Indeks massa tubuh mungkin merupakan pengukuran yang lebih akurat daripada yang biasa diperkirakan. Penelitian baru menunjukkan bahwa sebagian besar orang dengan BMI yang menandakan obesitas memiliki lemak tubuh berlebih yang besar.

Para ilmuwan di Universitas Johns Hopkins melakukan penelitian ini, yang diterbitkan bulan ini di JAMA. Dalam sampel Amerika yang representatif secara nasional, mereka menemukan bahwa orang dewasa dengan BMI obesitas hampir selalu memenuhi kriteria untuk obesitas dalam hal keadaan pinggang atau persentase lemak tubuh juga. Temuan menunjukkan bahwa BMI tetap menjadi alat tingkat populasi yang penting untuk menilai obesitas, kata para peneliti, bahkan ketika banyak orang mencoba untuk menghapusnya.

Para peneliti menganalisis data dari Survei Pemeriksaan Kesehatan dan Nutrisi Nasional (NHANES), sebuah survei tentang diet dan kebiasaan gaya hidup Amerika yang secara teratur dijalankan oleh Pusat Pengendalian dan Pencegahan Penyakit. Sebagai bagian dari NHANES, beberapa orang diberikan pemeriksaan yang lebih luas, yang mencakup tes yang mengukur keadaan lemak atau pinggang tubuh mereka.

Para peneliti melihat data NHANES terbaru (2017-2018) yang termasuk orang-orang yang menerima tes lain ini selain memeriksakan BMI mereka. Obesitas biasanya didefinisikan memiliki BMI 30 dan lebih (27 untuk orang keturunan Asia). Tetapi juga dapat didefinisikan dengan memiliki persentase lemak tubuh 25% untuk pria dan 35% untuk wanita, atau keadaan pinggang 40 inci untuk pria dan 35 inci untuk wanita.

Lebih dari 98% orang yang dianggap obesitas menggunakan BMI saja juga sesuai dengan tagihan ketika keadaan pinggang atau persentase lemak tubuh diperhitungkan, para peneliti menemukan.

“Meskipun populasi pasien tertentu (misalnya, atlet) dapat menjamin evaluasi lebih lanjut, hasil kami menunjukkan bahwa orang -orang ini merupakan bagian yang sangat kecil dari populasi,” tulis para peneliti.

Temuan ini sangat relevan mengingat perkembangan terkini di bidang obat obesitas. Awal Januari ini, sekelompok besar ahli menyerukan pergeseran yang cukup besar dalam bagaimana obesitas didiagnosis.

Mereka mendorong dokter untuk berhenti menggunakan BMI sebagai satu -satunya kriteria untuk mengukur obesitas. Sebaliknya, kata mereka, dokter harus menggunakan dua pengukuran ukuran tubuh (salah satunya dapat mencakup BMI) atau pengukuran langsung lemak tubuh untuk mendiagnosis obesitas. Mereka selanjutnya menyerukan obesitas untuk dikelompokkan ke dalam dua kategori luas, tergantung pada apakah obesitas seseorang secara aktif menyebabkan masalah kesehatan terkait: obesitas praklinis dan klinis.

Peneliti dan pendukung lain dalam tubuh kepositifan dan gerakan penerimaan lemak telah lama menyerukan agar BMI dihapus, dan kesimpulan kelompok sangat didukung oleh banyak kelompok kesehatan masyarakat, termasuk American Heart Association dan World Obesity Federation.

Namun, peneliti penelitian mencatat bahwa tes lemak tubuh langsung memerlukan peralatan khusus dan bisa lebih mahal bagi pasien dalam hal biaya out-of-pocket, dan mengingat temuan mereka, banyak orang mungkin tidak mendapat manfaat dari menjalani tes lain ini. Either way, tampaknya debat ilmiah tentang kegunaan BMI belum cukup diselesaikan.

“Untuk hampir semua orang dewasa AS dengan BMI yang ditinggikan, mungkin ada utilitas terbatas untuk mengkonfirmasi kelebihan adipositas,” tulis para penulis. Saat ini, di bawah kriteria BMI saat ini, sekitar 40% orang dewasa di AS dianggap obesitas, meskipun angka tersebut mungkin mulai menurun, sebagian berkat kedatangan obat penurunan berat badan yang lebih baru dan lebih efektif seperti Wegovy.

Fisikawan UCLA telah mengembangkan film tipis baru yang menggunakan jauh lebih sedikit dari thorium-229 langka sementara juga secara signifikan lebih sedikit radioaktif, menjadikannya alternatif yang lebih aman dan lebih praktis untuk jam atom. Jam atom menggunakan inti thorium-229 yang dieksitasi oleh balok laser dapat memberikan pengukuran waktu dan gravitasi yang paling tepat yang pernah direkam, berpotensi (…)

RisalahPos.com Network

Related

Para peneliti di Laboratorium Nasional Argonne telah mengembangkan teknik baru menggunakan sinar-X foto spektroskopi korelasi dan kecerdasan buatan untuk menganalisis materi.

Metode ini menghasilkan “sidik jari” material secara terperinci, yang diinterpretasikan oleh AI untuk mengungkap informasi baru tentang dinamika material. Pendekatan ini, yang dikenal sebagai AI-NERD, memanfaatkan teknologi tanpa pengawasan pembelajaran mesin untuk mengenali dan mengelompokkan sidik jari ini, meningkatkan pemahaman tentang perilaku material dalam berbagai kondisi.

Seperti halnya manusia, material berevolusi seiring waktu. Material juga berperilaku berbeda saat diberi tekanan dan relaksasi. Para ilmuwan yang ingin mengukur dinamika perubahan material telah mengembangkan teknik baru yang memanfaatkan spektroskopi korelasi foton sinar-X (XPCS), kecerdasan buatan (AI), dan pembelajaran mesin.

