Ludzki organizm jest złożonym systemem biologicznym zdolnym do samoregulacji i adaptacji. Posiada własne mechanizmy obronne (układ odpornościowy), regulację energetyczną (metabolizm), rezerwy energetyczne (tkanka tłuszczowa) oraz złożone mechanizmy sygnalizacji hormonalnej.
Jednakże, gdy analizujemy współczesną epidemię otyłości – zjawisko, które Światowa Organizacja Zdrowia definiuje jako "nieprawidłowe lub nadmierne nagromadzenie tłuszczu stwarzające ryzyko dla zdrowia" – problemem jest niedopasowanie biologii człowieka do współczesnego środowiska.
Nasza fizjologia została ukształtowana w warunkach, które znacząco różnią się od dzisiejszych. Tymczasem współczesny świat to środowisko obesogenne: nadmiar łatwo dostępnej energii i drastyczna redukcja wymogu ruchu. To niedopasowanie biologiczne prowadzi do epidemii otyłości.
Dlaczego BMI to Wadliwy Algorytm?
W każdej analizie danych kluczowa jest walidacja narzędzi pomiarowych. Jeśli termometr jest zepsuty, nie możemy ufać odczytom temperatury. W medycynie i dietetyce powszechnym standardem diagnostyki masy ciała jest wskaźnik BMI. Jest to jednak uproszczony wskaźnik, który nie oddaje rzeczywistego ryzyka zdrowotnego.
Główny błąd BMI
BMI nie rozróżnia między tkanką tłuszczową a beztłuszczową masą ciała. Kilogram mięśni i kilogram tłuszczu trzewnego są traktowane jako tożsame obciążenie dla systemu.
BMI zostało opracowane w XIX wieku przez Adolphe'a Queteleta. Jego celem była statystyka populacyjna („człowiek przeciętny"), a nie ocena zdrowia indywidualnego. To wskaźnik, który ignoruje kluczowe różnice w składzie ciała między osobami o tej samej wadze i wzroście.
Badania z University of Florida Health wykazały, że osoby z wysokim poziomem tkanki tłuszczowej, ale prawidłowym BMI, miały o 78% wyższe ryzyko zgonu niż osoby z prawidłowym składem ciała.
Dane NFZ: Epidemiologia Otyłości
Przejdźmy do twardych danych. Analiza raportów NFZ i GUS przypomina przeglądanie logów serwera po ataku DDoS – widzimy przeciążenie na każdym poziomie.
Geografia Otyłości
Muszę obalić popularny mit, jakoby otyłość była domeną zamożnych mieszkańców dużych miast. Dane przestrzenne pokazują odwrotną korelację.
Fakty geograficzne
- • Najwyższy odsetek otyłości (~66%) – tereny wiejskie i małe miasteczka
- • Najniższy odsetek (~57%) – aglomeracje powyżej 500 tys. mieszkańców
- • Województwa o najwyższych wskaźnikach: śląskie, opolskie, lubuskie
Tradycyjna polska kuchnia wiejska, niegdyś zbalansowana ciężką pracą fizyczną, obecnie – w dobie mechanizacji rolnictwa – stała się pułapką kaloryczną. To klasyczny przykład niedopasowania starego oprogramowania do nowego hardware'u.
Skala leczenia jest niewspółmierna do skali problemu – leczymy tysiące, podczas gdy chorują miliony.
Fenotyp „Skinny Fat" (MONW)
Fascynuje mnie zjawisko, które wymyka się standardowym filtrom diagnostycznym. Mowa o MONW (Metabolically Obese Normal Weight) – osobach metabolicznie otyłych przy prawidłowej wadze. To tak, jakby system operacyjny pokazywał zieloną ikonkę „System OK", podczas gdy procesor się przegrzewa.
Szacuje się, że w Polsce fenotyp ten może dotyczyć od 15% do 20% osób z „prawidłowym" BMI. Te osoby gromadzą tłuszcz wisceralnie – wokół wątroby, trzustki i jelit.
Tłuszcz trzewny produkuje:
- • Rezystynę – hormon zwiększający oporność na insulinę
- • IL-6 i TNF-alfa – cytokiny prozapalne niszczące śródbłonek naczyń
- • Angiotensynogen – prekursor hormonu podnoszącego ciśnienie krwi
Rozwiązania AI: Przyszłość Diagnostyki
Skoro tradycyjne podejścia („jedz mniej, ćwicz więcej") okazują się niewystarczające, konieczna jest zmiana podejścia do obecnego modelu diagnostyki i prewencji. Istnieje realna możliwość wdrożenia zaawansowanych narzędzi analitycznych.
Cyfrowy Bliźniak Metaboliczny
Koncepcja Digital Twin wywodzi się z przemysłu. W medycynie oznacza to stworzenie wirtualnej repliki fizjologii pacjenta, symulującej reakcje metaboliczne w czasie rzeczywistym.
Przykład zastosowania
„Sebastian, jeśli zjesz teraz tę pizzę (1200 kcal), Twój model przewiduje skok glukozy do 190 mg/dL i zablokowanie spalania tłuszczu na 6 godzin. Jeśli pójdziesz na 20-minutowy spacer po jedzeniu, skok wyniesie tylko 140 mg/dL."
Algorytmiczna Predykcja Ryzyka
Zamiast czekać na objawy, możemy przewidywać awarie. Wykorzystując bibliotekę PyHealth, możemy trenować modele ML na zanonimizowanych danych POZ.
from pyhealth.models import Transformer
model = Transformer(
feature_keys=["lab_results", "diagnosis_history"],
label_key="monw_risk",
mode="classification"
)
risk_score = model.predict(patient_data)
if risk_score > 0.8:
print("ALERT: Wysokie ryzyko metaboliczne")
Refaktoryzacja Systemu
Analiza sytuacji w Polsce prowadzi do jednego wniosku: nie możemy dalej „patchować" tego systemu. Potrzebujemy refaktoryzacji podejścia do zdrowia publicznego.
-
1
Aktualizacja Metryk
Odejście od fetyszyzacji BMI na rzecz WHtR i BIA w standardzie POZ. → czytaj dalej
-
2
Skupienie na Dzieciach
Absolutny priorytet dla programów dziecięcych. Jeśli nie zmienimy nawyków żywieniowych młodego pokolenia, za 20 lat konsekwencje zdrowotne będą nieodwracalne. → czytaj dalej
-
3
Technologia jako Lek
Wykorzystanie AI i cyfrowych bliźniaków jako podstawowych narzędzi diagnostycznych i prewencyjnych.
„Z perspektywy biologii kluczowym problemem jest zaburzenie równowagi metabolicznej. W ujęciu inżynierskim jest to problem zarządzania złożonym systemem. W polskich realiach jest to jedno z kluczowych wyzwań cywilizacyjnych. Brak zmian systemowych doprowadzi do poważnych konsekwencji zdrowotnych i społecznych."
— Sebastian Kubiak
Źródła i Bibliografia
1. WHO European Regional Obesity Report 2022 — hbsc.org
4. NFZ o zdrowiu – Otyłość 2024 — ezdrowie.gov.pl
7. BMI a poor predictor of future health – UF Health — ufhealth.org
16. NFZ: Masa ciała i wzrost – dane dla zdrowia publicznego — nfz.gov.pl
17. NIK: Profilaktyka i leczenie otyłości przerosły system — nik.gov.pl
28. PyHealth – Python Library for Health Predictive Models — pyhealth.readthedocs.io
Sebastian Kubiak
Z zawodu buduję systemy i analizuję dane. Z wykształcenia – rozumiem, jak działa życie. Twórca BMIKalkulator.online.
Pełna biografia