KARDIOMETABOLISTEN RISKITEKIJÖIDEN YHTEYDET KOGNITIOON 6–8-VUOTIAILLA LAPSILLA
Annika Mäkinen Syventävien opintojen opinnäytetyö Itä-Suomen yliopisto Lääketieteen koulutusohjelma
Terveystieteiden tiedekunta
Tammikuu 2019
Itä-Suomen yliopisto, Terveystieteiden tiedekunta
Lääketieteen laitos
Lääketieteen koulutusohjelma
Mäkinen, Annika HP. Kardiometabolisten riskitekijöiden yhteydet kognitioon 6–8-vuotiailla lapsilla Opinnäytetyö, 34 sivua
Ohjaajat: FT Eero Haapala, TtM Juusto Väistö
Helmikuu 2019
Asiasanat: kognitio, kardiometabolinen riski, ylipaino
Lasten ylipainoisuus on nykypäivänä merkittävä ongelma sekä kehittyneissä että kehittyvissä maissa. Esimerkiksi suomalaisista pojista yli 10% ja tytöistä yli 15% on ylipainoisia tai lihavia.
Ylipainoon liittyy myös muita kardiometabolisia riskitekijöitä. Kardiometabolisella riskillä tarkoitetaan henkilön riskiä sairastua johonkin kardiovaskulaariseen päätetapahtumaan,
esimerkiksi sydäninfarktiin. Riskitekijöitä ovat esimerkiksi korkea verenpaine, korkea kolesteroli ja sokeriaineenvaihdunnan häiriöt. Niiden yhteyksiä kognitioon eli henkilön tiedonkäsittelykykyihin on tutkittu jonkin verran aikuisilla. Lapsilla tällaista tutkimusta on tehty niukasti ja tulokset ovat ristiriitaisia. Suurimmassa osassa lapsilla tehdyistä tutkimuksista on tarkasteltu ylipainon ja lihavuuden yhteyttä kognitiivisiin toimintoihin ja todettu liikapainoisilla olevan heikentynyt kognitio normaalipainoisiin verrattuna, myös, kun muut riskitekijät, kuten verenpaine ja rasva- arvot, on kontrolloitu. Kehon rasvaprosentti, keskivartalorasvan määrä ja vyötärönympärys näyttävät olevan negatiivisessa yhteydessä kognitioon. Fyysisellä aktiivisuudella taas on havaittu olevan positiivinen yhteys kognitiivisiin toimintoihin sekä välittömästi että pitkällä aikavälillä.
Toisaalta, eräässä tutkimuksessa ei havaittu yhteyttä painoindeksin ja kognition välillä lapsilla ja nuorilla, joilla ei ollut muita kardiometabolisia riskitekijöitä. Eräässä Intiassa tehdyssä
tutkimuksessa liikapainoiset lapset pärjäsivät kognitiota mittaavissa testeissä normaalipainoisia paremmin, myös, kun ikä, sukupuoli sekä sosioekonomiset tekijät kontrolloitiin. On myös epäselvää, mitkä mekanismit selittävät kognition ja kardiometabolisen riskin yhteyttä.
Tämä opinnäytetyö on tehty osana Itä-Suomen yliopistossa vuonna 2007 alkanutta Lasten liikunta ja ravitsemus (PANIC)- tutkimusta. Vuosina 2007-2009 tutkimuksen alkumittauksiin osallistui 512 silloin 6–8-vuotiasta lasta. Lapsilta mitattiin alkuvaiheessa useita kardiometabolisia riskitekijöitä, kuten verenpaine, veren rasva-arvot, vakioitu painoindeksi, vyötärönympärys, rasvaprosentti, fyysinen aktiivisuus ja passiivisuus, energiansaanti, paastoglukoosi ja seerumin insuliinipitoisuus.
Lasten kognitiivista ei-verbaalista päättelykykyä arvioitiin Raven Coloured Progressive Matrices- testillä (Raven CPM), jonka ajatellaan edustavan korkean tason kognitiivista toimintaa ja kattavan sen tärkeimmät osa-alueet, eli inhibitorisen kontrollin, työmuistin ja henkisen joustavuuden.
Tässä opinnäytetyössä tarkasteltiin systolisen ja diastolisen verenpaineen, HOMA-IR- scoren, eli glukoosiaineenvaihduntaa kuvaavan parametrin, sekä kardiometabolisen kokonaisriskin yhteyksiä kognitioon 6–8-vuotiailla lapsilla. Analyysissä todettiin kardiometabolisen kokonaisriskin olevan tilastollisesti merkitsevässä yhteydessä kognitioon niin, että ryhmän 1 (pieni riski) jäsenet
suoriutuivat kognitiivisesta testistä paremmin kuin ryhmän 2 jäsenet (kohtalainen riski). Systolisen ja diastolisen verenpaineen sekä HOMA-IR-scoren ja kognition välillä ei ollut merkittävää yhteyttä tytöillä eikä pojilla. Lisäksi lapset jaettiin rasvaprosentin suhteen kolmeen eri ryhmään ja
tarkasteltiin HOMA-IR-scoren vaikutusta kognitioon näissä ryhmissä. Pojilla oli keskimmäisessä rasvaprosenttiryhmässä tilastollisesti merkitsevä yhteys kognitioon niin, että ne, joilla oli korkeampi rasvaprosentti tämän ryhmän sisällä, suoriutuivat kognitiivisesti paremmin.
University of Eastern Finland, Faculty of Health Sciences School of Medicine Medicine Mäkinen, Annika HP. Cardiometabolic risk and it’s association with cognition on 6–8-year-old children.
Thesis, 34 pages Tutors: Eero Haapala, Doctor of Philosophy; Juuso Väistö, Master of Health Sciences February 2019 Key words: cognition, cardiometabolic risk, obesity
Childhood obesity is nowadays a major issue in both developed and developing countries. For example in Finland 10% of boys and 15% of girls are overweight or obese. Obesity is also
associated with other cardiometabolic risk factors. Cardiometabolic risk means one’s risk to suffer from a cardiovascular end-point, for example a heart attack. These risk factors include high blood pressure, high cholesterol, impaired glucose metabolism et cetera. Their associations with
cognition have been studied on adults, whereas on children this topic has been studied quite a little, and the results are ambivalent. It seems that obese children have a decreased cognitive function compared to normal-weight children, also when other risk factors, such as blood pressure and cholesterol levels, have been controlled. Body fat percentage, the amount of visceral fat and waist circumference seem to be negatively associated with cognition. Physical activity is positively associated with cognitive functions both immediately and in the long term. On the other hand, one study showed no association between body mass index and cognition in children and
adolescents who did not have other cardiometabolic risk factors. One study in India implied that overweight children succeeded better in cognitive tests than normal-weight children, also when age, sex and socioeconomical factors were controlled. There is also obscurity about the
mechanisms that may explain the association between cardiometabolic risk and cognition.
This thesis was based on a study called Physical Activity and Nutrition in Children (PANIC), which started in 2007 at the University of Eastern Finland. In 2007-2009 512 children aged 6–8
participated in the first measurements. The research group measured a bunch of the children’s cardiometabolic risk factors, such as blood pressure, blood cholesterol, body mass index for children, waist circumference, body fat percentage, physical activity and sedentary time, energy intake, fasting plasma glucose and serum insulin levels. Their cognitive non-verbal deduction was measured with a test called Raven Coloured Progressive Matrices (Raven CPM), which represents all the major components of higher cognitive functions: inhibitory control, working memory and cognitive flexibility.
This thesis investigates the associations of blood pressure, HOMA-IR-score (a parameter that represents glucose metabolism), and total cardiometabolic risk core with cognition in 6–8-year- old children. In this analysis it seems that the total cardiometabolic risk is statistically significantly associated with cognition. Children in risk group 1 (small risk) had a better cognitive performance than those in the group 2 (middle risk). Blood pressure and HOMA-IR-score did not associate with cognition. The children were also divided in three groups by their body fat percentage. Boys in the middle fat percentage group had a statistically significant association with cognition so, that those with a higher body fat percentage performed better in the cognitive test.