Inovasi Identifikasi Material dengan AI

Teknik ini menciptakan “sidik jari” dari berbagai bahan yang dapat dibaca dan dianalisis oleh jaringan saraf untuk menghasilkan informasi baru yang sebelumnya tidak dapat diakses oleh para ilmuwan. Jaringan saraf adalah model komputer yang membuat keputusan dengan cara yang mirip dengan otak manusia.

Dalam studi baru oleh para peneliti di Advanced Photon Source (APS) dan Center for Nanoscale Materials (CNM) di Laboratorium Nasional Argonne milik Departemen Energi AS (DOE), para ilmuwan telah memasangkan XPCS dengan algoritma pembelajaran mesin tanpa pengawasan, suatu bentuk jaringan saraf yang tidak memerlukan pelatihan ahli. Algoritma tersebut mengajarkan dirinya sendiri untuk mengenali pola yang tersembunyi dalam susunan sinar-X yang dihamburkan oleh koloid — sekelompok partikel yang tersuspensi dalam larutan. APS dan CNM adalah fasilitas pengguna Kantor Sains DOE.

“Tujuan AI hanyalah memperlakukan pola pencar seperti gambar atau foto normal dan memprosesnya untuk mengetahui pola mana yang berulang. AI ahli dalam pengenalan pola.”

— James (Jay) Horwath, Laboratorium Nasional Argonne

Kompleksitas dalam Data Hamburan Sinar-X

“Cara kita memahami bagaimana material bergerak dan berubah seiring waktu adalah dengan mengumpulkan data hamburan sinar-X,” kata peneliti pascadoktoral Argonne James (Jay) Horwath, penulis pertama penelitian tersebut.

Pola-pola ini terlalu rumit untuk dideteksi oleh para ilmuwan tanpa bantuan AI. ​“Saat kami menyinari sinar X, polanya sangat beragam dan rumit sehingga sulit bagi para ahli untuk memahami apa artinya,” kata Horwath.

Agar para peneliti dapat lebih memahami apa yang mereka pelajari, mereka harus memadatkan semua data menjadi sidik jari yang hanya memuat informasi paling penting tentang sampel. ​“Anda dapat menganggapnya seperti memiliki genom material, yang memiliki semua informasi yang diperlukan untuk merekonstruksi keseluruhan gambar,” kata Horwath.

AI-NERD: Memetakan Sidik Jari Material

Proyek ini disebut Kecerdasan Buatan untuk Dinamika Relaksasi Non-Ekuilibrium, atau AI-NERD. Sidik jari dibuat dengan menggunakan teknik yang disebut autoencoder. Autoencoder adalah jenis jaringan saraf yang mengubah data gambar asli menjadi sidik jari — yang disebut representasi laten oleh para ilmuwan — dan yang juga mencakup algoritma dekoder yang digunakan untuk beralih dari representasi laten kembali ke gambar penuh.

Tujuan para peneliti adalah mencoba membuat peta sidik jari material, mengelompokkan sidik jari dengan karakteristik serupa ke dalam lingkungan. Dengan melihat secara holistik fitur berbagai lingkungan sidik jari pada peta, para peneliti dapat lebih memahami bagaimana material tersebut terstruktur dan bagaimana mereka berevolusi seiring waktu saat mereka diberi tekanan dan relaksasi.

AI, secara sederhana, memiliki kemampuan pengenalan pola umum yang baik, sehingga mampu mengkategorikan berbagai gambar sinar-X secara efisien dan mengurutkannya ke dalam peta. ​“Tujuan AI hanyalah memperlakukan pola hamburan sebagai gambar atau foto biasa dan mengolahnya untuk mengetahui pola yang berulang,” kata Horwath. ​“AI adalah pakar pengenalan pola.”

Penggunaan AI untuk memahami data hamburan akan menjadi sangat penting saat APS yang ditingkatkan mulai beroperasi. Fasilitas yang ditingkatkan akan menghasilkan sinar X yang 500 kali lebih terang daripada APS asli. ​”Data yang kami peroleh dari APS yang ditingkatkan akan membutuhkan kekuatan AI untuk memilahnya,” kata Horwath.

Upaya Kolaboratif dalam Simulasi Dinamika Material

Kelompok teori di CNM berkolaborasi dengan kelompok komputasi di divisi Ilmu Sinar-X Argonne untuk melakukan simulasi molekuler dari dinamika polimer yang ditunjukkan oleh XPCS dan selanjutnya menghasilkan data sintetis untuk melatih alur kerja AI seperti AI-NERD.

Sebuah makalah berdasarkan penelitian ini diterbitkan pada tanggal 15 Juli di Komunikasi Alam.

Referensi: “AI-NERD: Penjelasan dinamika relaksasi di luar keseimbangan melalui spektroskopi korelasi foton sinar-X yang diinformasikan AI” oleh James P. Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric M. Dufresne, Miaoqi Chu, Subramanian KRS Sankaranarayanan, Wei Chen, Suresh Narayanan dan Mathew J. Cherukara, 15 Juli 2024, Komunikasi Alam.
Nomor Induk Kependudukan: 10.1038/s41467-024-49381-z

Penelitian ini didanai melalui hibah penelitian dan pengembangan yang diarahkan laboratorium Argonne.

Penulis studi tersebut meliputi James (Jay) Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan, dan Mathew Cherukara dari Argonne. Chen dan He memiliki jabatan bersama di Universitas Chicagodan Sankaranaryanan memiliki jabatan bersama di Universitas Illinois Chicago.