] auf das MI-Risiko (PEE=0,12; 95% KI 0,04 – 0,34) und 19% des
Einflusses von BMI ≥ 30 kg/m2 auf die Krankheitsinzidenz (PEE=0,19; 95% KI 0,03 –
0,63). Auch der Einfluss von GGT auf die Risikobeziehung zwischen Adipositas und MI
lässt sich nicht losgelöst von Insulinresistenz und dem Metabolischem Syndrom
diskutieren. Die durch Adipositas begünstigte Entwicklung von Insulinresistenz trägt –
vermutlich über die nichtalkoholische Fettlebererkrankung (nonalcoholic fatty liver
disease, NAFLD) – zum Anstieg der GGT-Spiegel bei [87, 88]. Diese klinisch meist
asymptomatische Lebererkrankung ist gekennzeichnet durch eine hepatozelluläre
Anreicherung von TG. Schätzungen zufolge beträgt die Prävalenz der NAFLD in der
Allgemeinbevölkerung etwa 20% und bei Adipösen sogar 50-90% [233, 234]. Daher wird
die primäre NAFLD als hepatische Manifestation des Metabolischen Syndroms angesehen
[235]. Verursachend wirken erhöhte FFA- und Glc-Spiegel im Blut, zu denen sowohl die
- 95 -
Diskussion
Ernährung als auch Adipositas und Insulinresistenz beitragen [31]. In den hepatischen
Mitochondrien fördert der erhöhte Einfluss von FFA und Glc die Freisetzung reaktiver
Sauerstoffspezies, was inflammatorische und apoptotische Prozesse begünstigt und damit
maßgeblich zur Entstehung einer NAFLD beiträgt [236]. Außerdem erhöhen die
endogenen FFA direkt den hepatischen TG-Pool. Es konnte gezeigt werden, dass bei
übergewichtigen Personen mit NAFLD die FFA tatsächlich die wichtigste Quelle
hepatischer TG darstellen. Dagegen scheinen die mittels De-novo-Lipogenese produzierten
TG sowie die der Nahrung entstammenden Lipide eine deutlich geringe Bedeutung bei der
hepatozellulären TG-Anreicherung zu haben [237].
Die Leber produziert aus den FFA jedoch auch TG, die in VLDL eingebaut und als solche
in das Blut abgegeben werden. Dies wiederum erklärt das gehäufte Auftreten von
Hypertriglyzeridämie bei Adipositas und Insulinresistenz [230]. Da erhöhte TG-Spiegel
mit einer erhöhten KHK-Inzidenz einhergehen [81], erscheint die Plasmakonzentration von
TG als Mediator zwischen Adipositas und MI-Risiko biologisch plausibel. In der
analysierten Studienpopulation erklärten die Plasma-TG 25% des Effektes von WHR ≥
0,85[w]/1,0[m] auf das MI-Risiko (PEE=0,25; 95% KI 0,01 – 0,72) und 15% des
Einflusses von BMI ≥ 30 kg/m2 auf die Krankheitsinzidenz (PEE=0,15; 95% KI -0,002 –
0,53).
Oxidative Prozesse sind eng mit Adipositas, Insulinresistenz und atherosklerotischen
Prozessen assoziiert, was den Einfluss von oxi-LDL auf die Beziehung zwischen BMI ≥ 30
kg/m2 und MI-Risiko erklärt (PEE=0,16; 95% KI 0,02 – 0,55). Die Framingham Heart
Study war die erste große Studie, die eine positive Assoziation zwischen Adipositasmaßen
(BMI, WHR) und einem Marker für oxidativen Stress (8-isoprostaglandin F2α (8-epi-
PGF2α)) zeigen konnte [238]. Verursacht wird oxidativer Stress beispielsweise durch eine
– im Verhältnis zum Energieverbrauch – überhöhte Energieaufnahme. Eine solche
Energiedysbalance führt in den Muskel- und Fettzellen zu einer zellulären Überladung mit
Glc und FFA, deren verstärkter Abbau im Zitratzyklus über die erhöhte mitochondriale
NADH-Synthese die Bildung reaktiver Sauerstoffspezies begünstigt. Kompensatorisch
wird die Insulinsensitivität gesenkt, um einen weiteren Substrateinfluss zu reduzieren und
die Zellen somit vor oxidativen Schädigungen zu schützen [239]. Im Muskel- und
Fettgewebe begünstigt oxidativer Stress demzufolge eine Insulinresistenz. Diese kann in
einer Art Teufelskreislauf direkt zu erhöhten Glc-Spiegeln im Blut beitragen und verstärkt
insbesondere im viszeralen Fettgewebe die FFA-Freisetzung, was den oxidativen Stress
- 96 -
Diskussion
wiederum erhöht [240]. Aber auch einige der bei Adipositas exzessiv produzierten
Adipokine (z.B. TNF-α) wirken pro-oxidativ und scheinen über diesen Mechanismus
direkt in die Insulinsignalkaskade und den Glukose-Transport einzugreifen und somit
kausal an der Entwicklung von Insulinresistenz beteiligt zu sein [241]. Zusammenfassend
sind Adipositas, Insulinresistenz und oxidativer Stress sehr komplex miteinander verknüpft
und bedingen sich teilweise gegenseitig [242]. Oxi-LDL ist daher auch eng mit dem
Metabolischen Syndrom assoziiert [67]. Im Hinblick auf die anerkannte Beziehung
zwischen oxidativem Stress und Atherosklerose ist es deshalb nachvollziehbar, dass oxi-
LDL in der vorliegenden Arbeit einen Teil der Assoziation zwischen Adipositas und MI-
Risiko erklären konnte.
Adipositas begünstigt erhöhte CRP-Spiegel zum einen durch eine direkte Expression
dieses Proteins im Fettgewebe [193, 194] als auch indirekt über die Wirkung von IL-6
[125]. Zumindest für die Expositionsgröße BMI ≥ 30 kg/m2 erfüllte CRP alle vier
Mediationskriterien. Da Adipositas ein inflammatorischer Zustand ist und
Entzündungsprozesse in alle Schritte der Atherogenese eingreifen, scheint CRP daher eine
plausible Mediationsvariable zu sein [60]. Insgesamt erklärten die Plasmakonzentrationen
von CRP etwa 11% der Beziehung zwischen allgemeiner Adipositas und MI-Inzidenz
(PEE=0,11; 95% KI 0,001 – 0,38). Im Vergleich zu GGT, Harnsäure und oxi-LDL trug
CRP somit etwas schwächer zur Assoziation zwischen einem BMI ≥ 30 kg/m2 und dem
Endpunkt bei.
Überraschenderweise stellten die zumindest teilweise vom Fettgewebe sezernierten
Substanzen Adiponektin, Resistin und IL-6 in in der untersuchten Studienpopulation keine
gültigen Mediationsvariablen dar. Alles in allem widersprechen diese Ergebnisse also der
häufig zitierten Hypothese, dass eine exzessive Fettanlagerung vor allem über eine
veränderte Sekretion pro- bzw. anti-atherogener Adipokine das Risiko kardiovaskulärer
Ereignisse beeinflusst [4, 5, 8, 243-246]. Allerdings produziert das Fettgewebe eine
Vielzahl weiterer Moleküle, die eine mögliche Verknüpfung zwischen Adipositas und
atherosklerotischen Prozessen darstellen könnten. Hierzu gehören beispielsweise Leptin
[247, 248], Interleukin-18 [132, 249], Plasmin-Aktivator-Inhibitor 1 (PAI-1) [250],
Visfatin und TNF-α [251], die in der Studienpopulation bislang nicht quantifiziert
wurden. Welchen (unabhängigen) Anteil diese vielen Parameter letztendlich an der
Entstehung kardiovaskulärer Erkrankungen haben, konnte bislang nicht geklärt werden.
- 97 -
Diskussion
Der Schwerpunkt dieser Arbeit lag darauf, klinisch-chemische Parameter als potentielle
Intermediate der Beziehung zweier Adipositasmaße auf das MI-Risiko zu untersuchen.
Adipositas beeinflusst allerdings nicht nur den Stoffwechsel sondern hat auch direkte
Auswirkungen auf das Herz-Kreislauf-System und den Blutdruck [32]. Hypertonie ist ein
anerkannter KVK-Risikofaktor und tritt als weitere Komponente des Metabolischen
Syndroms häufig gemeinsam mit abdominaler Adipositas und Insulinresistenz auf [1, 53].
Schätzungen der Framingham Heart Study zufolge sind mehr als 65% aller Hypertonie-
Fälle auf Übergewicht und Adipositas zurückzuführen [252]. Der Blutdruck könnte also
ein wichtiges Bindeglied zwischen Adipositas und MI-Risiko sein. Im Rahmen einer
Subanalyse wurden daher der systolische und der diastolische Blutdruck als weitere
potentielle Intermediate berücksichtigt. Allerdings erfüllte lediglich der systolische
Blutdruck die geforderten Mediationskriterien für beide Expositionsgrößen. Im Gegensatz
dazu war der diastolische Blutdruck weder signifikant mit dem MI-Risiko assoziiert noch
schwächte diese Variablen den Gesamteffekt der Expositionsgrößen auf die MI-Inzidenz
signifikant ab. In den untersuchten Modellen erklärte der systolische Blutdruck 8% der
Assoziation zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Risiko (PEE=0,08; 95% KI -0,01 –
0,33) und 4% der Assoziation zwischen allgemeiner Adipositas und Krankheitsinzidenz
(PEE=0,04; 95% KI -0,04 – 0,16). Demzufolge hatte der systolische Blutdruck in der
analysierten Studienpopulation im Vergleich zu den berücksichtigten klinisch-chemischen
Parametern den geringsten Anteil am indirekten Effekt beider Expositionsgrößen auf das
MI-Risiko. Dieses Ergebnis unterstreicht die Bedeutung von Biomarkern als
Mediationsvariablen der Risikobeziehung zwischen allgemeiner oder androider Adipositas
zur MI-Inzidenz.
Bislang wurde lediglich die biologische Plausibilität der identifizierten
Mediationsvariablen diskutiert, ohne auf Unterschiede der PEE-Schätzungen zwischen den
beiden Expositionsvariablen einzugehen. Im Vergleich zum subkutanen Fettgewebe ist das
intra-abdominale Fettgewebe sensitiver gegenüber hormonalen Stimuli und weist zudem
eine höhere lipolytische und sekretorische Aktivität auf [50-52]. Auch im Hinblick auf die
enge Beziehung zwischen abdominaler Adipositas und Metabolischem Syndrom [230]
wurde daher die Hypothese aufgestellt, dass die Expositionsgröße WHR ≥ 0,85[w]/1,0[m]
im Vergleich zum BMI ≥ 30 kg/m2 mit einem negativeren metabolischen Profil einhergeht.
Demzufolge sollte die Beziehung zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Risiko
besonders stark durch Biomarker als Mediationsvariablen erklärbar sein. Diese Hypothese
- 98 -
Diskussion
konnte nicht bestätigt werden. So waren in einem gemeinsamen Cox-Modell TG, GGT und
Harnsäure für etwa 60% der Assoziation zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Risiko
verantwortlich. Die positive Beziehung zwischen BMI ≥ 30 kg/m2 und MI-Risiko wurde
dagegen zu 81% durch die fünf identifizierten Mediationsvariablen TG, GGT, Harnsäure,
oxi-LDL und CRP erklärt.
