Relationship between body fat percentage， gait characteristics and falls in patients with cerebral small vessel disease

doi:10.11817/j.issn.1673-9248.2024.06.006

Abstract

Abstract:

Objective

To investigate the correlation between body fat percentage （BF） and gait parameters during single task walking （STW） and dual task walking （DTW） in patients with cerebral small vessel disease （CSVD）， and to determine whether BF is associated with the risk of falls in CSVD patients.

Methods

A total of 95 hospitalized patients diagnosed with CSVD in Neurology Department of Seventh Medical Center of PLA General Hospital from January 1， 2022， to June 1， 2023，were collected.Data on their fat mass and BF were collected.High BF was defined as exceeding 25.7% in males and 35.9% in females.Based on this criterion， the enrolled patients were categorized into a normal BF group （46 cases）and a high BF group （49 cases）.Additionally， gait parameters such as cadence， stride time， speed， and stride length， as well as phase coordination index （PCI）， coefficient of variation （CV）， and gait asymmetry （GA）were measured during both STW and DTW conditions.The number of falls was also recorded.Generalized estimating equations （GEE） and binary Logistic regression analyses were conducted to explore the relationship among these parameters.

Results

The GEE results indicate significant interaction effects for all gait parameters except for GA， both between and within groups.Therefore， post-hoc analyses were conducted to further investigate these differences： between-group comparison showed that during STW， the high BF group had significant differences in the basal gait parameters （STW， cognitive DTW， motor DTW） and indirect gait parameters （STW， cognitive DTW， motor DTW CV） compared to the normal BF group （all P＜0.05）；within-group comparison indicated that during DTW， particularly cognitive DTW， all basal and indirect gait parameters in normal BF and high BF groups compared with STW， the differences were significant （all P＜0.05）.Additionally， regardless of gender， BF was identified as an independent risk factor for falls （male：odds ratio=1.132， 95% confidence interval： 1.009-1.270； female： odds ratio=1.145， 95% confidence interval：1.058-1.239）.

Conclusion

There is a significant correlation between BF and gait parameters during STW and DTW in patients with CSVD.Additionally， BF has been identified as an independent risk factor for fall accidents in this patient population.

Key words: Cerebral small vessel disease, Body composition, Body fat, Gait

Zhenxi Xia, Hongyang Xie, Cuiqiao Xia, Nan Zhang, Junjie Cao, Hongyi Zhao, Yonghua Huang. Relationship between body fat percentage， gait characteristics and falls in patients with cerebral small vessel disease[J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2024, 18(06): 556-563.

/ / Recommend

Add to citation manager EndNote|Ris|BibTeX

URL: https://zhnxgbzz.cma-cmc.com.cn/EN/10.11817/j.issn.1673-9248.2024.06.006

https://zhnxgbzz.cma-cmc.com.cn/EN/Y2024/V18/I06/556

Figures/Tables 7

基本特征	正常BF（46例）	高BF（49例）	统计值	P值
女性［例（%）］	27（58.7）	20（40.8）	χ²=3.034	0.082
教育［年，M（Q_R）］	12.0（9.0，12.0）	12.0（9.0，12.0）	Z=0.481	0.630
年龄（岁， $\overset{ˉ}{x}$ ±s）	64.26±7.09	66.96±9.49	t=1.562	0.122
合并症［个，M（Q_R）］	2.0（1.0，2.0）	2.0（1.0，3.0）	Z=0.620	0.535
MMSE［分，M（Q_R）］	29.0（28.0，30.0）	29.0（27.0，30.0）	Z=0.458	0.647
VFT（个， $\overset{ˉ}{x}$ ±s）	17.87±4.04	16.02±3.89	t=2.273	0.025
CDT［分，M（Q_R）］	12.0（11.0，13.0）	11.0（10.0，12.0）	Z=2.464	0.014
TMT-B（s， $\overset{ˉ}{x}$ ±s）	72.59±20.524	84.04±20.852	t=2.696	0.008