Sisällysluettelo
1.Johdanto ……….……….…… 6
2.Kardiometaboliset riskitekijät ……….………..….…… 7
2.1 Ikä
……….…….….……… 7
2.2 Sukupuoli
……….……….………. 7
2.3 Sukurasite
……….. 8
2.4 Ylipaino, vyötärönympärys ja kehon liiallinen rasvapitoisuus
………..… 8
2.5 Insuliiniresistenssi
……….……… 9
2.5.1 Plasman glukoosipitoisuus
……… 9
2.5.2 Seerumin insuliinipitoisuus
……… 10
2.6 Veren lipidit
……….……… 10
2.7 Verenpaine
………..………… 11
2.8 Metabolinen oireyhtymä
……… 12
3. Riskitekijöihin vaikuttaminen ……….………. 13
4. Kognitio………..14
5. Kardiometaboliset riskitekijät ja kognitio……….………..……15
6. Tutkimuksen tarkoitus……….……….17
7. Aineisto ja menetelmät…..……….18
7.1 Tutkimusaineisto
………..………..………..……….18
7.2 Mittaukset
………..……….……… 18
7.2.1 Kehon koon, ylipainon ja lihavuuden mittaaminen
………..……….18
7.2.2 Sydän ja verenkiertoelimistön sairauksien riskitekijät
………..……… 19
7.2.3 Kognitio
……….…… 19
7.2.4 Muut mittaukset
………..……… 20
7.3 Tilastolliset menetelmät
……… 20
8. Tulokset……….……….………21
9. Pohdinta……….………27
10. Johtopäätökset………30
11. Lähteet……….………..……….32
1. Johdanto
Lasten ylipainoisuus on merkittävä ongelma sekä kehittyvissä että kehittyneissä maissa (1).
Suomalaisista pojista yli 10% ja tytöistä yli 15% on ylipainoisia tai lihavia, ja lasten ylipainoisuus on lisääntynyt merkittävästi viimeksi kuluneiden vuosikymmenten aikana (2). Ylipainoisilla lapsilla on normaalipainoisia lapsia suurempi riski myös aikuisiän ylipainolle (3). Ylipainoisilla lapsilla, joiden ylipainoisuus jatkuu aikuisikään, on korkeampi sydän- ja verisuonisairauksien riski, ja tähän liittyy suurentunut kuolleisuus normaalipainoisiin nähden (4). Sydän- ja verisuonisairaudet ovat myös johtava kuolinsyy maailmanlaajuisesti (5). Toisaalta, jos lapsuuden ylipainosta huolimatta aikuisena on normaalipainoinen, on riski sydän- ja verisuonisairauksille huomattavasti pienempi kuin jos ylipainoisuus jatkuu aikuisena (4). Tämän vuoksi lasten ylipainoisuuden ehkäisy ja hoitaminen olisi äärimmäisen tärkeää.
2. Kardiometaboliset riskitekijät
Kardiometabolisella riskillä tarkoitetaan henkilön riskiä sairastua johonkin kardiovaskulaariseen päätetapahtumaan, kuten sydäninfarktiin tai tyypin 2 diabetekseen. Riskitekijöitä ovat muun muassa ikä, sukupuoli, sukuhistoria, korkea verenpaine, sokeriaineenvaihdunnan häiriöt, dyslipidemia, keskivartalolihavuus, insuliiniresistenssi ja tulehdus. Tulehdusta voidaan mitata määrittämällä verestä niin sanotun herkän CRP:n pitoisuus. (6) Nämä kaikki riskitekijät ovat suorassa korrelaatiossa ylipainoon, ja painoindeksin avulla voidaan jo suoraan arvioida jonkin verran kardiometabolista riskiä (4,7-10). Moniin kardiometabolisista riskitekijöistä voidaan vaikuttaa, ja näitä ovat esimerkiksi korkea verenpaine, sokeri- ja rasva-aineenvaihdunnan häiriöt sekä tupakointi (11). Perimä, ikä, rotu ja sukupuoli ovat riskitekijöitä, joihin ei voida vaikuttaa (12).
2.1 Ikä
Korkea ikä lisää kardiometabolista riskiä ilmeisesti sillä mekanismilla, että perinteiset riskitekijät, kuten verenpaine ja korkea kolesteroli, ovat ehtineet vaikuttaa henkilön kokonaisriskiin
kauemmin. Toisaalta puuttumalla näihin perinteisiin riskitekijöihin voidaan pienentää myös iäkkäämmän ihmisen kardiometabolista riskiä huomattavasti. (13)
Toisena ikään liittyvänä riskitekijänä on insuliiniresistenssin lisääntyminen puberteetin aikana.
Patofysiologiset mekanismit sen taustalla ovat epäselviä. Terveillä nuorilla insuliiniherkkyys saavuttaa matalimman arvonsa murrosiän keskivaiheilla, jonka jälkeen tilanne palautuu
normaaliksi. Ylipainoisilla nuorilla tilanne ei välttämättä korjaannu puberteetin väistyttyä, mistä voi seurata kardiometabolisen riskin kohoaminen. Samanlaista ilmiötä esiintyy raskauden aikana.
(14)
2.2 Sukupuoli
Miehillä kardiovaskulaarisia päätetapahtumia on enemmän ja ne tulevat nuoremmalla iällä kuin naisilla. Keski-ikäisillä miehillä esimerkiksi sepelvaltimotauti on 2-5 kertaa yleisempi kuin naisilla.
Tämä johtuu ainakin osittain siitä, että miehillä esiintyy naisia enemmän perinteisiä kardiovaskulaarisia riskitekijöitä. Lisäksi premenopausaalisilla naisilla estrogeeni suojaa
kardiovaskulaarisairauksilta; se muun muassa pitää lipidiprofiilin suotuisampana ja vaikuttanee
myös endoteelifunktioon ja glukoosiaineenvaihduntaan positiivisesti. Iän myötä molempien sukupuolten kardiometabolinen riski kasvaa, mutta naisilla kasvu on huomattavampaa. (15) Insuliiniresistenssin esiintymisen suhteen sukupuolten välillä ei ole merkittävää eroa, mutta naisilla sen merkitys kardiometaboliseen riskiin on vähäisempi etenkin nuorilla (16).
2.3 Sukurasite
Sukuhistoria on itsenäinen kardiovaskulaarisairauksien riskitekijä (12). Jos sairautta esiintyy sisaruksella, riski on kohonnut 40 prosenttia, ja ennenaikaiseen kardiovaskulaarisairauteen (miehillä alle 55-vuotiaana, naisilla alle 65-vuotiaana) sairastuneiden lapsilla riski on kohonnut 60- 75 prosenttia. (17) Esimerkiksi PPARgamma- (peroxisome proliferator-activated receptor gamma) ja CAPN10 (calpain10) - geenien tiedetään olevan yhteydessä tyypin 2 diabeteksen esiintymiseen (18). PPARgamma- geeni säätelee esimerkiksi rasvasolujen muodostumista ja sitä kautta vaikuttaa rasvakudoksen kertymiseen ja ylipainoon (19).
2.4 Ylipaino, vyötärönympärys ja kehon liiallinen rasvapitoisuus
Ylipainon arviointiin käytetään yleisesti painoindeksiä (BMI, Body Mass Index), joka mittaa henkilön painoa suhteessa pituuteen. Painoindeksi lasketaan jakamalla henkilön paino (kg) pituuden toisella potenssilla (metriä). Se antaa virheellisiä tuloksia joissakin tapauksissa, kuten hyvin lihaksikkailla henkilöillä, mutta on laajemmalla tasolla suhteellisen hyvä ja helppo
liikapainoisuuden mittari. Lapsilla painoindeksi vaihtelee iän ja sukupuolen mukaan, ja tämä tulee ottaa huomioon lasten liikapainoisuutta arvioidessa. Tätä varten on kehitetty niin sanottu
painoindeksin z-score, joka määritetään lapsen iän, sukupuolen, painoindeksin ja ulkoisen vertailuarvon avulla. (20)
Ylipainoisuuden lisäksi rasvan jakautuminen kehossa ennustaa kardiometabolista riskiä. Tämä johtunee muun muassa siitä, että rasva kertyy sisäelinten, kuten maksan, ympärille häiriten niiden toimintaa. Keskivartalorasva lisää riskiä huomattavasti, ja sitä voidaan arvioida suhteellisen
luotettavasti vyötärönympäryksen avulla. (21)
Kehon rasvapitoisuus on suorassa yhteydessä henkilön kardiometaboliseen riskiin, riippumatta painoindeksistä tai vyötärönympäryksestä (22). Vaikka BMI näyttäisi normaalilukemaa, voi henkilö
rasvaprosentin perusteella olla ylipainoinen (23). Kehon rasvaprosentti on jopa painoindeksiä parempi kardiometabolisen riskin mittari (24).