Mehrere Faktoren könnten dazu beitragen, dass die Risikobeziehung zwischen BMI ≥ 30
kg/m2 und MI-Inzidenz stärker durch Biomarker beeinflusst wird als die Assoziation
zwischen androider Adipositas und dem Zielereignis. Denkbar wäre, dass die beiden
Expositionsvariablen aufgrund der gewählten Schwellenwerte nicht direkt miteinander
vergleichbar sind. Allerdings wiesen WHR ≥ 0,85[w]/1,0[m] und BMI ≥ 30 kg/m2 eine
ähnlich starke Risikobeziehung zur MI-Inzidenz auf. Außerdem wurden innerhalb der
Kuopio Ischaemic Heart Disease Risk Factor Study BMI und WHR als stetige
Expositionsgrößen analysiert. Auch in dieser, ausschließlich männlichen
Studienpopulation waren BMI und WHR ähnlich starke Prädiktoren des zukünftigen
Risikos akuter koronarer Ereignisse. Dennoch senkten sich die Risikoschätzer für BMI
stärker ab als die für WHR, wurde für verschiedene potentielle Intermediärvariablen
adjustiert [46]. Die Diskrepanz zwischen den Mediationsmodellen von WHR ≥
0,85[w]/1,0[m] und BMI ≥ 30 kg/m2 scheint also nicht ausschließlich auf die
Dichotomisierung der Expositionsvariablen zurückzuführen sein.
Es gibt jedoch auch biologische Interpretationen für die unterschiedlich hohen indirekten
Effektanteile von allgemeiner und androider Adipositas auf die MI-Inzidenz. Denkbar
wäre beispielsweise, dass relevante Mediationsvariablen der Beziehung zwischen
androider Adipositas und MI-Risiko nicht berücksichtigt worden sind. Dazu könnten
beispielsweise die Plasmakonzentrationen von Insulin und FFA gehören. Bei der
vergleichenden Interpretation der PEE-Schätzungen ist außerdem zu bedenken, dass sich
das intra-abdominale Fettgewebe im Gegensatz zum subkutanen Fettgewebe nicht in die
systemische Zirkulation sondern in das Pfortadersystem entleert [253]. Daher könnte
venöses Blut unter Umständen nur ungenügend die vom intra-abdominalen Fettgewebe
sezernierten Substanzen widerspiegeln. Möglicherweise wurde die Bedeutung von
Adipokinen als potentielle Bindeglieder zwischen WHR ≥ 0,85[w]/1,0[m] und MI-Risiko
demzufolge unterschätzt.
- 99 -
Diskussion
Darüber hinaus könnte die mit dem BMI erfasste allgemeine Adipositas die metabolischen
Konsequenzen einer exzessiven Fettanlagerung besser widerspiegeln als die mit dem WHR
erfasste androide Adipositas. Dies könnte eine weitere Erklärung dafür sein, dass die
Risikobeziehung zwischen BMI ≥ 30 kg/m2 und MI-Inzidenz stärker durch Biomarker
aufgeklärt wurde als die Assoziation zwischen androider Adipositas und dem Zielereignis.
So wird mit dem WHR ein Fettverteilungsmuster abgebildet, das lediglich den relativen
Anteil des intra-abdominalen Fettgewebes widerspiegelt. Es lässt sich daher vermuten,
dass der Stoffwechsel weniger durch das Fettverteilungsmuster als durch die absolute
Menge an intra-abdominalem Fett beeinflusst wird. Diese Hypothese müsste in
Folgestudien überprüft werden. Als alternative Expositionsgröße würde sich dann der
Taillenumfang anbieten [254]. Allerdings ist eine isolierte viszerale Adipositas für den
Menschen bislang nicht beschrieben worden. Das heißt, dass eine exzessive Fettanlagerung
im Bereich des Abdomens nicht nur mit einem Anstieg des intra-abdominalen Fettes
einhergeht sondern gleichzeitig auch der Anteil des subkutanen Fettgewebes steigt [254].
Selbst bei adipösen Männern liegt der Anteil des intra-abdominalen Fettgewebes bei
lediglich 20% der gesamten Fettmasse [255]. Somit könnte die Rolle des subkutanen
Fettgewebes bei der Entstehung atherosklerotischer Erkrankungen also bislang unterschätzt
worden sein [256, 257]. Variationen im Gesamtkörperfett werden mit dem BMI besser
erfasst als mit dem WHR [254]. Alles in allem scheint der BMI ≥ 30 kg/m2 daher eine
geeignete Expositionsgröße zu sein, um Mediationsvariablen der Beziehung zwischen
exzessiver Fettanlagerung und MI-Risiko zu identifizieren und deren Relevanz zu
bewerten.
- 100 -
Schlussfolgerungen und Ausblick
Schlussfolgerungen und Ausblick
Um fehlerhafte Modellierungen zu vermeiden, ist eine klare Unterscheidung zwischen
vorgelagerten Expositionsgrößen und nachgelagerten Intermediärvariablen (i.e.
Mediationsvariablen) notwendig. Obwohl Mediationsvariablen bei vielen
epidemiologischen Analysen eine Rolle spielen, gab es bislang keinen befriedigenden
Ansatz für deren adäquate Modellierung und Bewertung. Das in dieser Arbeit
vorgeschlagene methodische Konzept stellt daher eine Erweiterung des epidemiologischen
Methodenspektrums dar. So können mit den modifizierten Mediationskriterien
Mediationsvariablen einer dichotomen Zielgröße erstmals basierend auf objektiven
Testverfahren bewertet werden. Darüber hinaus erlaubt die vorgeschlagene Methode der
Effektzerlegung trotz gemeinsamer Modellierung von Expositions- und
Mediationsvariablen eine unverzerrte Risikoschätzung für die Beziehung aller
Prädiktorvariablen zum Zielereignis. Der PEE ist außerdem ein nützliches Effektmaß, mit
dem sich der Einfluss von Mediationsvariablen auf Risikobeziehungen quantifizieren und
somit deren Informationsgehalt sinnvoll berücksichtigen lässt.
Mit den erarbeiteten Methoden wurden in dieser Arbeit erstmals strukturiert klinisch-
chemische Parameter als Mediationsvariablen der Beziehung von allgemeiner oder
androider Adipositas zum MI-Risiko analysiert. Viele dieser Parameter werden in der
Literatur regelmäßig als wichtige Bindeglieder zwischen Adipositas und KVK diskutiert.
In der analysierten Studienpopulation erfüllten jedoch lediglich TG, GGT und Harnsäure
alle Mediationskriterien für die Assoziation zwischen androider Adipositas und MI-Risiko
und erklärten mehr als 60% dieser Risikobeziehung. Der Einfluss von allgemeiner
Adipositas auf das zukünftige MI-Risiko wurde dagegen zu mehr als 80% durch TG, GGT,
Harnsäure, oxi-LDL und CRP vermittelt. Die mit dem BMI erfasste allgemeine Adipositas
scheint die metabolischen Konsequenzen einer exzessiven Fettanlagerung demzufolge
besser widerzuspiegeln als die mit dem WHR erfasste androide Adipositas.
Adipositas geht mit verschiedenen gesundheitlichen Risiken einher, die nicht auf MI oder
andere kardiovaskuläre Erkrankungen beschränkt sind. Aus Public Health Perspektive
wäre es daher sinnvoll, die Prävalenz des Risikofaktors Adipositas mit geeigneten
Interventionsstrategien zu reduzieren. Hier könnte die Identifizierung von
Mediationsvariablen dazu beitragen, die Wirksamkeit von Interventionen bereits vor dem
Auftreten der Zielerkrankung zu bewerten. Unter der Annahme einer kausalen
- 101 -
Schlussfolgerungen und Ausblick
Verknüpfung sollte sich die Krankheitswahrscheinlichkeit insbesondere durch solche
Interventionsmaßnahmen verändern lassen, die einen starken Einfluss auf relevante
Mediationsvariablen ausüben. Läßt sich die Expositionsgröße jedoch nur schwer direkt
intervenieren, dann kann die Aufklärung biologischer Pfade hilfreich bei der Bewertung
alternativer Präventionsmaßnahmen sein. So ließe sich durch Manipulation der
zwischengelagerten Variablen ein Teil des Expositionseffektes blockieren und damit die
Krankheitswahrscheinlichkeit verändern. Die in dieser Arbeit vorgeschlagenen
statistischen Verfahren könnten also bei der Beurteilung von Interventionsstrategien
hilfreich sein, da sie die Analyse von Mediationsvariablen und deren Relevanz erlauben.
Einschränkend ist hinzuzufügen, dass die aus Beobachtungsstudien gewonnenen
Erkenntnisse zur Wirkweise einer Expositionsgröße nicht nowendigerweise kausale
Strukturen widerspiegeln. Sie liefern aber wertvolle Informationen, die in unabhängigen
Probandenkollektiven bestätigt werden sollten und dann eine Voraussetzung für gezielte
Interventionsstudien darstellen könnten.
- 102 -
Zusammenfassung
Zusammenfassung
Die Beziehung zwischen einer Exposition und dem Krankheitsrisiko kann durch
Mediationsvariablen erklärbar sein. Um fehlerhafte Modellierungen zu vermeiden, sollte
sorgfältig zwischen Expositions- und Mediationsvariablen unterschieden werden. Für
epidemiologische Analysen fehlten jedoch statistische Methoden, um Mediationsvariablen
zu identifizieren und ihren Informationsgehalt zu bewerten. Daher wurde ein methodisches
Konzept erarbeitet, das diesen Herausforderungen gerecht wird.
Zur Identifizierung von Mediationsvariablen wurden die vier von Baron & Kenny (1986)
definierten Mediationskriterien an ein prospektives Studiendesign mit dichotomem
Endpunkt adaptiert. Um den Einfluss von Mediationsvariablen auf Risikobeziehungen zu
quantifizieren, wurde die Effektzerlegung nach Chen et al. (2003) vorgeschlagen. Diese
Methoden wurden angewandt, um exemplarisch eine Gruppe von Plasmaparametern
(gChol, HDL-C, LDL-C, oxi-LDL, TG, Glc, GGT, Harnsäure, Adiponektin, Resistin, IL-6,
CRP) zu analysieren, die Mediationsvariablen der Beziehung von allgemeiner Adipositas
(BMI ≥ 30 kg/m2) oder androider Adipositas (WHR) ≥ 0,85[w]/1,0[m]) zum MI-Risiko
sein könnten. Die Analysen basieren auf einer in die EPIC-Potsdam-Studie eingebetteten
prospektiven Fall-Kohorten-Studie mit 125 inzidenten MI-Fällen und 789 nicht erkrankten
Teilnehmern. Die Beziehung der Expositionsgrößen zum MI-Risiko wurde mittels Cox-
Regression analysiert.
Probanden mit allgemeiner oder androider Adipositas hatten gegenüber der jeweiligen
nicht adipösen Vergleichsgruppe ein signifikant erhöhtes MI-Risiko. Für WHR ≥
0,85[w]/1,0[m] erfüllten TG, GGT und Harnsäure die geforderten Mediationskriterien.
Diese Parameter erklärten 63% der Assoziation zwischen Exposition und MI-Risiko (TG
25%; GGT 12%; Harnsäure 26%). Im Vergleich dazu wurde die positive Beziehung
zwischen BMI ≥ 30 kg/m2 und MI-Risiko zu 81% durch fünf Mediationsvariablen erklärt,
wobei 15% auf TG, 19% auf GGT, 20% auf Harnsäure, 16% auf oxi-LDL und weitere
11% auf CRP entfielen.
In dieser Arbeit wurden erstmals strukturiert Biomarker als Mediationsvariablen zwischen
allgemeiner / androider Adipositas und MI-Risiko untersucht. Die vorgeschlagenen
statistischen Methoden ermöglichen es, Mediationsvariablen adäquat zu modellieren und
ihre Relevanz zu bewerten. Damit tragen die Methoden zum Verständnis biologischer
Pfade bei und könnten hilfreich sein, um Interventionsmaßnahmen zu lenken.
