OBÉSITÉ : Le score qui prédit mieux les risques que l’IMC

Ce nouvel outil de prédiction du risque de complications liées à l’obésité, fondé sur 20 paramètres de santé courants, développé et validé par une équipe de la Queen Mary University (Londres, UK) et du Berlin Institute of Health at Charité (Allemagne), permet de prédire le risque de 18 comorbidités de l’obésité, avec une précision supérieure à celle de l’indice de masse corporelle (IMC) seul. Présenté dans la revue Nature Medicine, « l’Obscore » ouvre la voie à une stratification du risque plus fine et va donc permettre de mieux prévenir les complications les plus sévères de l’obésité.

Entre 60 et 70 % des adultes dans les pays riches vivent avec un surpoids ou une obésité. Pourtant, leurs trajectoires de santé divergent considérablement : certains restent en bonne santé pendant des années, d’autres développent rapidement des complications sévères comme le diabète de type 2, les maladies cardiovasculaires ou certains cancers. Le problème fondamental des approches actuelles est qu’elles reposent essentiellement sur l’IMC, un indicateur qui ne reflète ni la composition corporelle, ni le profil métabolique, ni les facteurs de risque individuels.

L’auteur principal, le Pr Claudia Langenberg, directrice du Precision Healthcare University Research Institute de la Queen Mary University of London, précise : « L’obésité touchant une proportion croissante de la population mondiale, prévenir ses complications à long terme est devenu un défi majeur pour les systèmes de santé. Nos travaux montrent comment des données de santé à grande échelle et richement phénotypées peuvent être utilisées pour développer un outil plus précis permettant d’identifier les personnes à risque élevé de complications ».

L’IMC, une métrique inadaptée pour la stratification du risque en pratique clinique.

L’étude montre que parmi les personnes identifiées comme étant à haut risque de complications, une proportion significative n’est pas en situation d’obésité selon l’IMC, mais en simple surpoids et c’est alors une combinaison de facteurs métaboliques et cliniques qui les rend particulièrement vulnérables à ces comorbidités.

Menée auprès de 200.000 participants de la UK Biobank, avec la prise en compte de plus de 2.000 variables pour retenir finalement 20 indicateurs, l’étude aboutit au développement de

l’outil Obscore, basé sur 20 paramètres permettant de prédire le risque de 18 comorbidités,

validé sur 2 grandes cohortes indépendantes. L’analyse révèle, précisément :

• 20 indicateurs de santé, parmi les plus de 2.000 évalués, permettant de prédire de façon fiable le risque de développer 18 maladies ou complications liées à l’obésité ;
• des différences substantielles de profil de risque existent entre des personnes partageant la même catégorie d’IMC ;
• les participants identifiés comme à risque élevé n’étant pas systématiquement ceux présentant l’IMC le plus élevé ;
• une proportion considérable de participants à haut risque sont, en fait, en situation de surpoids, une combinaison de facteurs métaboliques et cliniques venant aggraver leur vulnérabilité.

Alors que ces 20 paramètres retenus dans Obscore sont des mesures couramment collectées en pratique clinique, l’outil semble directement utilisable dans les contextes de soins primaires, sans nécessiter d’examens supplémentaires.

Quelles implications ? Si des essais cliniques en confirment sa validité à plus grande échelle, Obscore pourrait permettre aux médecins de mieux cibler les patients nécessitant une intervention précoce, une surveillance rapprochée ou un traitement plus intense.

 » 2 personnes avec un poids corporel similaire peuvent avoir des risques très différents de développer des maladies comme le diabète ou les pathologies cardiaques. En analysant systématiquement un large éventail de facteurs de santé, nous savons identifier un petit ensemble de variables qui, combinées, permettent de détecter plus tôt les patients à risque élevé ».

Une étape donc vers la médecine de précision dans l’obésité.

Source: Nature Medicine 30 April, 2026 DOI : 10.1038/s41591-026-04353-2 An interpretable machine learning model to predict obesity-related disease risk: development and validation of OBSCORE

Plus sur l’Obésité

Équipe de rédaction Santélog Juil 30, 2026Admin