Kehon rasvapitoisuutta voidaan myös mitata useilla menetelmillä, esimerkiksi DXA- menetelmällä (Dual energy X-ray absorptiometry). Se on non-invasiivinen menetelmä, jota voidaan käyttää kaiken ikäisillä henkilöillä. Sillä voidaan arvioida luuston, rasvattoman massan sekä rasvan osuutta.
Koko kehon DXA- tutkimus on säderasitukseltaan noin kymmenesosa keuhkojen röntgenkuvan sädeannoksesta. DXA- tutkimuksen tarkkuus ja toistettavuus ovat hyviä. Muita menetelmiä ovat esimerkiksi magneettitutkimus, bioelektroninen impedanssianalyysi ja ilman syrjäytymiseen perustuva pletysmografia. (25)
2.5 Insuliiniresistenssi
2.5.1 Plasman glukoosipitoisuus
Tyypin II diabetes on merkittävä kardiometabolinen riskitekijä, ja se lisää esimerkiksi sepelvaltimotaudin, aivohalvauksen ja perifeerisen valtimotaudin riskiä. Siinä veren glukoosipitoisuus on pitkäaikaisesti kohonnut. (26) Verensokerin säätely perustuu
palautejärjestelmään haiman beetasolujen ja insuliinille herkkien kudosten välillä. Beetasolujen stimulaatio saa solut vapauttamaan insuliinia, joka lisää insuliiniherkissä kudoksissa glukoosin, aminohappojen ja rasvahappojen soluun ottoa. Kudosten insuliiniresistenssi eli vähentynyt herkkyys insuliinille aiheuttaa sen, että haiman insuliinia tuottavat beetasolut joutuvat lisäämään insuliinin tuottoa pitääkseen verensokerin normaalilla tasolla. Kun beetasolujen insuliinintuotanto ei enää pysty kompensoimaan kohonnutta insuliinin tarvetta, verensokeri nousee. (27) Tyypin II diabetesta on perinteisesti pidetty aikuisten sairautena, mutta lihavuusepidemian yleistyttyä myös lapset kärsivät glukoosiaineenvaihdunnan häiriöistä (esidiabetes) ja tyypin II diabeteksesta (28).
Tyypin II diabetes on itsenäinen riskitekijä, ja lisäksi se usein esiintyy yhdessä muiden
kardiometabolisten riskitekijöiden kanssa, jolloin kokonaisriski on huomattavasti kohonnut. (26) Plasman paastoglukoosi on yhteydessä kardiometaboliseen riskiin myös normoglykeemisillä ja esidiabeettisillä henkilöillä niin, että korkeampaan paastoglukoosiin liittyy suurentunut riski (29,30). Tyypin II diabeteksen riskiä lisäävät suurentunut kehon rasvapitoisuus ja keskivartalorasva (28). Perimäkin vaikuttaa diabetesriskiin ja esimerkiksi beetasolujen toiminta on periytyvää (27).
Myös tyypin I diabetes, joka usein puhkeaa jo lapsuudessa, lisää kardiovaskulaaristen komplikaatioiden riskiä (31).
Insuliiniresistenssin arviointiin on olemassa useita menetelmiä. Hyperinsulineeminen
euglykeeminen clamp- tutkimus (HEC) on insuliiniherkkyysmittauksen kultainen standardi, mutta se on aikaa vievä ja kallis menetelmä.(32) Siinä plasman insuliinipitoisuus nostetaan infuusion avulla tietylle tasolle, jota ylläpidetään. Glukoosi-infuusion avulla pidetään myös plasman glukoosipitoisuus vakaalla tasolla. Tällöin infusoitava glukoosin määrä on yhteydessä glukoosin soluun ottoon ja täten mittaa kudosten insuliiniherkkyyttä. (33) Muita insuliiniresistenssin
arviointimenetelmiä ovat esimerkiksi HOMA-ir (homeostatic model assessment- insulin resistance) ja QUICKI (quantitative insulin sensitivity check index) (32). Insuliiniherkkyyttä ja insuliinin
tuotantoa voidaan kliinisesti arvioida suhteellisen hyvällä tarkkuudella oraalisella glukoositestillä (OGTT) (34). Oraalisessa glukoositestissä henkilölle annetaan 75 grammaa glukoosia, ja plasman glukoosipitoisuus mitataan kahden tunnin kuluttua glukoosin annosta. Diabetekselle diagnostista on veren glukoosipitoisuus yli 11 mmol/l kahden tunnin jälkeen. (35)
2.5.2 Seerumin insuliinipitoisuus
Tyypin I diabetekseen liittyy haiman insuliinituotannon ehtyminen ja siitä johtuva insuliinin vajaus (36). Tyypin II diabetekseenkin liittyy kudosten insuliiniresistenssin lisäksi myös haiman
insuliinituotannon heikentyminen (26). Henkilöillä, joilla seerumin paasto- ja aterianjälkeinen insuliinipitoisuus on korkea, on suurentunut riski kehittää tyypin II diabetes. Diabeteksen jo puhjettua paasto- ja aterianjälkeiset insuliinipitoisuudet alkavat laskea, ilmeisesti haiman
insuliinituotannon heikentyessä. (37) Seerumin insuliinipitoisuuden mittauksilla voidaan siis mitata haiman toimintaa ja täten diabeteksen vaikeusastetta.
2.6 Veren lipidit
Lipoproteiinit ovat partikkeleja, jotka toimivat kuljetusproteiineina kehossa. Ne kuljettavat muun muassa ravinnon rasvoja ruoansulatuskanavasta maksaan sekä kolesterolipartikkeleita kudoksiin steroidihormonisynteesiä varten. Lipoproteiinipartikkelit luokitellaan koon ja tiheyden mukaan kylomikroneihin, kylomikronijäänteisiin, VLDL, LDL- ja HDL- partikkeleihin. LDL- partikkelit ovat
pääosin vastuussa kolesterolin kuljettamisesta perifeerisiin kudoksiin LDL- reseptorin välityksellä.
(38)
Lipoproteiinit, kolesteroli ja triglyseridit ovat mukana sepelvaltimotaudin ja ateroskleroosin patogeneesissä. HDL- kolesteroli suojelee verisuonia ateroskleroosilta, koska se kuljettaa kolesterolia pois verisuonten intima- kerroksesta maksaan ja sitä kautta sappeen eritettäväksi.
Lisäksi HDL vähentää monosyyttien siirtymistä intimaan, stimuloi solujen korjaantumista ja jakaantumista sekä vähentää trombinmuodostusta. (39)
LDL- kolesterolin kertyminen verisuonten seinämiin ja sen hapettuminen ovat keskeisessä asemassa ateroskleroosin synnyssä. Hapettunut LDL lisää monosyyttien ja lymfosyyttien kertymistä intimaan sekä lisää useiden kasvutekijöiden ja sytokiinien tuotantoa. Monosyytit muuttuvat intimassa makrofageiksi, ja fagosytoivat hapettuneita LDL-partikkeleita, jolloin syntyy vaahtosoluja. Sytokiinit ja kasvutekijät lisäävät edelleen makrofagien siirtymistä intimaan ja aktivoitumista. Proinflammatoriset sytokiinit IL-1 ja TNF-alfa stimuloivat paikallisesti PDGF:n (platelet-deriver growth factor) ja FGF:n (fibroblast growth factor) tuotantoa. PDGF saa aikaan sileälihassolujen migraatiota verisuonen media- kerroksesta intima-kerrokseen. Myös matriksin metalloproteinaasit ovat osana sileälihassolujen migraatiossa. Useiden entsyymien ja sytokiinien aktivaatio ja muutokset verisuonen seinämässä johtavat ateroskleroottisen plakin kehittymiseen.