- 103 -
Summary
Summary
The relation between an exposure and disease risk may be mediated by intermediate
variables. To avoid inadequate modelling, a careful distinction has to be drawn between
exposure and mediating variable. However, statistical methods were lacking to identify
mediating variables and to assess their information content. Thus, a methodological
concept was introduced to address those challenges.
The four criteria used to define mediating variables were an adapted version of the
Baron & Kenny (1986) approach accounting for a prospective study design with binary
outcome. In order to quantify the contribution of mediating variables on the association
between exposure and outcome, effect decomposition according to Chen et al. (2003) was
proposed. These methods were applied to exemplarily analyze potential mediators in a
group of plasma parameters (gChol, HDL-C, LDL-C, oxi-LDL, TG, Glc, GGT, uric acid,
adiponectin, resistin, IL-6, CRP) that may explain the relationship between general obesity
(BMI ≥ 30 kg/m2) or abdominal obesity (WHR ≥ 0.85[w]/1.0[m]) to risk of myocardial
infarction (MI). The current analysis is based on a prospective case-cohort study nested
within the EPIC-Potsdam cohort that included 125 cases of incident MI and 789 non-
diseased participants. The relation between the exposure variables and MI-risk was
assessed by Cox-regression.
Participants with general or abdominal obesity had a significantly incseased MI-risk
compared to the respective non-obese subjects. For WHR ≥ 0.85[w]/1.0[m] the required
mediation criteria were met by TG, GGT and uric acid. These parameters explained 63%
of the association between exposure and disease risk (TG 25%; GGT 12%; uric acid 26%).
In comparison, 81% of the positive relation between BMI ≥ 30 kg/m2 and MI-risk was
explained by five mediating variables with TG contributing for 15%, GGT for 19%, uric
acid for 20%, oxi-LDL for 16% and CRP for additional 11% of the indirect exposure
effect.
For the first time, a structured analysis of biomarkers as mediators of the relation between
general / abdominal obesity and MI-risk has been conducted. The proposed statistical
methods provide a tool to adequately model mediating variables and to assess their
relevance. Thus, the methods contribute to an understanding of biological pathways, which
may help to direct intervention activities.
- 104 -
Literaturverzeichnis
Literaturverzeichnis
1. Grundy SM, Pasternak R, Greenland P, Smith S, Jr., Fuster V: Assessment of
cardiovascular risk by use of multiple-risk-factor assessment equations: a statement
for healthcare professionals from the American Heart Association and the
American College of Cardiology. Circulation 1999, 100(13):1481-1492.
2. Vasan RS: Biomarkers of cardiovascular disease: molecular basis and practical
considerations. Circulation 2006, 113(19):2335-2362.
3. Frühbeck G: Vasoactive Factors and Inflammatory Mediators Produced in Adipose
Tissue. In: Adipose Tissue and Adipokines in Health and Disease. Edited by
Fantuzzi G, Mazzone T. Totowa, New Jersey: Human Press; 2007.
4. Musaad S, Haynes EN: Biomarkers of obesity and subsequent cardiovascular
events. Epidemiol Rev 2007, 29:98-114.
5. Berg AH, Scherer PE: Adipose tissue, inflammation, and cardiovascular disease.
Circ Res 2005, 96(9):939-949.
6. Calabro P, Yeh ET: Obesity, inflammation, and vascular disease: the role of the
adipose tissue as an endocrine organ. Subcell Biochem 2007, 42:63-91.
7. Lau DC, Dhillon B, Yan H, Szmitko PE, Verma S: Adipokines: molecular links
between obesity and atheroslcerosis. Am J Physiol Heart Circ Physiol 2005,
288(5):H2031-2041.
8. Fantuzzi G, Mazzone T: Adipose tissue and atherosclerosis: exploring the
connection. Arterioscler Thromb Vasc Biol 2007, 27(5):996-1003.
9. Robins JM: Data, design, and background knowledge in etiologic inference.
Epidemiology 2001, 12(3):313-320.
10. Löwel H: Gesundheitsberichterstattung des Bundes: Koronare Herzkrankheit und
akuter Myokardinfarkt. In. Berlin: Robert Koch-Institut; 2006.
11. WHO: The classification of atherosclerotic lesions. Report of a study group. In.
Geneva: World Health Organization; 1958.
12. Libby P, Theroux P: Pathophysiology of coronary artery disease. Circulation 2005,
111(25):3481-3488.
13. Kostner GM: Ursachen der Gefassschaden. Endothelfunktion, Morphologie und
Biochemie der Atherosklerose. Pharm Unserer Zeit 2003, 32(6):458-463.
14. Schaar JA, Muller JE, Falk E, Virmani R, Fuster V, Serruys PW, Colombo A,
Stefanadis C, Ward Casscells S, Moreno PR et al: Terminology for high-risk and
vulnerable coronary artery plaques. Report of a meeting on the vulnerable plaque,
June 17 and 18, 2003, Santorini, Greece. Eur Heart J 2004, 25(12):1077-1082.
15. Falk E: Pathogenesis of atherosclerosis. J Am Coll Cardiol 2006, 47(8 Suppl):C7-
12.
16. Chambless L, Keil U, Dobson A, Mahonen M, Kuulasmaa K, Rajakangas AM,
Lowel H, Tunstall-Pedoe H: Population versus clinical view of case fatality from
acute coronary heart disease: results from the WHO MONICA Project 1985-1990.
Multinational MONItoring of Trends and Determinants in CArdiovascular Disease.
Circulation 1997, 96(11):3849-3859.
- 105 -
Literaturverzeichnis
17. Statistisches Bundesamt: Todesursachen in Deutschland. In: Fachserie 12, Reihe 4.
Wiesbaden; 2006.
18. Lowel H, Meisinger C, Heier M, Hormann A: The population-based acute
myocardial infarction (AMI) registry of the MONICA/KORA study region of
Augsburg. Gesundheitswesen 2005, 67 Suppl 1:S31-37.
19. Sheifer SE, Manolio TA, Gersh BJ: Unrecognized myocardial infarction. Ann
Intern Med 2001, 135(9):801-811.
20. de Torbal A, Boersma E, Kors JA, van Herpen G, Deckers JW, van der Kuip DA,
Stricker BH, Hofman A, Witteman JC: Incidence of recognized and unrecognized
myocardial infarction in men and women aged 55 and older: the Rotterdam Study.
Eur Heart J 2006, 27(6):729-736.
21. Statistisches Bundesamt: Gesundheit - Krankheitskosten 2002 und 2004. In.
Wiesbaden; 2007.
22. Montani JP, Carroll JF, Dwyer TM, Antic V, Yang Z, Dulloo AG: Ectopic fat
storage in heart, blood vessels and kidneys in the pathogenesis of cardiovascular
diseases. Int J Obes Relat Metab Disord 2004, 28 Suppl 4:S58-65.
23. WHO: Obesity, preventing and managing the global epidemic. In: Report on a
WHO Consultation; Technical Report Series, No 894. Geneva: World Health
Organisation; 2000.
24. Berghofer A, Pischon T, Reinhold T, Apovian CM, Sharma AM, Willich SN:
Obesity prevalence from a European perspective: a systematic review. BMC Public
Health 2008, 8:200.
25. Thefeld W: Verbreitung der Herz-Kreislauf-Risikofaktoren Hypercholesterinämie,
Übergewicht, Hypertonie und Rauchen in der Bevölkerung.
Bundesgesundheitsblatt - Gesundheitsforschung - Gesundheitsschutz 2000,
43(6):415-423.
26. Bergmann KE, Mensink GB: Körpermaße und Übergewicht. Gesundheitswesen
1999, 61 Spec No:S115-120.
27. Scherer PE: Adipose tissue: from lipid storage compartment to endocrine organ.
Diabetes 2006, 55(6):1537-1545.
28. Mohamed-Ali V, Goodrick S, Rawesh A, Katz DR, Miles JM, Yudkin JS, Klein S,
Coppack SW: Subcutaneous adipose tissue releases interleukin-6, but not tumor
necrosis factor-alpha, in vivo. J Clin Endocrinol Metab 1997, 82(12):4196-4200.
29. Poirier P, Giles TD, Bray GA, Hong Y, Stern JS, Pi-Sunyer FX, Eckel RH: Obesity
and cardiovascular disease: pathophysiology, evaluation, and effect of weight loss:
an update of the 1997 American Heart Association Scientific Statement on Obesity
and Heart Disease from the Obesity Committee of the Council on Nutrition,
Physical Activity, and Metabolism. Circulation 2006, 113(6):898-918.
30. Borst ES: Adipose Tissue and Insulin Resistance. In: Adipose Tissue and
Adipokines in Health and Disease. Edited by Fantuzzi G, Mazzone T. Totowa, New
Jersey: Human Press; 2007.
31. Delarue J, Magnan C: Free fatty acids and insulin resistance. Curr Opin Clin Nutr
Metab Care 2007, 10(2):142-148.
- 106 -
Literaturverzeichnis
32. Morris AM, Poirier P, Eckel RH: Obesity and the Heart. In: Adipose Tissue and
Adipokines in Health and Disease. Edited by Fantuzzi G, Mazzone T. Totowa, New
Jersey: Human Press; 2007.
33. de Graaf J, Hak-Lemmers HL, Hectors MP, Demacker PN, Hendriks JC,
Stalenhoef AF: Enhanced susceptibility to in vitro oxidation of the dense low
density lipoprotein subfraction in healthy subjects. Arterioscler Thromb 1991,
11(2):298-306.
34. Kirchmair R, Ebenbichler CF, Patsch JR: Post-prandial lipaemia. Baillieres Clin
Endocrinol Metab 1995, 9(4):705-719.
35. Rimm EB, Stampfer MJ, Giovannucci E, Ascherio A, Spiegelman D, Colditz GA,
Willett WC: Body size and fat distribution as predictors of coronary heart disease
among middle-aged and older US men. Am J Epidemiol 1995, 141(12):1117-1127.
36. Field AE, Coakley EH, Must A, Spadano JL, Laird N, Dietz WH, Rimm E, Colditz
GA: Impact of overweight on the risk of developing common chronic diseases
during a 10-year period. Arch Intern Med 2001, 161(13):1581-1586.
37. Rexrode KM, Buring JE, Manson JE: Abdominal and total adiposity and risk of
coronary heart disease in men. Int J Obes Relat Metab Disord 2001, 25(7):1047-
1056.
38. Wilson PW, D'Agostino RB, Sullivan L, Parise H, Kannel WB: Overweight and
obesity as determinants of cardiovascular risk: the Framingham experience. Arch
Intern Med 2002, 162(16):1867-1872.
39. Weinstein AR, Sesso HD, Lee IM, Rexrode KM, Cook NR, Manson JE, Buring JE,
Gaziano JM: The joint effects of physical activity and body mass index on coronary
heart disease risk in women. Arch Intern Med 2008, 168(8):884-890.
40. Li TY, Rana JS, Manson JE, Willett WC, Stampfer MJ, Colditz GA, Rexrode KM,
Hu FB: Obesity as compared with physical activity in predicting risk of coronary
heart disease in women. Circulation 2006, 113(4):499-506.
41. Yarnell JW, Patterson CC, Thomas HF, Sweetnam PM: Comparison of weight in
middle age, weight at 18 years, and weight change between, in predicting
subsequent 14 year mortality and coronary events: Caerphilly Prospective Study. J
Epidemiol Community Health 2000, 54(5):344-348.
