Наиболее точное уравнение для прогнозирования базового метаболизма у атлетов
Скорость метаболизма в состоянии покоя (RMR, resting metabolic rate) – это тепло, вырабатываемое организмом в состоянии покоя. Это расход энергии, получаемой из миллиардов АТФ-зависимых биохимических реакций в органах и тканях организма в физически неактивном состоянии. В этом отношении RMR похож на мощность, которую потребляет автомобиль в режиме "холостого хода", когда двигатель автомобиля работает, но машина остается неподвижной. Даже когда автомобиль не работает, ему все равно нужно потреблять топливо для поддержания основных функций, таких как поддержание заряда аккумулятора, прогрева двигателя и питания компьютера автомобиля. В лаборатории используют два метода измерения RMR — прямая (тепловая) или непрямая (с помощью кислорода и углекислого газа) калориметрия. Однако, наиболее практичным способом является использование уравнений прогнозирования RMR. Уравнения прогнозирования RMR — это математические формулы, используемые для оценки базового метаболизма человека. Они создаются с использованием статистической модели, называемой регрессионным анализом, которая анализирует связь между зависимой переменной и независимыми переменными. В контексте уравнений прогнозирования RMR, целью является использование регрессионного анализа для прогнозирования значения зависимой переменной (RMR, измеренного с помощью непрямой калориметрии) на основе независимых переменных, таких как возраст, вес, рост, пол и состав тела исследуемой популяции людей. Уравнение прогнозирования разрабатывается, когда исследователи находят "наиболее подходящее" уравнение для измеренного RMR исследуемой популяции. Наилучшее подходящее уравнение — это то, которое является точным (средние прогнозируемые значения из уравнения наиболее близки к измеренным значениям) и при этом дает минимальную вариабельность между участниками. Для большинства из обычных людей и спортсменов, RMR является наиболее значимым компонентом общих суточных затрат энергии, за исключением атлетов с высокими требованиями к тренировкам/соревнованиям (бегуны на длинные дистанции и триатлеты).
Точное прогнозирование базового метаболизма спортсмена имеет решающее значение для разработки индивидуальной стратегии питания. Например, даже ошибка в расчетах RMR спортсмена примерно на 250 ккал, будет математически эквивалентена набору или потере килограмма жировой массы в течение месяца. Исследователи и специалисты также используют уравнения прогнозирования RMR для оценки состояния доступности энергии (EA, energy availability) у спортсменов. Более низкое отношение измеренного RMR к прогнозируемому RMR (например, 0,90) указывает на подавление метаболизма. Если вернуться к аналогии с автомобилем в режиме холостого хода, низкая доступность энергии подобна аккумулятору, двигателю и компьютеру, снижающих свою производительность, чтобы компенсировать нехватку топлива в баке. Так же, как слишком долгое пребывание автомобиля в режиме холостого хода может вызвать проблемы, хронически низкая доступность энергии может иметь серьезные последствия для здоровья и производительности спортсмена. Имея более 100 доступных уравнений прогнозирования RMR, специалисты регулярно сталкиваются с проблемой выбора наиболее подходящего уравнения прогнозирования RMR для своих спортсменов.
Целью исследования, опубликованного в журнале Sports Medicine, была попытка решить эту проблему путем определения наиболее точного уравнения для прогнозирования RMR у спортсменов.
Исследование
Проспективный систематический обзор и метаанализ, куда были включены исследования на спортсменах, в которых RMR измерялся с помощью непрямой калориметрии и сравнивался с уравнениями прогнозирования RMR. Включенные исследования должны были сообщать или допускать достаточную точность прогнозируемого RMR. Анализ подгрупп проводился по полу, методу измерения состава тела, характеристикам спортсмена (статус спортсмена, доступность энергии, масса тела), процедуре предварительной оценки перед измерением (например, статус голодания, воздержание от кофеина) и методологии измерения RMR.
Находки
Этот систематический обзор и метаанализ были направлены на определение того, какие уравнения прогнозирования RMR являются наиболее точными (средние прогнозируемые значения в пределах 10% от измеренных значений) у у атлетов. В обзор было включено двадцать девять исследований. Общее количество атлетов из разных видов спорта – 1430 (822 женщины, 608 мужчин). Обзор показал, что наиболее точными (в пределах ±1% от измеренного RMR) уравнениями прогнозирования являются "локально полученные". Локально полученные уравнения RMR — это те, которые были получены из данных, собранных у участников исследования. Эти данные включают характеристики участников (возраст, вес, рост и пол) и их измеренный RMR. Имеет смысл, чтобы эти уравнения были наиболее точными, поскольку они специфичны для конкретной популяции (например, теннисисты). Однако, такие уравнения не могут быть обобщены на другие популяции спортсменов с другими характеристиками (например, бегуны-спринтеры). Критериям точности для метаанализа соответствовали 11 уравнений. Оценка в пяти уравнениях: Cunningham (1980), Harris-Benedict (1918), Cunningham (1991), De Lorenzo (1999) и Ten-Haaf (2014) статистически не отличалась от измеренных значений у спортсменов. Однако, за исключением уравнения Ten-Haaf (2014), все другие предсказанные уравнения продемонстрировали больший разброс данных. Проще говоря, в то время как групповое среднее значение во всех уравнениях было относительно точным, наблюдалась значительная изменчивость (недо- или перепрогнозирование RMR) на индивидуальном уровне. Исключением было только уравнение Ten-Haaf (2014). Несколько часто используемых уравнений: Mifflin-St. Jeor (1990), Owen (1988), FAO/WHO/UNU (1985), Nelson (1992) и Koehler DXA (2016) продемонстрировали значительное занижение или завышение прогнозируемых цифра RMR. Более того, некоторые прогностические уравнения показали значительные неточности при рассмотрении конкретных характеристик: пола (Harris-Benedict и Lorenzo), статуса спортсмена (Harris-Benedict) или процедур предварительной оценки RMR (Cunningham 1980 и Harris-Benedict). Девять исследований были включены в анализ на точность. Из девяти оцененных, только уравнение Ten-Haaf (2014) было наиболее точным, предсказывая, что 80,2% участников будут в пределах ±10% от измеренного значения RMR, а другие находились в диапазоне от 40,7 до 63,7%. Другими словами, согласно этому анализу, использование уравнения Ten-Haaf (2014) может предсказать RMR у 80% спортсменов, оцененных в 10% диапазоне фактических значений RMR.
Практическая значимость
Для практикующих врачей, не имеющих доступа к непрямой калориметрии, поиск наиболее подходящего уравнения прогнозирования RMR для спортсмена имеет решающее значение для разработки эффективной стратегии питания. Уравнения Cunningham и Harris-Benedict были лидерами для спортсменов и спортсменок с момента их рекомендации Академией питания и нутрициологии, нутрициологами Канады и Американским колледжем спортивной медицины. Более того, эти уравнения стали стандартной практикой при сравнении с измеренным RMR для определения статуса доступности энергии.
Это исследование предлагает новый подход. Во-первых, практикующие врачи должны рассмотреть, соответствует ли характеристикам их спортсмена (физические характеристики, пол, вид спорта, статус спортсмена) выбранное уравнение. Если это так, то существует 80% вероятность того, что уравнение прогнозирования покажет цифры, которые будут находиться в пределах <10% от измеренного RMR спортсмена. Если нет, то авторы дают рекомендации по использовании других уравнений (Рисунок 1). Этот подход к определению наиболее подходящего уравнения прогнозирования для спортсменов также следует использовать при определении статуса доступности энергии у атлетов.