(39)
Triglyseridit eivät suoraan ole kardiovaskulaarisairauksien riskitekijä, mutta ennustavat riskiä, koska ne assosioituvat muun muassa aterogeenisiin jäännöspartikkeleihin (kylomikronit, VLDL- partikkelit) (40).
2.7 Verenpaine
Kohonnut verenpaine lisää kardiovaskulaaritapahtumien riskiä. Sekä systolisen että diastolisen paineen kohoaminen nostaa riskiä lineaarisesti. (41) Hypertensiota sairastavilla henkilöillä on usein myös muita kardiovaskulaarisia riskitekijöitä, jolloin kokonaisriski on huomattavasti suurentunut (42). Ainakin aikuisten osalta korkeampi systolinen verenpaine ennustaa riskiä myös
normotensiivisillä potilailla niihin verrattuna, joilla systolinen paine on matalampi. (43) Korkean verenpainen kehittymiseen vaikuttavat monet tekijät, kuten perimä, neste- ja
suolatasapaino, reniini-angiotensiini-aldosteronijärjestelmän toiminta, sympaattisen hermoston
aktivaatio sekä verisuonten ominaisuudet. Korkea verenpaine vaurioittaa verisuonia, mikä altistaa esimerkiksi aivohalvaukselle ja sydämen vajaatoiminnalle. (44)
2.8 Metabolinen oireyhtymä
Metabolisella oireyhtymällä tarkoitetaan usean fysiologisen, biokemiallisen, kliinisen ja metabolisen tekijän esiintymistä yhdessä, mikä suoraan lisää henkilön riskiä sairastua
kardiometaboliseen sairauteen sekä kuolleisuutta. Insuliiniresistenssi, dyslipidemia, kohonnut verenpaine ja endoteelidysfunktio ovat esimerkkejä metabolisen oireyhtymän komponenteista.
Metabolista oireyhtymää sairastavilla henkilöillä on viisinkertainen riski sairastua diabetekseen ja kaksinkertainen riski kuolla johonkin kardiovaskulaariseen päätetapahtumaan terveeseen
henkilöön verrattuna. Matala-asteinen systeeminen tulehdus on yhteydessä edellä mainittuihin riskitekijöihin ja tärkeässä roolissa metabolisen oireyhtymän syntymisessä. Myös geneettisillä tekijöillä on huomattava merkitys oireyhtymän synnyssä. (45)
3. Riskitekijöihin vaikuttaminen
Osa kardiometabolisista riskitekijöistä, kuten ikä ja genetiikka, on sellaisia, joihin ei itse voi vaikuttaa. Siitä huolimatta elintavat ovat erittäin tehokas tekijä kardiometabolisen riskin pienentämisessä niin aikuisilla kuin lapsilla. Ruokavalio- ja liikuntatottumusten avulla voidaan vaikuttaa kardiometabolisiin riskitekijöihin, sairastuvuuteen ja sitä kautta kuolleisuuteen. Korkea kasviöljypohjaisten tuotteiden ja runsaskuituisten täysjyvätuotteiden käyttö ovat yhteydessä pienempään tyydyttyneiden ja monotyydyttymättömien rasvojen määrään ja suurempaan monityydyttymättömien rasvojen määrään. Makeisten ja muiden runsaasti sokeria sisältävien ruokien syömisen vähentäminen vaikuttaa myös edullisesti lipidiprofiiliin lapsilla. (46) Veren lipidiprofiilia voidaan parantaa myös lääkehoidolla (47), ja tämä tulee kyseeseen erityisesti suuren riskin potilailla. Usean lämpimän aterian syöminen päivässä on yhteydessä pienempään ylipainon riskiin, samoin kun ruoasta saatu kylläisyyden tunne ja syömisen hitaus. Ruoasta nauttiminen ja tunneperäinen liikasyöminen lisäävät ylipainon riskiä. (48)
Myös fyysisen aktiivisuuden lisääminen vaikuttaa veren rasva-arvoihin ja kardiometaboliseen riskiin myönteisesti (46,7). Fyysisen aktiivisuuden lisääminen pienentää kardiometabolista kokonaisriskin pistemäärää, kehon rasvaprosenttia, insuliinin määrää, triglyseridien määrää, LDL- kolesterolin,VLDL-kolesterolin ja VLDL- triglyseridien määrää, ja nostaa HDL- kolesterolin määrää.
Television katselu ja muu fyysisesti passiivinen toiminta taas lisää suoraan kardiometabolista riskiscorea, kehon rasvaprosenttia, vyötärönympärystä ja systolista verenpainetta. (7) Tupakoinnin lopettaminen niin ikään pienentää riskiä (12).
4. Kognitio
Kognitiolla tarkoitetaan tiedonkäsittelyä (49). Kognitiivisia prosesseja ovat muun muassa huomioiminen, muisti, havainnointi, puhe ja kieli, päätöksenteko ja toiminnan ohjaus (50).
Toiminnan ohjaus- käsitteen alle kuuluu kolme keskeistä osa-aluetta, jotka ovat inhibitorinen kontrolli, työmuisti sekä kognitiivinen joustavuus. Inhibitorisella kontrollilla tarkoitetaan yksilön kykyä hallita omaa huomion kiinnittämistään, ajatuksiaan, käytöstään tai tunteitaan sisäisestä tai ulkoisesta ärsykkeestä huolimatta. Inhibitorinen kontrolli mahdollistaa järkevän toimimisen
tilanteissa, joissa sisäinen tai ulkoinen stimulus muuten aiheuttaisi impulssin toimia tietyllä tavalla.
Työmuistilla tarkoitetaan sitä, että henkilö on kykenevä pitämään tietoa mielessään ja työskentelemään sen kanssa, kun kaikki informaatio ei enää ole läsnä. Tämä mahdollistaa esimerkiksi lauseiden ymmärtämisen tai ohjeiden noudattamisen. Kognitiivisella joustavuudella tarkoitetaan yksilön kykyä esimerkiksi nähdä asioita toisen henkilön näkökulmasta tai ajatella samalle ongelmalle useita ratkaisuvaihtoehtoja. (51)
5. Kardiovaskulaariset riskitekijät ja kognitio
Kardiometabolisen riskin ja sen eri osatekijöiden vaikutuksia oppimiseen ja kognitioon eli
tiedonkäsittelyn eri osatekijöihin on tutkittu lapsilla vain vähän. Suurimmassa osassa tutkimuksia on tarkasteltu ylipainon ja lihavuuden yhteyttä kognitiivisiin toimintoihin. Näissä tutkimuksissa on havaittu, että ylipainoisilla tai lihavilla lapsilla on heikentynyt toiminnanohjaus verrattuna
normaalipainoisiin lapsiin (52). 8-16- vuotiailla lapsilla on todettu liikapainoisuuden oleva yhteydessä kokonaisvaltaiseen heikentymiseen henkisessä suorituskyvyssä, kun muut tekijät, kuten fyysinen aktiivisuus, verenpaine ja rasva-arvot on kontrolloitu (53). Lisäksi 2-3- vuotiailla lapsilla on havaittu lihavuuden liittyvän muun muassa heikompiin verbaalisiin kykyihin (54).
Vakavasti ylipainoisilla lapsilla on havaittu olevan alempi älykkyysosamäärä normaalipainoisiin lapsiin nähden (55). Toisaalta, eräässä tutkimuksessa ei havaittu yhteyttä painoindeksin ja kognition välillä lapsilla ja nuorilla, joilla ei ollut muita kardiometabolisia riskitekijöitä (56).
Vyötärönympärys, vyötärö- lantiosuhde, sekä keskivartalorasvan määrä näyttäisivät olevan
negatiivisessa yhteydessä kognitioon (57), samoin kuin kehon rasvapitoisuus (58). Eräässä Intiassa tehdyssä tutkimuksessa puolestaan ylipainoiset ja lihavat lapset pärjäsivät normaalipainoisia paremmin muun muassa oppimiseen sekä verbaaliseen kyvykkyyteen liittyvissä testeissä. Nämä tulokset säilyivät merkittävinä, kun kontrolloitiin ikä, sukupuoli sekä sosioekonomiset tekijät.