42. Canoy D, Boekholdt SM, Wareham N, Luben R, Welch A, Bingham S, Buchan I,
Day N, Khaw KT: Body fat distribution and risk of coronary heart disease in men
and women in the European Prospective Investigation Into Cancer and Nutrition in
Norfolk cohort: a population-based prospective study. Circulation 2007,
116(25):2933-2943.
43. Curb JD, Marcus EB: Body fat, coronary heart disease, and stroke in Japanese men.
Am J Clin Nutr 1991, 53(6 Suppl):1612S-1615S.
44. Zhou B, Wu Y, Yang J, Li Y, Zhang H, Zhao L: Overweight is an independent risk
factor for cardiovascular disease in Chinese populations. Obes Rev 2002, 3(3):147-
156.
- 107 -
Literaturverzeichnis
45. Folsom AR, Stevens J, Schreiner PJ, McGovern PG: Body mass index, waist/hip
ratio, and coronary heart disease incidence in African Americans and whites.
Atherosclerosis Risk in Communities Study Investigators. Am J Epidemiol 1998,
148(12):1187-1194.
46. Lakka HM, Lakka TA, Tuomilehto J, Salonen JT: Abdominal obesity is associated
with increased risk of acute coronary events in men. Eur Heart J 2002, 23(9):706-
713.
47. Lapidus L, Bengtsson C, Larsson B, Pennert K, Rybo E, Sjostrom L: Distribution
of adipose tissue and risk of cardiovascular disease and death: a 12 year follow up
of participants in the population study of women in Gothenburg, Sweden. Br Med J
(Clin Res Ed) 1984, 289(6454):1257-1261.
48. Larsson B, Svardsudd K, Welin L, Wilhelmsen L, Bjorntorp P, Tibblin G:
Abdominal adipose tissue distribution, obesity, and risk of cardiovascular disease
and death: 13 year follow up of participants in the study of men born in 1913. Br
Med J (Clin Res Ed) 1984, 288(6428):1401-1404.
49. Rexrode KM, Carey VJ, Hennekens CH, Walters EE, Colditz GA, Stampfer MJ,
Willett WC, Manson JE: Abdominal adiposity and coronary heart disease in
women. Jama 1998, 280(21):1843-1848.
50. Fried SK, Bunkin DA, Greenberg AS: Omental and subcutaneous adipose tissues
of obese subjects release interleukin-6: depot difference and regulation by
glucocorticoid. J Clin Endocrinol Metab 1998, 83(3):847-850.
51. Wajchenberg BL: Subcutaneous and visceral adipose tissue: their relation to the
metabolic syndrome. Endocr Rev 2000, 21(6):697-738.
52. Hoffstedt J, Arner P, Hellers G, Lonnqvist F: Variation in adrenergic regulation of
lipolysis between omental and subcutaneous adipocytes from obese and non-obese
men. J Lipid Res 1997, 38(4):795-804.
53. Grundy SM: Metabolic syndrome: a multiplex cardiovascular risk factor. J Clin
Endocrinol Metab 2007, 92(2):399-404.
54. Rainwater DL, Mitchell BD, Comuzzie AG, Haffner SM: Relationship of low-
density lipoprotein particle size and measures of adiposity. Int J Obes Relat Metab
Disord 1999, 23(2):180-189.
55. Hess DS, Hess DW: Biliopancreatic diversion with a duodenal switch. Obes Surg
1998, 8(3):267-282.
56. Rossner S, Hallberg D: Long term follow-up of serum lipoproteins after jejuno-ileal
bypass surgery for massive obesity. Int J Obes 1980, 4(3):197-202.
57. Karason K, Wikstrand J, Sjostrom L, Wendelhag I: Weight loss and progression of
early atherosclerosis in the carotid artery: a four-year controlled study of obese
subjects. Int J Obes Relat Metab Disord 1999, 23(9):948-956.
58. Conroy RM, Pyorala K, Fitzgerald AP, Sans S, Menotti A, De Backer G, De
Bacquer D, Ducimetiere P, Jousilahti P, Keil U et al: Estimation of ten-year risk of
fatal cardiovascular disease in Europe: the SCORE project. Eur Heart J 2003,
24(11):987-1003.
- 108 -
Literaturverzeichnis
59. Wilson PW, D'Agostino RB, Levy D, Belanger AM, Silbershatz H, Kannel WB:
Prediction of coronary heart disease using risk factor categories. Circulation 1998,
97(18):1837-1847.
60. Libby P: Inflammation in atherosclerosis. Nature 2002, 420(6917):868-874.
61. Josan K, Majumdar SR, McAlister FA: The efficacy and safety of intensive statin
therapy: a meta-analysis of randomized trials. Cmaj 2008, 178(5):576-584.
62. Graham I, Atar D, Borch-Johnsen K, Boysen G, Burell G, Cifkova R, Dallongeville
J, De Backer G, Ebrahim S, Gjelsvik B et al: European guidelines on
cardiovascular disease prevention in clinical practice: full text. Fourth Joint Task
Force of the European Society of Cardiology and other societies on cardiovascular
disease prevention in clinical practice (constituted by representatives of nine
societies and by invited experts). Eur J Cardiovasc Prev Rehabil 2007, 14 Suppl
2:S1-113.
63. Goldstein JL, Ho YK, Basu SK, Brown MS: Binding site on macrophages that
mediates uptake and degradation of acetylated low density lipoprotein, producing
massive cholesterol deposition. Proc Natl Acad Sci U S A 1979, 76(1):333-337.
64. Klimov AN, Denisenko AD, Popov AV, Nagornev VA, Pleskov VM, Vinogradov
AG, Denisenko TV, Magracheva E, Kheifes GM, Kuznetzov AS: Lipoprotein-
antibody immune complexes. Their catabolism and role in foam cell formation.
Atherosclerosis 1985, 58(1-3):1-15.
65. Steinberg D: Lewis A. Conner Memorial Lecture. Oxidative modification of LDL
and atherogenesis. Circulation 1997, 95(4):1062-1071.
66. Witztum JL, Steinberg D: Role of oxidized low density lipoprotein in
atherogenesis. J Clin Invest 1991, 88(6):1785-1792.
67. Holvoet P, Lee DH, Steffes M, Gross M, Jacobs DR, Jr.: Association between
circulating oxidized low-density lipoprotein and incidence of the metabolic
syndrome. Jama 2008, 299(19):2287-2293.
68. Wu T, Willett WC, Rifai N, Shai I, Manson JE, Rimm EB: Is plasma oxidized low-
density lipoprotein, measured with the widely used antibody 4E6, an independent
predictor of coronary heart disease among U.S. men and women? J Am Coll
Cardiol 2006, 48(5):973-979.
69. Meisinger C, Baumert J, Khuseyinova N, Loewel H, Koenig W: Plasma oxidized
low-density lipoprotein, a strong predictor for acute coronary heart disease events
in apparently healthy, middle-aged men from the general population. Circulation
2005, 112(5):651-657.
70. Lemieux I, Lamarche B, Couillard C, Pascot A, Cantin B, Bergeron J, Dagenais
GR, Despres JP: Total cholesterol/HDL cholesterol ratio vs LDL cholesterol/HDL
cholesterol ratio as indices of ischemic heart disease risk in men: the Quebec
Cardiovascular Study. Arch Intern Med 2001, 161(22):2685-2692.
71. Chien KL, Hsu HC, Su TC, Chen MF, Lee YT, Hu FB: Apolipoprotein B and non-
high density lipoprotein cholesterol and the risk of coronary heart disease in
Chinese. J Lipid Res 2007, 48(11):2499-2505.
- 109 -
Literaturverzeichnis
72. Ridker PM, Rifai N, Cook NR, Bradwin G, Buring JE: Non-HDL cholesterol,
apolipoproteins A-I and B100, standard lipid measures, lipid ratios, and CRP as
risk factors for cardiovascular disease in women. Jama 2005, 294(3):326-333.
73. Ingelsson E, Schaefer EJ, Contois JH, McNamara JR, Sullivan L, Keyes MJ,
Pencina MJ, Schoonmaker C, Wilson PW, D'Agostino RB et al: Clinical utility of
different lipid measures for prediction of coronary heart disease in men and
women. Jama 2007, 298(7):776-785.
74. Ohashi R, Mu H, Wang X, Yao Q, Chen C: Reverse cholesterol transport and
cholesterol efflux in atherosclerosis. Qjm 2005, 98(12):845-856.
75. Mineo C, Shaul PW: HDL stimulation of endothelial nitric oxide synthase: a novel
mechanism of HDL action. Trends Cardiovasc Med 2003, 13(6):226-231.
76. Navab M, Hama SY, Cooke CJ, Anantharamaiah GM, Chaddha M, Jin L,
Subbanagounder G, Faull KF, Reddy ST, Miller NE et al: Normal high density
lipoprotein inhibits three steps in the formation of mildly oxidized low density
lipoprotein: step 1. J Lipid Res 2000, 41(9):1481-1494.
77. Navab M, Hama SY, Anantharamaiah GM, Hassan K, Hough GP, Watson AD,
Reddy ST, Sevanian A, Fonarow GC, Fogelman AM: Normal high density
lipoprotein inhibits three steps in the formation of mildly oxidized low density
lipoprotein: steps 2 and 3. J Lipid Res 2000, 41(9):1495-1508.
78. Cockerill GW, Huehns TY, Weerasinghe A, Stocker C, Lerch PG, Miller NE,
Haskard DO: Elevation of plasma high-density lipoprotein concentration reduces
interleukin-1-induced expression of E-selectin in an in vivo model of acute
inflammation. Circulation 2001, 103(1):108-112.
79. Sattar N, Petrie JR, Jaap AJ: The atherogenic lipoprotein phenotype and vascular
endothelial dysfunction. Atherosclerosis 1998, 138(2):229-235.
80. Blackburn P, Lamarche B, Couillard C, Pascot A, Bergeron N, Prud'homme D,
Tremblay A, Bergeron J, Lemieux I, Despres JP: Postprandial hyperlipidemia:
another correlate of the "hypertriglyceridemic waist" phenotype in men.
Atherosclerosis 2003, 171(2):327-336.
81. Sarwar N, Danesh J, Eiriksdottir G, Sigurdsson G, Wareham N, Bingham S,
Boekholdt SM, Khaw KT, Gudnason V: Triglycerides and the risk of coronary
heart disease: 10,158 incident cases among 262,525 participants in 29 Western
prospective studies. Circulation 2007, 115(4):450-458.
82. Stratton IM, Cull CA, Adler AI, Matthews DR, Neil HA, Holman RR: Additive
effects of glycaemia and blood pressure exposure on risk of complications in type 2
diabetes: a prospective observational study (UKPDS 75). Diabetologia 2006,
49(8):1761-1769.
83. Levitan EB, Song Y, Ford ES, Liu S: Is nondiabetic hyperglycemia a risk factor for
cardiovascular disease? A meta-analysis of prospective studies. Arch Intern Med
2004, 164(19):2147-2155.
84. Creager MA, Luscher TF, Cosentino F, Beckman JA: Diabetes and vascular
disease: pathophysiology, clinical consequences, and medical therapy: Part I.
Circulation 2003, 108(12):1527-1532.
- 110 -
Literaturverzeichnis
85. Cosentino F, Eto M, De Paolis P, van der Loo B, Bachschmid M, Ullrich V,
Kouroedov A, Delli Gatti C, Joch H, Volpe M et al: High glucose causes
upregulation of cyclooxygenase-2 and alters prostanoid profile in human
endothelial cells: role of protein kinase C and reactive oxygen species. Circulation
2003, 107(7):1017-1023.