基本特征	正常BF（46例）	高BF（49例）	统计值	P值
女性［例（%）］	27（58.7）	20（40.8）	χ²=3.034	0.082
教育［年，M（Q_R）］	12.0（9.0，12.0）	12.0（9.0，12.0）	Z=0.481	0.630
年龄（岁， $\overset{ˉ}{x}$ ±s）	64.26±7.09	66.96±9.49	t=1.562	0.122
合并症［个，M（Q_R）］	2.0（1.0，2.0）	2.0（1.0，3.0）	Z=0.620	0.535
MMSE［分，M（Q_R）］	29.0（28.0，30.0）	29.0（27.0，30.0）	Z=0.458	0.647
VFT（个， $\overset{ˉ}{x}$ ±s）	17.87±4.04	16.02±3.89	t=2.273	0.025
CDT［分，M（Q_R）］	12.0（11.0，13.0）	11.0（10.0，12.0）	Z=2.464	0.014
TMT-B（s， $\overset{ˉ}{x}$ ±s）	72.59±20.524	84.04±20.852	t=2.696	0.008

参数	速度	跨步长	步频	跨步时间
主效应
BF（组间）
Wald χ²	14.053	9.532	18.530	21.072
P值	＜0.001	0.002	＜0.001	＜0.001
行走方式（组内）
Wald χ²	114.437	63.187	85.882	75.910
P值	＜0.001	＜0.001	＜0.001	＜0.001
交互作用
BF×行走方式
Wald χ²	13.518	6.434	8.069	16.987
P值	0.001	0.034	0.018	＜0.001

参数正常	BF（46例）	高BF（49例）
STW
跨步长（m）	0.993±0.123	0.909±0.206^a
跨步时间（s）	1.083±0.096	1.157±0.118^a
步频（步/min）	110.934±8.852	104.703±10.122^a
速度（m/s）	0.923±0.134	0.814±0.210^a
认知DTW
跨步长（m）	0.947±0.130^c	0.829±0.175^ac
跨步时间（s）	1.136±0.125^c	1.302±0.179^ac
步频（步/min）	105.335±9.152^c	94.027±12.849^ac
速度（m/s）	0.840±0.145^c	0.667±0.185^ac
运动DTW
跨步长（m）	0.966±0.119^c	0.871±0.207^ac
跨步时间（s）	1.088±0.103	1.176±0.146^a
步频（步/min）	110.520±9.235	103.421±11.776^a
速度（m/s）	0.887±0.145^b	0.786±0.229^ab

参数	GA	PCI	速度CV	跨步长CV	步频CV	跨步时间CV
主效应
BF（组间）
Wald χ²	0.125	8.744	20.090	6.352	14.859	20.608
P值	0.724	0.003	＜0.001	0.012	＜0.001	＜0.001
行走方式（组内）
Wald χ²	2.818	17.979	11.850	14.083	13.684	23.670
P值	0.244	＜0.001	0.003	0.001	0.001	＜0.001
交互作用
BF×行走方式
Wald χ²	0.118	8.743	16.290	8.042	10.735	13.799
P值	0.943	0.013	＜0.001	0.018	0.005	0.001

参数	正常BF组（46例）	高BF组（49例）
STW
跨步长CV（%）	5.600（4.450，8.600）	6.600（4.300，10.000）
跨步时间CV（%）	2.480（1.852，3.220）	2.857（2.430，4.428）^a
步频CV（%）	3.699（3.058，4.912）	4.468（3.273，6.472）
速度CV（%）	7.794（5.929，10.732）	8.989（6.857，14.071）
GA（%）	1.086（0.000，2.228）	1.223（0.924，3.035）
PCI	3.960（2.985，5.995）	5.293（3.274，7.898）
认知DTW
跨步长CV（%）	7.069（5.076，9.091）	8.333（6.022，15.530）^bc
跨步时间CV（%）	2.673（1.929，3.763）	5.263（3.611，8.535）^bc
步频CV（%）	4.402（3.241，5.743）	7.158（4.561，9.538）^bc
速度CV（%）	7.409（6.250，10.775）	14.815（11.597，21.479）^bc
GA（%）	1.143（1.005，2.302）	1.889（0.955，3.180）
PCI	5.117（3.029，7.537）	6.686（5.110，12.036）^bc
运动DTW
跨步长CV（%）	7.655（5.249，8.653）	8.163（5.338，9.691）^b
跨步时间CV（%）	2.844（2.300，3.819）	3.008（2.643，5.561）^b
步频CV（%）	4.291（3.253，5.107）	4.612（3.418，8.093）^b
速度CV（%）	8.950（6.897，11.852）	11.475（8.494，17.338）^b
GA（%）	1.143（0.971，2.456）	2.068（1.034，2.900）
PCI	4.208（2.810，5.974）	6.010（4.109，9.270）^b