Vyötärönympäryksellä ja rasvaprosentilla havaittiin samanlainen positiivinen yhteys oppimiseen ja kognitioon. (59) Fyysisellä aktiivisuudella, etenkin sellaisella, johon liittyy kognitiivista toimintaa, on positiivista vaikutusta lasten eksekutiivisiin toimintoihin (toiminnanohjaus) sekä välittömästi että pitkällä aikavälillä (60). Toisaalta alipainoisilla lapsilla on myös erään tutkimuksen mukaan heikompi kognitio normaalipainoisiin lapsiin nähden (61). Erityisesti matala rasvaprosentti yhdistettynä heikkoihin motorisiin taitoihin on yhteydessä heikompaan kognitiiviseen suoriutumiseen, ja syynä tälle voi olla esimerkiksi varhaislapsuuden aliravitsemus (62).
Sitä, millä mekanismilla kardiometaboliset tekijät vaikuttavat kognitioon, ei tiedetä tarkasti; syyksi on ehdotettu esimerkiksi kardiometabolisen dysfunktion aiheuttamaa verenkierron heikentymistä aivoissa. Kuitenkaan tämä ei selitä kognition heikentymistä lapsilla. Muita mekanismeja
saattaisivat olla esimerkiksi rasvakudoksen vapauttamat sytokiinit tai sekoittavat tekijät; Intiassa
korkeampi sosioekonominen status yhdistetään lihavuuteen, ja lihavuus parempaan
ravitsemukseen, joten on mahdollista, että sosioekonominen status on yhteydessä kognitioon enemmän kuin painoindeksi tai rasvaprosentti. (59) Lasten ja nuorten lihavuus saattaa olla yhteydessä pienempään harmaan aineksen määrään isoaivojen frontaali- sekä limbisissä osissa, mikä saattaisi myös selittää kognitiivista heikentymistä lihavilla lapsilla (uusi 63, vanha 39).
Hermoston kehittyminen fyysisen harjoittelun myötä saattaa myös selittää kognition heikkoutta fyysisesti inaktiivisilla lapsilla (64).
Myös muiden kardiometabolisten riskitekijöiden vaikutuksia kognitiiviseen suoriutumiseen on tutkittu jonkin verran. Kohonnut systolinen verenpaine altistaa keskushermoston kohde- elinvaurioille ja voi tätä kautta aiheuttaa kognitiivista dysfunktiota 6-16- vuotiailla lapsilla (65).
Myös korkeat paastoglukoosiarvot ovat yhteydessä heikentyneeseen kognitioon nuorilla aikuisilla (66). Ei-insuliiniriippuvaisella diabeteksella eli tyypin 2 diabeteksella on suhteellisen selkeä yhteys oppimiseen ja muistiin, ja potilaan glykeeminen kontrolli vaikuttaa tähän merkittävästi. Mekanismi saattaa liittyä hermorakenteiden patologisiin muutoksiin. (67)
6. Tämän tutkimuksen tarkoitus
Tämän tutkimusraportin tavoitteena on tutkia kardiometabolisen riskin yhteyksiä kognitioon 6-8- vuotiailla lapsilla. Hypoteesina on, että kohonnut kardiometabolinen riski on yhteydessä
heikentyneeseen kognitioon.
7. Aineisto ja menetelmät
7.1 Tutkimusaineisto
Tämän tutkimusraportin aineisto pohjautuu itä-Suomen yliopistossa toteutettavaan Lasten liikunta ja ravitsemus- tutkimukseen. Yhteensä 512 iältään 6–8-vuotiasta lasta osallistui tutkimuksen alkumittauksiin vuosina 2007-2009. Lasten liikunta ja ravitsemus -tutkimus on edelleen jatkuva kontrolloitu elintapainterventiotutkimus, jonka tavoitteena on tuottaa uutta tieteellistä näyttöä erityisesti fyysisen aktiivisuuden lisäämisen, fyysisen passiivisuuden vähentämisen ja
ravitsemuksen parantamisen vaikutuksista terveyteen ja hyvinvointiin lapsilla ja nuorilla.
Tutkimukseen osallistuvien lasten ikä- ja sukupuolivakioitu painoindeksin keskihajontapistemäärä (BMI-SDS) ei eronnut saman alueen ensimmäiselle luokalle menevien muiden lasten BMI-SDS:stä ensimmäisellä luokalla tehtävän terveystarkastuksen perusteella. Pohjois-Savon sairaanhoitopiirin eettinen toimikunta on antanut tutkimukselle puoltavan lausunnon. Lapset ja heidän huoltajansa antoivat tietoon perustuvan suostumuksensa tutkimukseen osallistumisesta.
7.2 Mittaukset
7.2.1 Kehon koon, ylipainon ja lihavuuden mittaaminen
Tutkimushoitaja mittasi lapsen painon kahdesti InBody® 720 -bioimpedanssilaitteella (Biospace, Soul, Etelä-Korea) 100 gramman tarkkuudella lapsen paastottua 12 tuntia, tyhjennettyä
virtsarakon ja lapsen ollessa kevyessä alusasussa. Käytimme näiden kahden mittauksen keskiarvoa tilastollisissa analyyseissa. Tutkimushoitaja mittasi pituuden seinään kiinnitetyllä kalibroidulla pituusmitalla kolme kertaa yhden millimetrin tarkkuudella lapsen seisoessa paljain jaloin ja pää Frankfurtin tasossa. Tilastollisissa analyyseissa käytettiin kahden lähimmän mittauksen keskiarvoa.
BMI-SDS laskettiin hyödyntäen suomalaisia kasvukäyriä (68). Ylipainon ja lihavuuden
määrittämiseen käytettiin Colen ja työtovereiden raportoimia ikä- ja sukupuolivakioituja raja- arvoja (69). Lisäksi kehon rasvapitoisuus mitattiin kaksienergiaisella
röntgensädeabsorptiometrialla (dual-energy X-ray absorptiometry, DXA) (70).
7.2.2 Sydän ja verenkiertoelimistön sairauksien riskitekijät
Laboratoriohoitaja otti lapsilta laskimoverinäytteet Itä-Suomen yliopiston biolääketieteen laitoksella, näiden paastottua 12 tuntia. Näytteet analysoitiin Kuopion Yliopistollisen sairaalan kliinisen kemian laboratoriossa. Näytteestä määritettiin plasman glukoosipitoisuus, kokonais- HDL- ja LDL- kolesterolin pitoisuudet, triglyseridit sekä seerumin insuliinipitoisuus. VLDL- pitoisuus (very low density lipoprotein) määritettiin sentrifugoinnin avulla ja HDL- kolesterolin määrä poistamalla ensin VLDL ja sen jälkeen LDL näytteestä.
Lapsille määritettiin kardiometabolinen riskiscore laskemalla yhteen Z-arvot
vyötärönympärykselle, insuliinille, glukoosille, triglyserideille, HDL- kolesterolille sekä systolisen ja diastolisen verenpaineen keskiarvoille, jotka ovat spesifisiä tälle tutkimusryhmälle. HDL-
kolesterolin Z-arvo kerrottiin luvulla -1, sillä se on negatiivisessa korrelaatiossa kardiometabolisen riskin kanssa. Korkeampi kardiometabolinen riskiscore tarkoittaa epäsuotuisampaa
kardiometabolista riskiprofiilia.
Lisäksi HOMA-IR (homeostatic model assessment-insulin resistance) laskettiin kaavalla
(seerumin paastoinsuliini*plasman paastoglukoosi)/22. Maksaentsyymit alaniiniaminotransferaasi (ALT) ja gamma-glutamyylitransferaasi (GGT) määritettiin osoittamaan alkoholista riippumatonta maksan rasvoittumista (NAFL).