86. Teschke R, Brand A, Strohmeyer G: Induction of hepatic microsomal γ-
glutamyltransferase activity following chronic alcohol consumption. Biochem
Biophys Res Commun 1977, 75:718-724.
87. Nannipieri M, Gonzales C, Baldi S, Posadas R, Williams K, Haffner SM, Stern
MP, Ferrannini E: Liver enzymes, the metabolic syndrome, and incident diabetes:
the Mexico City diabetes study. Diabetes Care 2005, 28(7):1757-1762.
88. Marchesini G, Avagnina S, Barantani EG, Ciccarone AM, Corica F, Dall'Aglio E,
Dalle Grave R, Morpurgo PS, Tomasi F, Vitacolonna E: Aminotransferase and
gamma-glutamyltranspeptidase levels in obesity are associated with insulin
resistance and the metabolic syndrome. J Endocrinol Invest 2005, 28(4):333-339.
89. Emdin M, Passino C, Donato L, Paolicchi A, Pompella A: Serum gamma-
glutamyltransferase as a risk factor of ischemic stroke might be independent of
alcohol consumption. Stroke 2002, 33(4):1163-1164.
90. Paolicchi A, Minotti G, Tonarelli P, Tongiani R, De Cesare D, Mezzetti A,
Dominici S, Comporti M, Pompella A: Gamma-glutamyl transpeptidase-dependent
iron reduction and LDL oxidation--a potential mechanism in atherosclerosis. J
Investig Med 1999, 47(3):151-160.
91. Paolicchi A, Emdin M, Ghliozeni E, Ciancia E, Passino C, Popoff G, Pompella A:
Images in cardiovascular medicine. Human atherosclerotic plaques contain gamma-
glutamyl transpeptidase enzyme activity. Circulation 2004, 109(11):1440.
92. Emdin M, Pompella A, Paolicchi A: Gamma-glutamyltransferase, atherosclerosis,
and cardiovascular disease: triggering oxidative stress within the plaque.
Circulation 2005, 112(14):2078-2080.
93. Wannamethee G, Ebrahim S, Shaper AG: Gamma-glutamyltransferase:
determinants and association with mortality from ischemic heart disease and all
causes. Am J Epidemiol 1995, 142(7):699-708.
94. Meisinger C, Doring A, Schneider A, Lowel H: Serum gamma-glutamyltransferase
is a predictor of incident coronary events in apparently healthy men from the
general population. Atherosclerosis 2006, 189(2):297-302.
95. Lee DH, Silventoinen K, Hu G, Jacobs DR, Jr., Jousilahti P, Sundvall J,
Tuomilehto J: Serum gamma-glutamyltransferase predicts non-fatal myocardial
infarction and fatal coronary heart disease among 28,838 middle-aged men and
women. Eur Heart J 2006, 27(18):2170-2176.
96. Ruttmann E, Brant LJ, Concin H, Diem G, Rapp K, Ulmer H: Gamma-
glutamyltransferase as a risk factor for cardiovascular disease mortality: an
epidemiological investigation in a cohort of 163,944 Austrian adults. Circulation
2005, 112(14):2130-2137.
- 111 -
Literaturverzeichnis
97. Fraser A, Harris R, Sattar N, Ebrahim S, Smith GD, Lawlor DA: Gamma-
glutamyltransferase is associated with incident vascular events independently of
alcohol intake: analysis of the British Women's Heart and Health Study and Meta-
Analysis. Arterioscler Thromb Vasc Biol 2007, 27(12):2729-2735.
98. Matsuura F, Yamashita S, Nakamura T, Nishida M, Nozaki S, Funahashi T,
Matsuzawa Y: Effect of visceral fat accumulation on uric acid metabolism in male
obese subjects: visceral fat obesity is linked more closely to overproduction of uric
acid than subcutaneous fat obesity. Metabolism 1998, 47(8):929-933.
99. Yamashita S, Matsuzawa Y, Tokunaga K, Fujioka S, Tarui S: Studies on the
impaired metabolism of uric acid in obese subjects: marked reduction of renal urate
excretion and its improvement by a low-calorie diet. Int J Obes 1986, 10(4):255-
264.
100. Patterson RA, Horsley ET, Leake DS: Prooxidant and antioxidant properties of
human serum ultrafiltrates toward LDL: important role of uric acid. J Lipid Res
2003, 44(3):512-521.
101. Johnson RJ, Kang DH, Feig D, Kivlighn S, Kanellis J, Watanabe S, Tuttle KR,
Rodriguez-Iturbe B, Herrera-Acosta J, Mazzali M: Is there a pathogenetic role for
uric acid in hypertension and cardiovascular and renal disease? Hypertension 2003,
41(6):1183-1190.
102. Wheeler JG, Juzwishin KD, Eiriksdottir G, Gudnason V, Danesh J: Serum uric acid
and coronary heart disease in 9,458 incident cases and 155,084 controls:
prospective study and meta-analysis. PLoS Med 2005, 2(3):e76.
103. Ferroni P, Basili S, Falco A, Davi G: Inflammation, insulin resistance, and obesity.
Curr Atheroscler Rep 2004, 6(6):424-431.
104. Ouchi N, Kihara S, Arita Y, Okamoto Y, Maeda K, Kuriyama H, Hotta K, Nishida
M, Takahashi M, Muraguchi M et al: Adiponectin, an adipocyte-derived plasma
protein, inhibits endothelial NF-kappaB signaling through a cAMP-dependent
pathway. Circulation 2000, 102(11):1296-1301.
105. Ouchi N, Kihara S, Arita Y, Nishida M, Matsuyama A, Okamoto Y, Ishigami M,
Kuriyama H, Kishida K, Nishizawa H et al: Adipocyte-derived plasma protein,
adiponectin, suppresses lipid accumulation and class A scavenger receptor
expression in human monocyte-derived macrophages. Circulation 2001,
103(8):1057-1063.
106. Arita Y, Kihara S, Ouchi N, Maeda K, Kuriyama H, Okamoto Y, Kumada M, Hotta
K, Nishida M, Takahashi M et al: Adipocyte-derived plasma protein adiponectin
acts as a platelet-derived growth factor-BB-binding protein and regulates growth
factor-induced common postreceptor signal in vascular smooth muscle cell.
Circulation 2002, 105(24):2893-2898.
107. Sattar N, Wannamethee G, Sarwar N, Tchernova J, Cherry L, Wallace AM, Danesh
J, Whincup PH: Adiponectin and coronary heart disease: a prospective study and
meta-analysis. Circulation 2006, 114(7):623-629.
108. Laughlin GA, Barrett-Connor E, May S, Langenberg C: Association of adiponectin
with coronary heart disease and mortality: the Rancho Bernardo study. Am J
Epidemiol 2007, 165(2):164-174.
- 112 -
Literaturverzeichnis
109. Frystyk J, Berne C, Berglund L, Jensevik K, Flyvbjerg A, Zethelius B: Serum
adiponectin is a predictor of coronary heart disease: a population-based 10-year
follow-up study in elderly men. J Clin Endocrinol Metab 2007, 92(2):571-576.
110. Kanaya AM, Wassel Fyr C, Vittinghoff E, Havel PJ, Cesari M, Nicklas B, Harris T,
Newman AB, Satterfield S, Cummings SR: Serum adiponectin and coronary heart
disease risk in older Black and White Americans. J Clin Endocrinol Metab 2006,
91(12):5044-5050.
111. Koenig W, Khuseyinova N, Baumert J, Meisinger C, Lowel H: Serum
concentrations of adiponectin and risk of type 2 diabetes mellitus and coronary
heart disease in apparently healthy middle-aged men: results from the 18-year
follow-up of a large cohort from southern Germany. J Am Coll Cardiol 2006,
48(7):1369-1377.
112. Sattar N, Watt P, Cherry L, Ebrahim S, Davey Smith G, Lawlor DA: High
molecular weight adiponectin is not associated with incident coronary heart disease
in older women: a nested prospective case-control study. J Clin Endocrinol Metab
2008, 93(5):1846-1849.
113. Steppan CM, Bailey ST, Bhat S, Brown EJ, Banerjee RR, Wright CM, Patel HR,
Ahima RS, Lazar MA: The hormone resistin links obesity to diabetes. Nature 2001,
409(6818):307-312.
114. Patel L, Buckels AC, Kinghorn IJ, Murdock PR, Holbrook JD, Plumpton C,
Macphee CH, Smith SA: Resistin is expressed in human macrophages and directly
regulated by PPAR gamma activators. Biochem Biophys Res Commun 2003,
300(2):472-476.
115. McTernan PG, McTernan CL, Chetty R, Jenner K, Fisher FM, Lauer MN, Crocker
J, Barnett AH, Kumar S: Increased resistin gene and protein expression in human
abdominal adipose tissue. J Clin Endocrinol Metab 2002, 87(5):2407.
116. Verma S, Li SH, Wang CH, Fedak PW, Li RK, Weisel RD, Mickle DA: Resistin
promotes endothelial cell activation: further evidence of adipokine-endothelial
interaction. Circulation 2003, 108(6):736-740.
117. Calabro P, Samudio I, Willerson JT, Yeh ET: Resistin promotes smooth muscle
cell proliferation through activation of extracellular signal-regulated kinase 1/2 and
phosphatidylinositol 3-kinase pathways. Circulation 2004, 110(21):3335-3340.
118. Xu W, Yu L, Zhou W, Luo M: Resistin increases lipid accumulation and CD36
expression in human macrophages. Biochem Biophys Res Commun 2006,
351(2):376-382.
119. Sheng CH, Di J, Jin Y, Zhang YC, Wu M, Sun Y, Zhang GZ: Resistin is expressed
in human hepatocytes and induces insulin resistance. Endocrine 2008, 33(2):135-
143.
120. Weikert C, Westphal S, Berger K, Dierkes J, Mohlig M, Spranger J, Rimm EB,
Willich SN, Boeing H, Pischon T: Plasma resistin levels and risk of myocardial
infarction and ischemic stroke. J Clin Endocrinol Metab 2008.
121. Lubos E, Messow CM, Schnabel R, Rupprecht HJ, Espinola-Klein C, Bickel C,
Peetz D, Post F, Lackner KJ, Tiret L et al: Resistin, acute coronary syndrome and
prognosis results from the AtheroGene study. Atherosclerosis 2007, 193(1):121-
128.
- 113 -
Literaturverzeichnis
122. Chomarat P, Banchereau J, Davoust J, Palucka AK: IL-6 switches the
differentiation of monocytes from dendritic cells to macrophages. Nat Immunol
2000, 1(6):510-514.
123. Ikeda U, Ikeda M, Oohara T, Oguchi A, Kamitani T, Tsuruya Y, Kano S:
Interleukin 6 stimulates growth of vascular smooth muscle cells in a PDGF-
dependent manner. Am J Physiol 1991, 260(5 Pt 2):H1713-1717.
124. Baumann H, Gauldie J: Regulation of hepatic acute phase plasma protein genes by
hepatocyte stimulating factors and other mediators of inflammation. Mol Biol Med
1990, 7(2):147-159.
125. Yudkin JS, Stehouwer CD, Emeis JJ, Coppack SW: C-reactive protein in healthy
subjects: associations with obesity, insulin resistance, and endothelial dysfunction:
a potential role for cytokines originating from adipose tissue? Arterioscler Thromb
Vasc Biol 1999, 19(4):972-978.
126. Cesari M, Penninx BW, Newman AB, Kritchevsky SB, Nicklas BJ, Sutton-Tyrrell
K, Rubin SM, Ding J, Simonsick EM, Harris TB et al: Inflammatory markers and
onset of cardiovascular events: results from the Health ABC study. Circulation
2003, 108(19):2317-2322.