因素	模型1				模型2
因素	B值	P值	OR值	95%CI	B值	P值	OR值	95%CI
BF	0.118	0.022	1.125	1.017～1.245	0.124	0.034	1.132	1.009～1.270
CDT					-0.480	0.104	0.619	0.347～1.104

因素	模型1				模型2
因素	B值	P值	OR值	95%CI	B值	P值	OR值	95%CI
BF	0.132	＜0.001	1.142	1.060～1.230	0.135	0.001	1.145	1.058～1.239
CDT					-0.318	0.362	0.728	0.368～1.440
TMT-B					0.002	0.934	1.002	0.962～1.044

References 33

1	Judge JO， Davis RB， Ounpuu S.Step length reductions in advanced age： the role of ankle and hip kinetics ［J］.J Gerontol A Biol Sci Med Sci， 1996， 51（6）： M303-312.
2	Toebes MJ， Hoozemans MJ， Furrer R， et al.Local dynamic stability and variability of gait are associated with fall history in elderly subjects ［J］.Gait Posture， 2012， 36（3）： 527-531.
3	Ganz DA， Latham NK.Prevention of falls in community-dwelling older adults ［J］.N Engl J Med， 2020， 382（8）： 734-743.
4	Mortaza N， Abu Osman NA， Mehdikhani N.Are the spatiotemporal parameters of gait capable of distinguishing a faller from a non-faller elderly？［J］.Eur J Phys Rehabil Med， 2014， 50（6）： 677-691.
5	Clark DJ.Automaticity of walking： functional significance，mechanisms， measurement and rehabilitation strategies ［J］.Front Hum Neurosci， 2015， 9： 246.
6	Duering M， Biessels GJ， Brodtmann A， et al.Neuroimaging standards for research into small vessel disease-advances since 2013 ［J］.Lancet Neurol， 2023， 22（7）： 602-618.
7	叶瑾怡，陈玮琪，王伊龙.脑小血管病国际影像标准2 更新要点解读［J］.中国卒中杂志， 2023， 18（10）： 1175-1180.
8	Hilal S， Mok V， Youn YC， et al.Prevalence， risk factors and consequences of cerebral small vessel diseases： data from three Asian countries ［J］.J Neurol Neurosurg Psychiatry， 2017， 88（8）： 669-674.
9	Wardlaw JM， Debette S， Jokinen H， et al.ESO Guideline on covert cerebral small vessel disease ［J］.Eur Stroke J， 2021， 6（2）： CXⅠ-CLXⅡ.
10	Xia C， Xie H， Huang Y， et al.Spatiotemporal gait characteristics during single- and dual-task walking are associated with the burden of cerebral small vessel disease ［J］.Front Neurol， 2023， 14： 1285947.
11	Xie H， Xia C， Zhao H， et al.Variability， asymmetry and bilateral coordination of gait during single- and dual-task walking of patients with cerebral small vessel disease ［J］.Int J Neurosci， 2024： 1-10.
12	Lee Y， Shin S.The effect of body composition on gait variability varies with age： interaction by hierarchical moderated regression analysis ［J］.Int J Environ Res Public Health， 2022， 19（3）： 1171.
13	LaRoche DP， Kralian RJ， Millett ED.Fat mass limits lower-extremity relative strength and maximal walking performance in older women ［J］.J Electromyogr Kinesiol， 2011， 21（5）： 754-761.
14	Bani Hassan E， Phu S， Vogrin S， et al.Diagnostic value of mid-thigh and mid-calf bone， muscle， and fat mass in osteosarcopenia： a pilot study ［J］.Calcif Tissue Int， 2019， 105（4）： 392-402.
15	胡文立，杨磊，李譞婷，等.中国脑小血管病诊治专家共识2021 ［J］.中国卒中杂志， 2021， 16（7）： 716-726.
16	王伊龙.脑小血管病的诊治现状及未来探索之路［J］.中国卒中杂志， 2024， 19（4）： 363-374.
17	Swanson CW， Fling BW.Associations between gait coordination，variability and motor cortex inhibition in young and older adults ［J］.Exp Gerontol， 2018， 113： 163-172.