7.2.3 Kognitio
Ei- verbaalista päättelykykä arvioitiin käyttämällä ns. Raven Coloured Progressive Matrices- testiä (Raven CPM), jonka suoritti koulutettu tutkija. Raven CPM- testin ajatellaan edustavan
korkeamman tason toimintaa ja kattavan sen kaikki tärkeimmät osa-alueet: inhibition, työmuistin sekä henkisen joustavuuden. Raven CPM- testi testaa kykyä löytää samankaltaisuuksia,
eroavaisuuksia sekä hienovaraisia kaavoja, eikä tulos riipu henkilön hankituista tiedoista tai kielitaidosta. Raven CPM koostuu kolmesta 12 osan sarjasta. Jokaisella testin sivulla on yksi suuri kuva tai kuvista muodostuva kuvio, sekä kuusi pientä kuvaa. Lasten tehtävänä on valita pienistä kuvista oikea, niin, että se täydentää sivulla näkyvän kuvan tai niistä muodostuvan kuvion. Testin tulos määräytyi oikeiden vastausten perusteella, asteikolla 0-36.
7.2.4 Muut mittaukset
Fyysistä aktiivisuutta ja fyysistä passiivisuutta mitattiin sekä kyselylomakkeella että liike- ja sykemittauksen yhdistävällä Actiheart®-aktiivisuusmittarilla (CamNtech Ltd., Papworth, Iso- Britannia) (71). Tutkimuslääkäri määritti puberteetin alkaneeksi Tannerin kuvaamilla kriteereillä (72). Energiasaanti laskettiin ja päivittäisten pääaterioiden määrä mitattiin neljän peräkkäisen päivän ruokapäiväkirjalla (73). Vanhempien koulutustaso ja kotitalouden vuosittaiset tulot määritettiin itsetäytettävällä kyselylomakkeella (74).
7.3 Tilastolliset menetelmät
Aineiston analyysiin käytetään t-testiä, Mann-Whitneyn U-testiä, varianssianalyysiä sekä korrelaatio- ja regressioanalyysejä.
8. Tulokset
Tässä analyysissä tarkasteltiin systolisen verenpaineen, diastolisen verenpaineen, HOMA-IR- scoren sekä kardiometabolisen kokonaisriskiscoren yhteyksiä kognitioon. Mallit vakioitiin sukupuolella ja iällä.
Lapset jaettiin kardiometabolisen kokonaisriskiscoren mukaan kolmeen ryhmään (1=pieni riski, 2=kohtalainen riski, 3=suuri riski). Kovarianssianalyysin avulla tarkasteltiin, onko näiden ryhmien välillä merkitsevää eroa kognitiivista suoriutumista mittaavan Raven CPM- testin tuloksissa. Pienen ja kohtalaisen riskin ryhmien välillä todettiin tilastollisesti merkitsevä ero kognitiivisessa
suoriutumisessa, kun sukupuoli ja ikä oli kontrolloitu. Pienen ja suuren riskin ryhmien sekä
kohtalaisen ja suuren riskin ryhmien välillä ei todettu tilastollisesti merkitsevää eroa kognitiivisessa suoriutumisessa Raven CPM- testissä. (Taulukot 1-3)
TAULUKKO 1. Kardiometabolisen riskiryhmän, iän ja sukupuolen yhteydet suoriutumiseen kognitiota mittaavassa Raven CPM- testissä.
Keskineliö F P-arvo Eta^2
Sukupuoli 24,417 ,962 ,327 ,002
Ikä 161,270 6,356 ,012 ,013
Riskiryhmä 106,416 4,194 ,016 ,017
TAULUKKO 2. Raven CPM- testin keskiarvot, keskivirheet ja luottamusvälit riskiryhmittäin.
Keskiarvo Keskivirhe 95% Luottamusväli
Riskiryhmä 1 22,651 ,587 21,498 … 23,805
Riskiryhmä 2 24,450 ,274 23,911 … 24,988
Riskiryhmä 3 23,580 ,616 22,370 … 24,789
TAULUKKO 3. Raven CPM- testitulosten erot eri kardiometabolisten riskiryhmien välillä.
Riskiryhmä Riskiryhmä Keskimääräinen ero
Keskivirhe P-arvo 95%
luottamusväli
1 2 -1,798 ,648 ,006 -3,072… -
,525
1 3 -,928 ,851 ,276 -2,601 … ,744
2 1 1,798 ,648 ,006 ,525 … 3,072
2 3 ,870 ,674 ,197 -,454 … 2,194
3 1 ,928 ,851 ,276 -,744 … 2,601
3 2 -,870 ,674 ,197 -2,194 … ,454
Systolisen ja diastolisen verenpaineen sekä HOMA-IR-scoren yhteyksiä kognitioon tutkittiin lineaarisella regressiomenetelmällä.
Systolisella tai diastolisella verenpaineella ei havaittu tilastollisesti merkitsevää yhteyttä kognitioon tytöillä eikä pojilla, kun ikä oli vakioitu (taulukot 4-6).
HOMA-IR- scorella ei havaittu tilastollisesti merkitsevää yhteyttä kognitioon tytöillä eikä pojilla, kun ikä oli vakioitu (taulukot 7-9). Lisäksi lapset jaettiin rasvaprosentin suhteen kolmeen ryhmään (1=5-18%, 2=18-31%, 3=31-45%), ja tarkasteltiin, onko HOMA-IR- scorella vaikutusta kognitioon rasvaprosentin eri kolmanneksissa. Tytöillä ei havaittu tilastollisesti merkitseviä yhteyksiä HOMA- IR-scoren ja kognition välillä rasvaprosentin eri kolmanneksissa (taulukko 10). Pojilla havaittiin tilastollisesti merkitsevä positiivinen yhteys HOMA-IR-scoren ja kognition välillä rasvaprosentin 2.
kolmanneksessa, mutta ei muissa rasvaprosentin kolmanneksissa (taulukko 11).
TAULUKKO 4. Systolisen ja diastolisen verenpaineen yhteydet kognitioon 6–8-vuotiailla lapsilla.
Standardoitu regressiokerroin
P-arvo 95% luottamusväli
Systolinen verenpaine
-,021 ,641 -,076 … ,047
Diastolinen verenpaine
,020 ,648 -,077 … ,048
TAULUKKO 5. Systolisen ja diastolisen verenpaineen yhteydet kognitioon 6–8-vuotiailla tytöillä.
Standardoitu regressiokerroin
P-arvo 95% luottamusväli
Systolinen verenpaine
-,016 ,799 -,094 … ,073
Diastolinen verenpaine
-,019 ,761 -,100 … ,073
TAULUKKO 6. Systolisen ja diastolisen verenpaineen yhteydet kognitioon 6–8-vuotiailla pojilla.
Standardoitu regressiokerroin
P-arvo 95% luottamusväli
Systolinen verenpaine
-,019 ,767 -,105 … ,078
Diastolinen verenpaine
-,019 ,757 -,105 … ,076
TAULUKKO 7. HOMA-IR-scoren yhteys kognitioon 6–8-vuotiailla lapsilla.
Standardoitu regressiokerroin
P-arvo 95% luottamusväli
,010 ,830 -,727 … ,906
TAULUKKO 8. HOMA-IR-scoren yhteys kognitioon 6–8-vuotiailla tytöillä.
Standardoitu regressiokerroin
P-arvo 95% luottamusväli
Tytöt -,063 ,336 -1,788 … ,613
TAULUKKO 9. HOMA-IR-scoren yhteys kognitioon 6–8-vuotiailla pojilla.
Standardoitu regressiokerroin
P-arvo 95% luottamusväli
Pojat ,065 ,307 -,540 … 1,711
TAULUKKO 10. HOMA-IR-scoren yhteys kognitioon rasvaprosentin eri kolmanneksissa 6–8- vuotiailla tytöillä.
Standardoitu regressiokerroin
P-arvo 95%
luottamusväli HOMA-IR,
rasva=1
-,072 ,568 -3,701 … 2,048
HOMA-IR, rasva=2
-,121 ,175 -2,671 … ,493
HOMA-IR, rasva=3
,155 ,412 -1,715 … 4,062
TAULUKKO 11. HOMA-IR-scoren yhteys kognitioon rasvaprosentin eri kolmanneksissa 6–8 vuotiailla pojilla.