127. Folsom AR, Chambless LE, Ballantyne CM, Coresh J, Heiss G, Wu KK,
Boerwinkle E, Mosley TH, Jr., Sorlie P, Diao G et al: An assessment of
incremental coronary risk prediction using C-reactive protein and other novel risk
markers: the atherosclerosis risk in communities study. Arch Intern Med 2006,
166(13):1368-1373.
128. Luc G, Bard JM, Juhan-Vague I, Ferrieres J, Evans A, Amouyel P, Arveiler D,
Fruchart JC, Ducimetiere P: C-reactive protein, interleukin-6, and fibrinogen as
predictors of coronary heart disease: the PRIME Study. Arterioscler Thromb Vasc
Biol 2003, 23(7):1255-1261.
129. Pradhan AD, Manson JE, Rossouw JE, Siscovick DS, Mouton CP, Rifai N,
Wallace RB, Jackson RD, Pettinger MB, Ridker PM: Inflammatory biomarkers,
hormone replacement therapy, and incident coronary heart disease: prospective
analysis from the Women's Health Initiative observational study. Jama 2002,
288(8):980-987.
130. Ridker PM, Rifai N, Stampfer MJ, Hennekens CH: Plasma concentration of
interleukin-6 and the risk of future myocardial infarction among apparently healthy
men. Circulation 2000, 101(15):1767-1772.
131. Pai JK, Pischon T, Ma J, Manson JE, Hankinson SE, Joshipura K, Curhan GC,
Rifai N, Cannuscio CC, Stampfer MJ et al: Inflammatory markers and the risk of
coronary heart disease in men and women. N Engl J Med 2004, 351(25):2599-
2610.
132. Koenig W, Khuseyinova N, Baumert J, Thorand B, Loewel H, Chambless L,
Meisinger C, Schneider A, Martin S, Kolb H et al: Increased concentrations of C-
reactive protein and IL-6 but not IL-18 are independently associated with incident
coronary events in middle-aged men and women: results from the
MONICA/KORA Augsburg case-cohort study, 1984-2002. Arterioscler Thromb
Vasc Biol 2006, 26(12):2745-2751.
- 114 -
Literaturverzeichnis
133. Pepys MB, Hawkins PN, Kahan MC, Tennent GA, Gallimore JR, Graham D, Sabin
CA, Zychlinsky A, de Diego J: Proinflammatory effects of bacterial recombinant
human C-reactive protein are caused by contamination with bacterial products, not
by C-reactive protein itself. Circ Res 2005, 97(11):e97-103.
134. Dasu MR, Devaraj S, Du Clos TW, Jialal I: The biological effects of CRP are not
attributable to endotoxin contamination: evidence from TLR4 knockdown human
aortic endothelial cells. J Lipid Res 2007, 48(3):509-512.
135. Singh U, Dasu MR, Yancey PG, Afify A, Devaraj S, Jialal I: Human C-reactive
protein promotes oxidized low density lipoprotein uptake and matrix
metalloproteinase-9 release in Wistar rats. J Lipid Res 2008, 49(5):1015-1023.
136. Meuwissen M, van der Wal AC, Niessen HW, Koch KT, de Winter RJ, van der
Loos CM, Rittersma SZ, Chamuleau SA, Tijssen JG, Becker AE et al:
Colocalisation of intraplaque C reactive protein, complement, oxidised low density
lipoprotein, and macrophages in stable and unstable angina and acute myocardial
infarction. J Clin Pathol 2006, 59(2):196-201.
137. Ishikawa T, Hatakeyama K, Imamura T, Date H, Shibata Y, Hikichi Y, Asada Y,
Eto T: Involvement of C-reactive protein obtained by directional coronary
atherectomy in plaque instability and developing restenosis in patients with stable
or unstable angina pectoris. Am J Cardiol 2003, 91(3):287-292.
138. Griselli M, Herbert J, Hutchinson WL, Taylor KM, Sohail M, Krausz T, Pepys
MB: C-reactive protein and complement are important mediators of tissue damage
in acute myocardial infarction. J Exp Med 1999, 190(12):1733-1740.
139. Danesh J, Wheeler JG, Hirschfield GM, Eda S, Eiriksdottir G, Rumley A, Lowe
GD, Pepys MB, Gudnason V: C-reactive protein and other circulating markers of
inflammation in the prediction of coronary heart disease. N Engl J Med 2004,
350(14):1387-1397.
140. Boekholdt SM, Sandhu MS, Day NE, Luben R, Bingham SA, Peters RJ, Wareham
NJ, Khaw KT: Physical activity, C-reactive protein levels and the risk of future
coronary artery disease in apparently healthy men and women: the EPIC-Norfolk
prospective population study. Eur J Cardiovasc Prev Rehabil 2006, 13(6):970-976.
141. Wilson PW, Nam BH, Pencina M, D'Agostino RB, Sr., Benjamin EJ, O'Donnell
CJ: C-reactive protein and risk of cardiovascular disease in men and women from
the Framingham Heart Study. Arch Intern Med 2005, 165(21):2473-2478.
142. van der Meer IM, de Maat MP, Kiliaan AJ, van der Kuip DA, Hofman A,
Witteman JC: The value of C-reactive protein in cardiovascular risk prediction: the
Rotterdam Study. Arch Intern Med 2003, 163(11):1323-1328.
143. Prentice RL: Surrogate endpoints in clinical trials: definition and operational
criteria. Stat Med 1989, 8(4):431-440.
144. Schatzkin A, Freedman LS, Schiffman MH, Dawsey SM: Validation of
intermediate end points in cancer research. J Natl Cancer Inst 1990, 82(22):1746-
1752.
145. Freedman LS, Graubard BI, Schatzkin A: Statistical validation of intermediate
endpoints for chronic diseases. Stat Med 1992, 11(2):167-178.
- 115 -
Literaturverzeichnis
146. Baron RM, Kenny DA: The moderator-mediator variable distinction in social
psychological research: conceptual, strategic, and statistical considerations. J Pers
Soc Psychol 1986, 51(6):1173-1182.
147. Hoffmann K, Pischon T, Schulz M, Schulze MB, Ray J, Boeing H: A statistical test
for the equality of differently adjusted incidence rate ratios. Am J Epidemiol 2008,
167(5):517-522.
148. Lin DY, Fleming TR, De Gruttola V: Estimating the proportion of treatment effect
explained by a surrogate marker. Stat Med 1997, 16(13):1515-1527.
149. Chen C, Wang H, Snapinn SM: Proportion of treatment effect (PTE) explained by a
surrogate marker. Stat Med 2003, 22(22):3449-3459.
150. Qu Y, Case M: Quantifying the indirect treatment effect via surrogate markers. Stat
Med 2006, 25(2):223-231.
151. Hartung J, Elpelt B, Klösener K: Statistik: Lehr- und Handbuch der angewandten
Statistik. München: R. Oldenbourg Verlag GmbH; 1982.
152. Cox DR: Regression models in life tables. J Roy Stat Soc B 1972, 34:187-220.
153. Lin DY, Wei LJ: The robust inference for the Cox proportional hazards model. J
Am Stat Assoc 1989, 84:1074-1078.
154. Fieller EC: A fundamental formula in the statistics of biological assays and some
applications. Q J Pharm Pharmacol 1944, 17:117-123.
155. Boeing H, Wahrendorf J, Becker N: EPIC-Germany--A source for studies into diet
and risk of chronic diseases. European Investigation into Cancer and Nutrition. Ann
Nutr Metab 1999, 43(4):195-204.
156. Boeing H, Korfmann A, Bergmann MM: Recruitment procedures of EPIC-
Germany. European Investigation into Cancer and Nutrition. Ann Nutr Metab 1999,
43(4):205-215.
157. Kroke A, Bergmann MM, Lotze G, Jeckel A, Klipstein-Grobusch K, Boeing H:
Measures of quality control in the German component of the EPIC study. European
Prospective Investigation into Cancer and Nutrition. Ann Nutr Metab 1999,
43(4):216-224.
158. Klipstein-Grobusch K, Georg T, Boeing H: Interviewer variability in
anthropometric measurements and estimates of body composition. Int J Epidemiol
1997, 26 Suppl 1:S174-180.
159. Riboli E, Hunt KJ, Slimani N, Ferrari P, Norat T, Fahey M, Charrondiere UR,
Hemon B, Casagrande C, Vignat J et al: European Prospective Investigation into
Cancer and Nutrition (EPIC): study populations and data collection. Public Health
Nutr 2002, 5(6B):1113-1124.
160. Bundesinstitut für gesundheitlichen Verbraucherschutz und Veterinärmedizin
(BgVV): Der Bundeslebensmittelschlüssel (BLS II.3): Konzeption, Aufbau und
Dokumentation der Datenbank blsdat. BgVV-Hefte 08/99. Berlin; 1999.
161. Dehne LI, Klemm C, Henseler G, Hermann-Kunz E: The German Food Code and
Nutrient Data Base (BLS II.2). Eur J Epidemiol 1999, 15(4):355-359.
- 116 -
Literaturverzeichnis
162. Kroke A, Fleischhauer W, Mieke S, Klipstein-Grobusch K, Willich SN, Boeing H:
Blood pressure measurement in epidemiological studies: a comparative analysis of
two methods. Data from the EPIC-Potsdam Study. European Prospective
Investigation into Cancer and Nutrition. J Hypertens 1998, 16(6):739-746.
163. Bergmann MM, Bussas U, Boeing H: Follow-up procedures in EPIC-Germany--
data quality aspects. European Prospective Investigation into Cancer and Nutrition.
Ann Nutr Metab 1999, 43(4):225-234.
164. MONICA manual, part IV: event registration. Section 1: coronary event
registration data component.
[http://www.ktl.fi/publications/monica/manual/part4/iv-1.htm]
165. Coudene P, Marson B, Badiou S, Flavier S, Anelli S, Cristol JP, Dupuy AM:
Evaluation of the ABX Pentra 400: a newly available clinical chemistry analyser.
Clin Chem Lab Med 2005, 43(7):782-792.
166. Shaw LM, Stromme JH, London JL, Theodorsen L: International Federation of
Clinical Chemistry, (IFCC), Scientific Committee, Analytical Section. IFCC
methods for the measurement of catalytic concentration of enzymes. Part 4. IFCC
method for gamma-glutamyltransferase [(gamma-glutamyl)-peptide: amino acid
gamma-glutamyltransferase, EC 2.3.2.2]. J Clin Chem Clin Biochem 1983,
21(10):633-646.
167. Schulze MB, Kroke A, Bergmann MM, Boeing H: Differences of blood pressure
estimates between consecutive measurements on one occasion: implications for
inter-study comparability of epidemiologic studies. Eur J Epidemiol 2000,
16(10):891-898.
168. Prentice RL: A case-cohort design for epidemiologic cohort studies and disease
prevention trials. BioMetrika 1986, 73(1):1-11.
169. Andersen PK, Gill RD: Cox's regression model for counting processes: a large
sample study. Ann Statist 1982, 10:1100-1120.
170. Buyse M, Molenberghs G: Criteria for the validation of surrogate endpoints in
randomized experiments. Biometrics 1998, 54(3):1014-1029.
171. MacKinnon DP, Krull JL, Lockwood CM: Equivalence of the mediation,
confounding and suppression effect. Prev Sci 2000, 1(4):173-181.
172. Petersen ML, Sinisi SE, van der Laan MJ: Estimation of direct causal effects.
Epidemiology 2006, 17(3):276-284.