18	Kim MK， Han K， Kwon HS， et al.Normal weight obesity in Korean adults ［J］.Clin Endocrinol （Oxf）， 2014， 80（2）： 214-220.
19	Kim DH， Lim H， Chang S， et al.Association between body fat and bone mineral density in normal-weight middle-aged Koreans ［J］.Korean J Fam Med， 2019， 40（2）： 100-105.
20	Plotnik M， Giladi N， Hausdorff JM.A new measure for quantifying the bilateral coordination of human gait： effects of aging and Parkinson's disease ［J］.Exp Brain Res， 2007， 181（4）： 561-570.
21	Swanson CW， Fling BW.Associations between gait coordination，variability and motor cortex inhibition in young and older adults ［J］.Exp Gerontol， 2018， 113： 163-172.
22	Richmond SB， Swanson CW， Peterson DS， et al.A temporal analysis of bilateral gait coordination in people with multiple sclerosis ［J］.Mult Scler Relat Disord， 2020， 45： 102445.
23	Kalron A.Gait variability across the disability spectrum in people with multiple sclerosis ［J］.J Neurol Sci， 2016， 361： 1-6.
24	Kim JH， Chon J， Soh Y， et al.Trunk fat mass correlates with balance and physical performance in a community-dwelling elderly population：results from the Korean frailty and aging cohort study ［J］.Medicine（Baltimore）， 2020， 99（9）： e19245.
25	Moon Y， Wajda DA， Motl RW， et al.Stride-time variability and fall risk in persons with multiple sclerosis ［J］.Mult Scler Int， 2015， 2015：964790.
26	Lim J， Kim J， Seo K， et al.The effects of mobile texting and walking speed on gait characteristics of normal weight and obese adults ［J］.Motor Control， 2020， 24（4）： 588-604.
27	Shaik AR， Al Qahtani M， Ahmad F， et al.Impacts of adiposity on the attentional cost of sensory-motor performance associated with mobility in a dual-task paradigm ［J］.Int J Environ Res Public Health， 2022，19（20）： 13118.
28	Yang Y， Shields GS， Guo C， et al.Executive function performance in obesity and overweight individuals： a meta-analysis and review ［J］.Neurosci Biobehav Rev， 2018， 84： 225-244.
29	Hilal S， Mok V， Youn YC， et al.Prevalence， risk factors and consequences of cerebral small vessel diseases： data from three Asian countries ［J］.J Neurol Neurosurg Psychiatry， 2017， 88（8）： 669-674.
30	Beavers KM， Beavers DP， Houston DK， et al.Associations between body composition and gait-speed decline： results from the Health，Aging， and Body Composition study ［J］.Am J Clin Nutr， 2013， 97（3）：552-560.
31	Visser M， Goodpaster BH， Kritchevsky SB， et al.Muscle mass， muscle strength， and muscle fat infiltration as predictors of incident mobility limitations in well-functioning older persons ［J］.J Gerontol A Biol Sci Med Sci， 2005， 60（3）： 324-333.
32	Merchant RA， Chan YH， Ling N， et al.Association of physical function and body composition with falls in pre-frail older adults with poor physical performance： a cross-sectional study ［J］.Arch Gerontol Geriatr， 2023， 109： 104957.
33	Neri SGR， Tiedemann A， Gadelha AB， et al.Body fat distribution in obesity and the association with falls： a cohort study of Brazilian women aged 60 years and over ［J］.Maturitas， 2020， 139： 64-68.