Standardoitu regressiokerroin
P-arvo 95%
luottamusväli HOMA-IR,
rasva=1
,051 ,536 -1,484 … 2,843
HOMA-IR, rasva=2
,267 ,020 ,362 … 4,081
HOMA-IR, rasva=3
-,103 ,684 -3,542 … 2,383
9. Pohdinta
Tämän tutkimuksen tarkoituksena oli selvittää, onko kardiometabolisella kokonaisriskillä, systolisella ja diastolisella verenpaineella sekä HOMA-IR-scorella yhteyksiä kognitiiviseen
suoriutumiseen 6–8-vuotiailla lapsilla. Kardiometabolinen kokonaisriski laskettiin lapsille ottamalla huomioon vyötärönympärys, insuliini, veren glukoosi, triglyseridit, HDL- kolesteroli sekä systolinen ja diastolinen verenpaine. Hypoteesina oli, että kohonnut riski olisi yhteydessä heikentyneeseen kognitioon. Lapset jaettiin kokonaisriskin mukaan kolmeen ryhmään (1= pieni riski, 2= kohtalainen riski, 3= suuri riski).
Kardiometabolisella kokonaisriskillä näyttäisi tämän tutkimuksen perusteella olevan yhteys kognitiiviseen suoriutumiseen pienen ja kohtalaisen riskin ryhmien välillä niin, että kohtalaisen riskin ryhmän jäsenet suoriutuivat kognitiivisessa testissä paremmin kuin ne, joilla oli pienin kokonaisriski. Aiemmissa tutkimuksissa on havaittu alipainoisuuden ja matalan rasvaprosentin yhteys heikompaan kognitioon, ja syyksi tälle on esitetty esimerkiksi ravitsemuksen heikkoutta (61,62). Kokonaisscoren määrityksessä otetaan huomioon vyötärönympärys, joka korreloi henkilön painoindeksin sekä kehon rasvaprosentin kanssa. Täten tulos tukee aiempaa hypoteesia siitä, että alipainoisilla eli todennäköisemmin puutteellisesta ravitsemuksesta kärsivillä lapsilla kognitiivinen suoriutuminenkin on heikompaa.
Kardiometabolisen kokonaisriskin nousu kohtalaisesta suureksi ei sen sijaan ollut merkitsevässä yhteydessä kognitiiviseen suoriutumiseen. Tämä on ristiriidassa aiempien tutkimustulosten kanssa, joiden mukaan nimenomaan ylipainolla ja lihavuudella on yhteys heikentyneeseen
kognitioon (52-55), samoin kuin vyötärönympäryksellä, vyötärö-lantiosuhteella, keskivartalorasvan määrällä ja kehon rasvapitoisuudella (57,58). Eräässä tutkimuksessa toisaalta painoindeksi ei ollut yhteydessä kognitioon niillä lapsilla ja nuorilla, joilla muita kardiometabolisia riskitekijöitä ei ollut (56). Intiassa tehdyssä tutkimuksessa ylipainoiset ja lihavat lapset pärjäsivät kognitiivisissa
testeissä paremmin (59). Tällaista tulosta voi selittää esimerkiksi se, että eri maissa lihavien lasten ravitsemustila saattaa olla erilainen ja sitä kautta olla yhteydessä kognitioon.
Kokonaisriski määritettiin laskemalla yhteen useita riskitekijöitä, joista vyötärönympärys on yksi.
On mahdollista, että aiemmissa tutkimuksissa lihavuuden yhteys kognitioon on selittynyt muilla riskitekijöillä, jotka esiintyvät yhdessä lihavuuden kanssa. Painoindeksi itsessään saattaa korreloida
kognitiiviseen suoriutumiseen herkemmin aliravitsemuksen kuin ylipainoisuuden kautta, sillä lihavuuden ja kognition yhteyksistä tehdyt tutkimukset ovat olleet ristiriitaisia.
Eräs tämän tutkimuksen heikkouksista on se, että koska henkilön kardiometabolinen kokonaisriski määräytyy kaikkien riskitekijöiden yhteenlaskettuna summana, sen perusteella ei voi luotettavasti ennustaa yksittäisten riskitekijöiden, kuten painon tai rasvapitoisuuden, yhteyksiä kognitioon.
Toisaalta, kokonaisriski ei myöskään ota huomioon kaikkia kardiometabolisia riskitekijöitä, joten se ei täydellisesti kuvaa henkilön kardiometabolista riskiä, vaikka varmasti antaa siitä käyttökelpoisen arvion.
Tässä analyysissä tarkastelluilla yksittäisillä riskitekijöillä, eli verenpaineella ja HOMA-IR- scorella, ei ollut merkitsevää yhteyttä kognitioon. Poikkeuksena tästä pojilla HOMA-IR-scorella oli
rasvaprosentin keskimmäisessä kolmanneksessa tilastollisesti merkitsevä positiivinen yhteys kognitioon, vaikka hypoteesin mukaan korkeampi riski olisi negatiivisessa yhteydessä kognitioon.
Henkilön kognitio eli tiedonkäsittelykyky on monimutkainen prosessi, johon monella asialla on vaikutusta. Onkin ymmärrettävää, että yksittäisillä riskitekijöillä, kuten verenpaineella, ei välttämättä ole suoraa yhteyttä kognitioon varsinkaan lapsuusiässä. Vaikka jokin riskitekijä olisi koholla, on mahdollista, että muiden riskitekijöiden mataluus kompensoi tätä, esimerkiksi niin, että fyysisesti aktiivisilla lihavilla lapsilla kognitiivinen suoriutuminen on parempaa kuin fyysisesti inaktiivisilla, lihavilla lapsilla. Aikaisemmat tutkimukset niin ikään tukevat tätä hypoteesia (62).
Yksittäisten riskitekijöiden (pois lukien lihavuus ja muut kehonkoostumukselliset tekijät) yhteyksiä kognitioon on aiemmin tutkittu vain vähän.
Aikuisilla taas tilanne on yksittäistenkin riskitekijöiden kohdalla erilainen, sillä pitkään jatkuneiden riskitekijöiden, kuten kolesterolin ja verenpaineen, tiedetään aiheuttavan esimerkiksi
rakenteellisia muutoksia aivojen verisuonirakenteissa ja vaikuttavan sitä kautta.
Tämän tutkimuksen vahvuutena on se, että satunnaisesti valittu otos edustaa hyvin koko väestöä.
Suomessa on yhteensä noin 180 000 6–8-vuotiasta lasta (75), joten tutkimuksen otoksen koko on noin 0,27% koko suomalaisen väestön sen ikäisistä lapsista. Toisaalta, kaikki tutkimukseen
osallistuneet lapset ovat Pohjois-Savon sairaanhoitopiirin alueelta, jolloin alueelliset erot esimerkiksi geneettisissä ja myös ympäristötekijöissä voivat vaikuttaa tuloksiin. Alueellisesti suhteutettuna otoskoko on melko hyvä, ja tulokset voitaneen hyvin yleistää koskettamaan kuopiolaisia tai itä-suomalaisia 6–8-vuotiaita lapsia. Tutkimuksen mittauksia voidaan pitää
luotettavana, ja esimerkiksi Raven CPM- tehtäväsarjan suoritti siihen koulutettu tutkija.
Tilastollisessa analyysissä mallien selitysasteet jäivät melko alhaisiksi, eli tarkastellut muuttujat eivät kovin kattavasti selitä muutoksia kognitiossa. Analyysissä saatuja tuloksia voidaan kuitenkin pitää luotettavina, koska ikä ja sukupuoli otettiin analyysissä huomioon.
Aiheesta tehtyjen tutkimusten perusteella näyttäisi siltä, että kardiometabolisilla riskitekijöillä on jonkinlainen yhteys kognitioon lapsilla. Tulokset ovat olleet osittain ristiriitaisia, joten on
epäselvää, mitkä riskitekijät todellisuudessa ovat yhteydessä kognitioon ja millä mekanismeilla.