173. Freedman LS: Confidence intervals and statistical power of the "validation" ratio
for surrogate or intermediate endpoints. J Stat Plan Infer 2001, 96:143-153.
174. MacKinnon DP, Lockwood CM, Brown CH, Wang W, Hoffman JM: The
intermediate endpoint effect in logistic and probit regression. Clin Trials 2007,
4(5):499-513.
175. Tzelgov J, Henik A: Suppression situations in psychological research: definitions,
implications and applications. Psychological Bulletin 1991, 109:524-536.
176. Wright S: The method of path coefficients. Annals of Mathematical Statistics 1934,
5:161-215.
177. Prentice RL: A case-cohort design for epidemiologic cohort studies and disease
prevention trials. Biometrika 1986, 73:1-11.
- 117 -
Literaturverzeichnis
178. Hoffmann K, Heidemann C: Vergleich von Kohortenstudien im Fall-Kontroll- und
Fall-Kohorten-Design. Blaue Reihe des Berliner Zentrums Public Health (BZPH)
2005, 3:1-14.
179. Hill AB: The Environment and Disease: Association or Causation? Proc R Soc Med
1965, 58:295-300.
180. Criqui MH: Response bias and risk ratios in epidemiologic studies. Am J Epidemiol
1979, 109(4):394-399.
181. Latza U, Stang A, Bergmann M, Kroke A, Sauer S, Holle R, Kamtsiuris P,
Terschuren C, Hoffmann W: Zum Problem der Response in epidemiologischen
Studien in Deutschland (Teil I). Gesundheitswesen 2004, 66(5):326-336.
182. Jurek AM, Greenland S, Maldonado G, Church TR: Proper interpretation of non-
differential misclassification effects: expectations vs observations. Int J Epidemiol
2005, 34(3):680-687.
183. Jurek AM, Greenland S, Maldonado G: How far from non-differential does
exposure or disease misclassification have to be to bias measures of association
away from the null? Int J Epidemiol 2008, 37(2):382-385.
184. Wacholder S, Dosemeci M, Lubin JH: Blind assignment of exposure does not
always prevent differential misclassification. Am J Epidemiol 1991, 134(4):433-
437.
185. Flegal KM, Keyl PM, Nieto FJ: Differential misclassification arising from
nondifferential errors in exposure measurement. Am J Epidemiol 1991,
134(10):1233-1244.
186. Lemieux S, Prud'homme D, Bouchard C, Tremblay A, Despres JP: Sex differences
in the relation of visceral adipose tissue accumulation to total body fatness. Am J
Clin Nutr 1993, 58(4):463-467.
187. Holland NT, Smith MT, Eskenazi B, Bastaki M: Biological sample collection and
processing for molecular epidemiological studies. Mutat Res 2003, 543(3):217-234.
188. Greenland S: Basic methods for sensitivity analysis and external adjustment. In:
Modern Epidemiology. Edited by Rothman K, Greenland S, 2 edn. Philadelphia:
Lippincott-Raven; 1998: 343-358.
189. Copeland KT, Checkoway H, McMichael AJ, Holbrook RH: Bias due to
misclassification in the estimation of relative risk. Am J Epidemiol 1977,
105(5):488-495.
190. White E: The effect of misclassification of disease status in follow-up studies:
implications for selecting disease classification criteria. Am J Epidemiol 1986,
124(5):816-825.
191. Pekkanen J, Sunyer J, Chinn S: Nondifferential disease misclassification may bias
incidence risk ratios away from the null. J Clin Epidemiol 2006, 59(3):281-289.
192. Meisinger C, Schuler A, Lowel H: Postal questionnaires identified hospitalizations
for self-reported acute myocardial infarction. J Clin Epidemiol 2004, 57(9):989-
992.
- 118 -
Literaturverzeichnis
193. Ouchi N, Kihara S, Funahashi T, Nakamura T, Nishida M, Kumada M, Okamoto
Y, Ohashi K, Nagaretani H, Kishida K et al: Reciprocal association of C-reactive
protein with adiponectin in blood stream and adipose tissue. Circulation 2003,
107(5):671-674.
194. Anty R, Bekri S, Luciani N, Saint-Paul MC, Dahman M, Iannelli A, Amor IB,
Staccini-Myx A, Huet PM, Gugenheim J et al: The inflammatory C-reactive
protein is increased in both liver and adipose tissue in severely obese patients
independently from metabolic syndrome, Type 2 diabetes, and NASH. Am J
Gastroenterol 2006, 101(8):1824-1833.
195. Motoshima H, Wu X, Sinha MK, Hardy VE, Rosato EL, Barbot DJ, Rosato FE,
Goldstein BJ: Differential regulation of adiponectin secretion from cultured human
omental and subcutaneous adipocytes: effects of insulin and rosiglitazone. J Clin
Endocrinol Metab 2002, 87(12):5662-5667.
196. Maeda N, Takahashi M, Funahashi T, Kihara S, Nishizawa H, Kishida K,
Nagaretani H, Matsuda M, Komuro R, Ouchi N et al: PPARgamma ligands
increase expression and plasma concentrations of adiponectin, an adipose-derived
protein. Diabetes 2001, 50(9):2094-2099.
197. Executive Summary of The Third Report of The National Cholesterol Education
Program (NCEP) Expert Panel on Detection, Evaluation, And Treatment of High
Blood Cholesterol In Adults (Adult Treatment Panel III). Jama 2001,
285(19):2486-2497.
198. Pischon T, Girman CJ, Sacks FM, Rifai N, Stampfer MJ, Rimm EB: Non-high-
density lipoprotein cholesterol and apolipoprotein B in the prediction of coronary
heart disease in men. Circulation 2005, 112(22):3375-3383.
199. Everett BM, Kurth T, Buring JE, Ridker PM: The relative strength of C-reactive
protein and lipid levels as determinants of ischemic stroke compared with coronary
heart disease in women. J Am Coll Cardiol 2006, 48(11):2235-2242.
200. Steinberg D, Parthasarathy S, Carew TE, Khoo JC, Witztum JL: Beyond
cholesterol. Modifications of low-density lipoprotein that increase its
atherogenicity. N Engl J Med 1989, 320(14):915-924.
201. Heinecke JW, Rosen H, Chait A: Iron and copper promote modification of low
density lipoprotein by human arterial smooth muscle cells in culture. J Clin Invest
1984, 74(5):1890-1894.
202. Morel DW, DiCorleto PE, Chisolm GM: Endothelial and smooth muscle cells alter
low density lipoprotein in vitro by free radical oxidation. Arteriosclerosis 1984,
4(4):357-364.
203. Steinbrecher UP, Parthasarathy S, Leake DS, Witztum JL, Steinberg D:
Modification of low density lipoprotein by endothelial cells involves lipid
peroxidation and degradation of low density lipoprotein phospholipids. Proc Natl
Acad Sci U S A 1984, 81(12):3883-3887.
204. Galle J, Hansen-Hagge T, Wanner C, Seibold S: Impact of oxidized low density
lipoprotein on vascular cells. Atherosclerosis 2006, 185(2):219-226.
205. Ishigaki Y, Katagiri H, Gao J, Yamada T, Imai J, Uno K, Hasegawa Y, Kaneko K,
Ogihara T, Ishihara H et al: Impact of Plasma Oxidized Low-Density Lipoprotein
Removal on Atherosclerosis. Circulation 2008, 118(1):75-83.
- 119 -
Literaturverzeichnis
206. Cominacini L, Rigoni A, Pasini AF, Garbin U, Davoli A, Campagnola M, Pastorino
AM, Lo Cascio V, Sawamura T: The binding of oxidized low density lipoprotein
(ox-LDL) to ox-LDL receptor-1 reduces the intracellular concentration of nitric
oxide in endothelial cells through an increased production of superoxide. J Biol
Chem 2001, 276(17):13750-13755.
207. Sharrett AR, Ballantyne CM, Coady SA, Heiss G, Sorlie PD, Catellier D, Patsch
W: Coronary heart disease prediction from lipoprotein cholesterol levels,
triglycerides, lipoprotein(a), apolipoproteins A-I and B, and HDL density
subfractions: The Atherosclerosis Risk in Communities (ARIC) Study. Circulation
2001, 104(10):1108-1113.
208. Bansal S, Buring JE, Rifai N, Mora S, Sacks FM, Ridker PM: Fasting compared
with nonfasting triglycerides and risk of cardiovascular events in women. Jama
2007, 298(3):309-316.
209. Mamo JC, Proctor SD, Smith D: Retention of chylomicron remnants by arterial
tissue; importance of an efficient clearance mechanism from plasma.
Atherosclerosis 1998, 141 Suppl 1:S63-69.
210. Grundy SM, Mok HY: Chylomicron clearance in normal and hyperlipidemic man.
Metabolism 1976, 25(11):1225-1239.
211. Gerich JE: Clinical significance, pathogenesis, and management of postprandial
hyperglycemia. Arch Intern Med 2003, 163(11):1306-1316.
212. Hanefeld M, Chiasson JL, Koehler C, Henkel E, Schaper F, Temelkova-
Kurktschiev T: Acarbose slows progression of intima-media thickness of the
carotid arteries in subjects with impaired glucose tolerance. Stroke 2004,
35(5):1073-1078.
213. Chiasson JL, Josse RG, Gomis R, Hanefeld M, Karasik A, Laakso M: Acarbose
treatment and the risk of cardiovascular disease and hypertension in patients with
impaired glucose tolerance: the STOP-NIDDM trial. Jama 2003, 290(4):486-494.
214. Whitfield JB: Gamma glutamyl transferase. Crit Rev Clin Lab Sci 2001, 38(4):263-
355.
215. George J, Carr E, Davies J, Belch JJ, Struthers A: High-dose allopurinol improves
endothelial function by profoundly reducing vascular oxidative stress and not by
lowering uric acid. Circulation 2006, 114(23):2508-2516.
216. Perlstein TS, Gumieniak O, Williams GH, Sparrow D, Vokonas PS, Gaziano M,
Weiss ST, Litonjua AA: Uric acid and the development of hypertension: the
normative aging study. Hypertension 2006, 48(6):1031-1036.
217. Mellen PB, Bleyer AJ, Erlinger TP, Evans GW, Nieto FJ, Wagenknecht LE,
Wofford MR, Herrington DM: Serum uric acid predicts incident hypertension in a
biethnic cohort: the atherosclerosis risk in communities study. Hypertension 2006,
48(6):1037-1042.
218. Libby P: Inflammation and cardiovascular disease mechanisms. Am J Clin Nutr
2006, 83(2):456S-460S.
- 120 -
Literaturverzeichnis
219. Pischon T, Mohlig M, Hoffmann K, Spranger J, Weikert C, Willich SN, Pfeiffer
AF, Boeing H: Comparison of relative and attributable risk of myocardial infarction
and stroke according to C-reactive protein and low-density lipoprotein cholesterol
levels. Eur J Epidemiol 2007, 22(7):429-438.
220. Calabro P, Willerson JT, Yeh ET: Inflammatory cytokines stimulated C-reactive
protein production by human coronary artery smooth muscle cells. Circulation
2003, 108(16):1930-1932.
221. Yasojima K, Schwab C, McGeer EG, McGeer PL: Generation of C-reactive protein
and complement components in atherosclerotic plaques. Am J Pathol 2001,
158(3):1039-1051.
222. Lange LA, Carlson CS, Hindorff LA, Lange EM, Walston J, Durda JP, Cushman
M, Bis JC, Zeng D, Lin D et al: Association of polymorphisms in the CRP gene
with circulating C-reactive protein levels and cardiovascular events. Jama 2006,
296(22):2703-2711.