[1]	Peng Liu, Tian Luo, Keyuan Xu, Hongmei Deng, Xuan Li, Cuiping Tang. Preliminary gait analysis of efficacy of Baduanjin on knee osteoarthritis [J]. Chinese Journal of Joint Surgery(Electronic Edition), 2024, 18(05): 590-595.
[2]	Ye Luo, Mengling Hu, Xiaofan Huang, Jinpeng Lin, Zhuman Li, Shaobai Wang. Support vector machine for classification of osteoarthritis and ligamentous injuries in knee [J]. Chinese Journal of Joint Surgery(Electronic Edition), 2024, 18(02): 201-208.
[3]	Hongsheng Qiu, Shuti Lin, Chaoying Liang, Shigao Lao, he He. The effect of simulated realistic gait training on functional recovery and fear of falling in patients with anterior cruciate ligament injury [J]. Chinese Journal of Geriatric Orthopaedics and Rehabilitation(Electronic Edition), 2023, 09(06): 343-350.
[4]	Qian Zeng, Chaoyang Xu, Lifang Zhang. Research progress on gait analysis in Parkinson's disease [J]. Chinese Journal of Brain Diseases and Rehabilitation(Electronic Edition), 2024, 14(04): 235-238.
[5]	Xuan Zhang, Ming Feng, Qian Wang, Rong Xue. Effect of Shunaoxin Dropping Pills on objective sleep parameters and inflammatory markers in patients with cerebral small vessel disease [J]. Chinese Journal of Brain Diseases and Rehabilitation(Electronic Edition), 2024, 14(03): 140-145.
[6]	Qian Gao, Xiaofang Li, Yazhao Yang, Jing Zhang, Lei Cui, Liqing Yang, Yanmin Xia. Progress in understanding of role of thyroid hormone and Apelin in cognitive impairment caused by cerebral small vessel disease [J]. Chinese Journal of Clinicians(Electronic Edition), 2024, 18(02): 201-206.
[7]	Weiwei Zhao, Yuhua Zhao, Xiaoxuan Liu. Correlation between MTHFR C677T polymorphism and cerebral microbleeds in Tibet area [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2024, 18(05): 473-478.
[8]	Yuhui Sha, Menglin Liang, Chenhao Jia, Juanjuan Wu, Tianhao Zhang, Yicheng Zhu, Ruixue Cui, Jun Ni. Characteristics of amyloid-β deposition in cerebral amyloid angiopathy and its relationship with neuroimaging markers [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2024, 18(04): 301-308.
[9]	Mengxin Wang, Mofan Li, Shumin Wang. Advances in the application of cerebral microcirculation imaging technology in cerebral small vessel disease [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2024, 18(03): 281-284.
[10]	Jie Shen, Hongyang Xie, Cuiqiao Xia, Yonghua Huang. Progress in the research of cognitive frailty in cerebral small vessel disease [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2024, 18(02): 181-184.
[11]	Wenhua Ding, Yuwei Wang, Jingjing Qiu, Qiong Yang, Yurong Geng. Research progress on imaging biomarkers and motor dysfunction in cerebral small vessel disease [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2023, 17(05): 429-434.
[12]	Meijuan Yan, Lihui Shao. Correlation between lipoprotein (a) and arteriosclerotic cerebral small vessel disease in elderly population without diabetes, hyperlipidemia and hypertension [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2023, 17(05): 458-463.
[13]	Lin Liu, Qishan Zhang, Manqian Liao, Yurong Chen, Bei Li, Yucheng He, Shengtao Tang. HTRA1-related autosomal dominant cerebral small vessel disease: a family report and literature review [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2023, 17(04): 379-385.
[14]	Daohe Wang, Yuanyuan Shi. Value of 8-iso-PGF2α and P selectin in evaluating cognitive function of patients with cerebral small vessel disease [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2023, 17(04): 364-368.
[15]	Xiaohong Huang, Ning Su, Yicheng Zhu. Review of research progress on the relationship between gait and adverse events based on community cohort [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2023, 17(03): 271-274.

Please choose a citation manager

Content to export