都是體重過重，疾病風險卻不同：如何重新定義肥胖者的健康風險

肥胖（obesity）是多種慢性病的共同風險來源，但有些人長期體重超標卻能維持健康，另一些人則在短時間內就罹患糖尿病或心血管疾病，這讓傳統指標往往很難精準判斷。最近，歐洲團隊利用大規模健康資料建立全新風險預測模型，成果發表於《Nature Medicine》，試圖回答更實際的問題：體重相似的族群，誰才是真正的高風險族群。

BMI 等傳統指標侷限性頗高

身體質量指數（BMI）一直是判斷肥胖的標準工具，但其實只是體重與身高比值，並未納入脂肪分布、代謝狀態或慢性發炎等關鍵因素。故 BMI 雖然可以快速界定肥胖族群，卻無法有效預測健康狀態變化。此研究也顯示，無論 BMI、腰圍或腰臀比，雖然可大致區分誰比較胖，但數值相近者幾乎看不出誰可能生病。換句話說，兩個數值很接近的人，一個可能生病、另一個卻沒事，BMI 等指標無法告訴你差別在哪。

為了突破上述限制，團隊整合血液生物標記（如血糖、血脂與發炎相關指標）、臨床數據（如年齡、性別、血壓與體重）與生活型態資訊（如吸菸、飲酒與活動量），並用機器學習建立個體化風險分數（OBSCORE）。與傳統方法不同，可同時評估多種肥胖相關的健康風險。結果顯示，OBSCORE 模型能預測第二型糖尿病、冠狀動脈疾病與中風等心血管疾病，甚至連睡眠呼吸中止症、骨關節炎，以及部分與肥胖相關的癌症風險都納入評估。因此，它不是評估單一疾病風險，而是更趨近真實狀況的整體風險圖像。

團隊將 OBSCORE 模型與 BMI、腰圍、腰臀比及血糖、血脂等單一生化指標對比分析。結果顯示，OBSCORE 能整合多項資訊，提供更穩定且一致的預測表現。特別是在第二型糖尿病與心血管疾病方面，OBSCORE 可以把原本看起來數據相近的人進一步分成不同風險層級，例如同樣血糖與體重接近的兩個人，其中一人可能被判定為高風險、另一人則較低風險，這種細緻的分層是傳統指標難以做到的。

OBSCORE 臨床應用的挑戰

然而，OBSCORE 不只提供治療決策，而是疾病的風險機率。但風險高到什麼程度才需要用藥？是否該提早介入措施？如果沒有明確標準與指引，再精準的預測也無法轉成行動。此外，這類模型需要較完整的檢測數據，成本與流程都高於傳統指標，這也可能影響往後醫療體系採行的機會。

總結而言，OBSCORE 出現代表醫學思維從單一指標分類，走向多角度資料預測，有助達成精準醫療（precision medicine）。將來健檢不再只是多項數值各自表述，而是有機會統整後更具體的疾病風險圖像，並指出十年內罹患糖尿病或心血管疾病等慢性病的可能發展。但真正關鍵可能不在預測本身，而是能否轉成明確的醫療決策。否則再精準的模型，依然難改變健康狀況。