223. Pepys MB, Hirschfield GM, Tennent GA, Gallimore JR, Kahan MC, Bellotti V,
Hawkins PN, Myers RM, Smith MD, Polara A et al: Targeting C-reactive protein
for the treatment of cardiovascular disease. Nature 2006, 440(7088):1217-1221.
224. Ridker PM, Cannon CP, Morrow D, Rifai N, Rose LM, McCabe CH, Pfeffer MA,
Braunwald E: C-reactive protein levels and outcomes after statin therapy. N Engl J
Med 2005, 352(1):20-28.
225. Morrow DA, de Lemos JA, Sabatine MS, Wiviott SD, Blazing MA, Shui A, Rifai
N, Califf RM, Braunwald E: Clinical relevance of C-reactive protein during follow-
up of patients with acute coronary syndromes in the Aggrastat-to-Zocor Trial.
Circulation 2006, 114(4):281-288.
226. Reilly MP, Lehrke M, Wolfe ML, Rohatgi A, Lazar MA, Rader DJ: Resistin is an
inflammatory marker of atherosclerosis in humans. Circulation 2005, 111(7):932-
939.
227. Pischon T, Girman CJ, Hotamisligil GS, Rifai N, Hu FB, Rimm EB: Plasma
adiponectin levels and risk of myocardial infarction in men. Jama 2004,
291(14):1730-1737.
228. Lawlor DA, Davey Smith G, Ebrahim S, Thompson C, Sattar N: Plasma
adiponectin levels are associated with insulin resistance, but do not predict future
risk of coronary heart disease in women. J Clin Endocrinol Metab 2005,
90(10):5677-5683.
229. Lindsay RS, Resnick HE, Zhu J, Tun ML, Howard BV, Zhang Y, Yeh J, Best LG:
Adiponectin and coronary heart disease: the Strong Heart Study. Arterioscler
Thromb Vasc Biol 2005, 25(3):e15-16.
230. Zimmet P, Magliano D, Matsuzawa Y, Alberti G, Shaw J: The metabolic
syndrome: a global public health problem and a new definition. J Atheroscler
Thromb 2005, 12(6):295-300.
231. Sui X, Church TS, Meriwether RA, Lobelo F, Blair SN: Uric acid and the
development of metabolic syndrome in women and men. Metabolism 2008,
57(6):845-852.
- 121 -
Literaturverzeichnis
232. Jiamsripong P, Mookadam M, Honda T, Khandheria BK, Mookadam F: The
metabolic syndrome and cardiovascular disease: Part I. Prev Cardiol 2008,
11(3):155-161.
233. Bedogni G, Miglioli L, Masutti F, Tiribelli C, Marchesini G, Bellentani S:
Prevalence of and risk factors for nonalcoholic fatty liver disease: the Dionysos
nutrition and liver study. Hepatology 2005, 42(1):44-52.
234. Abrams GA, Kunde SS, Lazenby AJ, Clements RH: Portal fibrosis and hepatic
steatosis in morbidly obese subjects: A spectrum of nonalcoholic fatty liver disease.
Hepatology 2004, 40(2):475-483.
235. Qureshi K, Abrams GA: Metabolic liver disease of obesity and role of adipose
tissue in the pathogenesis of nonalcoholic fatty liver disease. World J Gastroenterol
2007, 13(26):3540-3553.
236. Schreuder TC, Verwer BJ, van Nieuwkerk CM, Mulder CJ: Nonalcoholic fatty
liver disease: An overview of current insights in pathogenesis, diagnosis and
treatment. World J Gastroenterol 2008, 14(16):2474-2486.
237. Donnelly KL, Smith CI, Schwarzenberg SJ, Jessurun J, Boldt MD, Parks EJ:
Sources of fatty acids stored in liver and secreted via lipoproteins in patients with
nonalcoholic fatty liver disease. J Clin Invest 2005, 115(5):1343-1351.
238. Keaney JF, Jr., Larson MG, Vasan RS, Wilson PW, Lipinska I, Corey D, Massaro
JM, Sutherland P, Vita JA, Benjamin EJ: Obesity and systemic oxidative stress:
clinical correlates of oxidative stress in the Framingham Study. Arterioscler
Thromb Vasc Biol 2003, 23(3):434-439.
239. Rudich A, Tirosh A, Potashnik R, Hemi R, Kanety H, Bashan N: Prolonged
oxidative stress impairs insulin-induced GLUT4 translocation in 3T3-L1
adipocytes. Diabetes 1998, 47(10):1562-1569.
240. Krieger-Brauer HI, Medda PK, Kather H: Insulin-induced activation of NADPH-
dependent H2O2 generation in human adipocyte plasma membranes is mediated by
Galphai2. J Biol Chem 1997, 272(15):10135-10143.
241. Hansen LL, Ikeda Y, Olsen GS, Busch AK, Mosthaf L: Insulin signaling is
inhibited by micromolar concentrations of H(2)O(2). Evidence for a role of
H(2)O(2) in tumor necrosis factor alpha-mediated insulin resistance. J Biol Chem
1999, 274(35):25078-25084.
242. Ceriello A, Motz E: Is oxidative stress the pathogenic mechanism underlying
insulin resistance, diabetes, and cardiovascular disease? The common soil
hypothesis revisited. Arterioscler Thromb Vasc Biol 2004, 24(5):816-823.
243. Ritchie SA, Connell JM: The link between abdominal obesity, metabolic syndrome
and cardiovascular disease. Nutr Metab Cardiovasc Dis 2007, 17(4):319-326.
244. Matsuzawa Y: Therapy Insight: adipocytokines in metabolic syndrome and related
cardiovascular disease. Nat Clin Pract Cardiovasc Med 2006, 3(1):35-42.
245. Sharma AM: Adipose tissue: a mediator of cardiovascular risk. Int J Obes Relat
Metab Disord 2002, 26 Suppl 4:S5-7.
246. Calabro P, Yeh ET: Intra-abdominal adiposity, inflammation, and cardiovascular
risk: new insight into global cardiometabolic risk. Curr Hypertens Rep 2008,
10(1):32-38.
- 122 -
Literaturverzeichnis
247. Soderberg S, Ahren B, Jansson JH, Johnson O, Hallmans G, Asplund K, Olsson T:
Leptin is associated with increased risk of myocardial infarction. J Intern Med
1999, 246(4):409-418.
248. Soderberg S, Stegmayr B, Stenlund H, Sjostrom LG, Agren A, Johansson L,
Weinehall L, Olsson T: Leptin, but not adiponectin, predicts stroke in males. J
Intern Med 2004, 256(2):128-136.
249. Blankenberg S, Luc G, Ducimetiere P, Arveiler D, Ferrieres J, Amouyel P, Evans
A, Cambien F, Tiret L: Interleukin-18 and the risk of coronary heart disease in
European men: the Prospective Epidemiological Study of Myocardial Infarction
(PRIME). Circulation 2003, 108(20):2453-2459.
250. Nordenhem A, Leander K, Hallqvist J, de Faire U, Sten-Linder M, Wiman B: The
complex between tPA and PAI-1: risk factor for myocardial infarction as studied in
the SHEEP project. Thromb Res 2005, 116(3):223-232.
251. Zhong M, Tan HW, Gong HP, Wang SF, Zhang Y, Zhang W: Increased serum
visfatin in patients with metabolic syndrome and carotid atherosclerosis. Clin
Endocrinol (Oxf) 2008.
252. Garrison RJ, Kannel WB, Stokes J, 3rd, Castelli WP: Incidence and precursors of
hypertension in young adults: the Framingham Offspring Study. Prev Med 1987,
16(2):235-251.
253. Bjorntorp P: "Portal" adipose tissue as a generator of risk factors for cardiovascular
disease and diabetes. Arteriosclerosis 1990, 10(4):493-496.
254. Pouliot MC, Despres JP, Lemieux S, Moorjani S, Bouchard C, Tremblay A,
Nadeau A, Lupien PJ: Waist circumference and abdominal sagittal diameter: best
simple anthropometric indexes of abdominal visceral adipose tissue accumulation
and related cardiovascular risk in men and women. Am J Cardiol 1994, 73(7):460-
468.
255. Marin P, Andersson B, Ottosson M, Olbe L, Chowdhury B, Kvist H, Holm G,
Sjostrom L, Bjorntorp P: The morphology and metabolism of intraabdominal
adipose tissue in men. Metabolism 1992, 41(11):1242-1248.
256. Miles JM, Jensen MD: Counterpoint: visceral adiposity is not causally related to
insulin resistance. Diabetes Care 2005, 28(9):2326-2328.
257. Goodpaster BH, Thaete FL, Simoneau JA, Kelley DE: Subcutaneous abdominal fat
and thigh muscle composition predict insulin sensitivity independently of visceral
fat. Diabetes 1997, 46(10):1579-1585.
- 123 -
Danksagung
Danksagung
Die vorliegende Arbeit entstand am Deutschen Institut für Ernährungsforschung Potsdam-
Rehbrücke in der Abteilung Epidemiologie. An dieser Stelle möchte ich mich ganz
herzlich bei allen Personen bedanken, die mich bei der Durchführung dieser Arbeit
unterstützt haben. Insbesondere danke ich
• Herrn Prof. Dr. H. Boeing, dass er mir die Bearbeitung einer interessanten
methodischen Fragestellung ermöglichte, mir bei deren Ausgestaltung ein hohes Maß
an Freiheit zugestand und mit konstruktiven Diskussionen maßgeblich zum Gelingen
der Arbeit beitrug;
• Herrn Prof. Dr. R. Busse, dass er die Betreuung dieser Arbeit seitens der TU-Berlin
übernahm;
• Frau Dr. C. Weikert für die freundschaftliche Begleitung durch alle Phasen der
Promotion sowie die kritische und intensive Auseinandersetzung mit dieser Arbeit;
• Frau E. Kohlsdorf und Herrn W. Bernigau für die Aufbereitung der Daten und ihre
Geduld und Hilfsbereitschaft bei allen Problemen mit PC, Datensatz oder SAS;
• Herrn Wolfgang Fleischhauer für die Verifizierung der Myokardinfarkt-Fälle sowie
allen anderen Mitarbeitern des Follow-ups, die maßgeblich zur hohen
Nachbeobachtungsrate in der EPIC-Potsdam Studie beitragen und einen reibungslosen
Ablauf der Nachbeobachtung ermöglichen;
• allen Probanden der EPIC-Potsdam Kohorte, ohne deren langjährige
Teilnahmebereitschaft diese Arbeit nicht möglich gewesen wäre;
• meinen Eltern, dass sie mir diesen Entwicklungsweg ermöglicht und mich jederzeit
nach allen Kräften unterstützt haben;
• meinem Mann René für die vielen wertvollen Kommentare zu dieser Arbeit und seine
liebevolle Unterstützung in den schwierigen oder frustrierenden Phasen der
Promotionszeit.
Ich bin außerdem dankbar für die Unterstützung, die ich von Herrn Dr. habil K. Hoffmann
erhalten habe, der im August 2007 verstarb. Ohne seine „statistische Starthilfe“ hätte ich
die Fragestellung dieser Arbeit nicht bearbeiten können.
- 124 -
Eidesstattliche Erklärung
Eidesstattliche Erklärung
Hiermit erkläre ich an Eides statt, dass ich die vorliegende Arbeit selbständig verfasst und
ausschließlich die angegebenen Quellen genutzt habe. Weiterhin versichere ich, die Arbeit
an keiner anderen Hochschule oder Fachhochschule eingereicht zu haben.
Dagmar Drogan Nuthetal, den 30.09.2008
- 125 -