Esimerkiksi veren lipiditasojen ja kognition yhteyksistä kaivattaisiin tutkimusta. Ylipainolla näyttäisi olevan yhteys heikompaan kognitioon, mutta sekin saattaa selittyä ainakin osittain muiden
riskitekijöiden kasaantumisella näille henkilöille. On myös mahdollista, että tiettyjen
riskitekijöiden yhteisvaikutus kognitiiviseen suoriutumiseen on suurempi kuin näiden vaikutus kognitioon olisi erikseen. Lisäksi riskitekijät esiintyvät usein yhdessä, joten sekoittumisharhan mahdollisuus on olemassa. Esimerkiksi fyysisesti aktiivisemmilla lapsilla saattaa
liikuntaharrastuksen myötä sosiaalista kanssakäymistä tulla enemmän, mikä voisi selittää
parempaa kognitiota. Joidenkin sekoittavien tekijöiden huomioiminen analyysissä on haastavaa.
Yksittäisten riskitekijöiden yhteyksiä kognitioon lapsilla tulisi tutkia lisää ja ottaa huomioon mahdollinen sekoittuminen ja muut tuloksiin vaikuttavat tekijät. Lisäksi olisi mielekästä määrittää lapsille kokonaisriskiscore, jossa otettaisiin huomioon vielä laajemmin eri kardiometaboliset riskitekijät kuin tässä tutkimuksessa. Tällainen analyysi olisi luonnollisesti työläämpi, mutta antaisi vielä tarkemman kuvan siitä, onko kaikkien kardiometabolisten riskitekijöiden summalla yhteys kognitiiviseen suoriutumiseen. Olisi tärkeää myös saada tarkempaa ymmärrystä mekanismeista, jotka saattaisivat selittää kardiometabolisen riskin yhteyksiä kognitioon.
10. Johtopäätökset
Tässä analyysissä tarkasteltiin kardiometabolisen kokonaisriskin, verenpaineen sekä HOMA-IR- scoren yhteyksiä kognitioon 6–8-vuotiailla lapsilla. Hypoteesina oli, että kohonnut riski olisi yhteydessä heikentyneeseen kognitioon. Kokonaisriski määritettiin lapsille ottamalla huomioon vyötärönympärys, veren glukoosi- ja insuliinipitoisuus, triglyseridit, HDL- kolesteroli sekä systolinen ja diastolinen verenpaine. Kokonaisriskin mukaan lapset jaettiin kolmeen ryhmään (1=pieni riski, 2=kohtalainen riski, 3=suuri riski). Ikä ja sukupuoli oli kontrolloitu kaikissa analyyseissa.
Analyysissä todettiin, että kardiometabolinen kokonaisriski on tilastollisesti merkitsevässä
yhteydessä kognitioon niin, että matalimman riskin lapsilla on heikompi kognitio kuin kohtalaisen riskin lapsilla. Myös aiemmissa tutkimuksissa on havaittu muun muassa alhaisemman
rasvaprosentin olevan yhteydessä heikompaan kognitioon (62). Matalan ja korkean tai kohtalaisen ja korkean riskin ryhmien välillä ei havaittu merkitsevää eroa kognitiossa. Tämä tulos on
vastakkainen hypoteesille ja aiemmille tutkimuksille, joissa on todettu ainakin ylipainon ja lihavuuden olevan yhteydessä heikompaan kognitioon. Kokonaisriskissä on toki huomioitu muitakin asioita kuin vyötärönympärys, joten sen perusteella on epäluotettavaa arvioida
yksittäisten riskitekijöiden yhteyksiä kognitioon. Vaikka kaikkia henkilön riskitekijöitä ei ole otettu kokonaisriskiin mukaan, se kuitenkin antaa henkilön kokonaistilanteesta melko hyvän kuvan.
Onkin mielenkiintoista, että kokonaisriskillä ei näytä olevan kognitioon merkitsevää yhteyttä.
Systolisella verenpaineella, diastolisella verenpaineella tai HOMA-IR-scorella ei niin ikään ollut tilastollisesti merkitsevää yhteyttä kognitioon tytöillä eikä pojilla. Lisäksi lapset jaettiin
rasvaprosentin mukaan kolmeen ryhmään, ja tarkasteltiin, onko näissä ryhmissä HOMA-IR-scorella yhteyttä kognitioon. Keskimmäisen rasvaprosentin ryhmässä todettiin yllättäen HOMA-IR-scoren ja kognition välillä positiivinen yhteys.
On melko ymmärrettävää, että yksittäisillä riskitekijöillä ei välttämättä ole suoraa yhteyttä kognitioon varsinkaan pienillä lapsilla. Esimerkiksi kolesteroliarvojen yhteyksistä kognitioon tarvittaisiin lapsilla tutkimusta. Toisaalta on yllättävää, että suuremman kokonaisriskin lapsilla kognitio ei merkittävästi heikkene kohtalaisen riskin lapsiin nähden, sillä aiempien tutkimusten perusteella hypoteesina oli, että näillä olisi merkitsevä yhteys keskenään. Kokonaisriskin
perusteella ei kuitenkaan voida tehdä johtopäätöksiä yksittäisten riskitekijöiden tai pienempien toisiinsa vahvasti kytkeytyvien kokonaisuuksien, kuten ylipainon ja vyötärönympäryksen,
yhteyksistä kognitioon. On todennäköistä, että jotkin kardiometaboliset riskitekijät ovat merkitsevässä yhteydessä kognitioon myös lapsilla. Vielä tarkempia ja spesifisempiä lisätutkimuksia tarvitaan selvittämään, mitä nämä riskitekijät ovat.
11. Lähteet
1: Wijnhoven TM, van Raaij JM, Spinelli A, Starc G, Hassapidou M, Spiroski I, et al. WHO European Childhood Obesity Surveillance Initiative: body mass index and level of overweight among 6-9- year-old children from school year 2007/2008 to school year 2009/2010. BMC Public Health [Internet]. 2014 Jan [cited 2014 Aug 18];14(1):806.
2: Vuorela N, Saha M-T, Salo M. Prevalence of overweight and obesity in 5- and 12-year-old Finnish children in 1986 and 2006. Acta Paediatr [Internet]. 2009 Mar [cited 2014 Mar 4];98(3):507–12.
3: Singh AS, Mulder C, Twisk JWR, Van Mechelen W, Chinapaw MJM. Tracking of childhood overweight into adulthood: A systematic review of the literature. Obes Rev. 2008;9(5):474–88.
4: Juonala M, Magnussen C, Berenson G, Venn A, Burns T, Sabin M, et al. Childhood Adiposity, Adult Adiposity, and Cardiovascular Risk Factors. N Engl J Med. 2011;365(20):1876–85.
5: Mathers CD, Boerma T, Ma Fat D. Global and regional causes of death. Br Med Bull. 2009;92:7- 32.
6: Chatterjee A, Harris SB, Leiter LA, Fitchett DH, Teoh H, Bhattacharyya OK. Managing
cardiometabolic risk in primary care: Summary of the 2011 consensus statement. Canadian Family Physician. 2012;58(4):389-393.
7: Väistö J, Eloranta A-M, Viitasalo A, Tompuri T, Lintu N, Karjalainen P, et al. Physical activity and sedentary behaviour in relation to cardiometabolic risk in children: cross-sectional findings from the Physical Activity and Nutrition in Children (PANIC) Study. Int J Behav Nutr Phys Act [Internet].
2014 Apr 26 [cited 2014 Apr 29];11(1):55.
8: Viitasalo A, Laaksonen DE, Lindi V, Eloranta A-M, Jääskeläinen J, Tompuri T, et al. Clustering of metabolic risk factors is associated with high-normal levels of liver enzymes among 6- to 8-year- old children: the PANIC study. Metab Syndr Relat Disord [Internet]. 2012 Oct [cited 2013 Mar 5];10(5):337–43.
9: Veijalainen A, Tompuri T, Haapala EA, Viitasalo A, Lintu N, Väistö J, et al. Associations of
cardiorespiratory fitness, physical activity, and adiposity with arterial stiffness in children. Scand J Med Sci Sports [Internet]. 2015;n/a – n/a.
10: Koskinen J, Magnussen CG, Sabin M a, Kähönen M, Hutri-Kähönen N, Laitinen T, et al. Youth Overweight and Metabolic Disturbances in Predicting Carotid Intima-Media Thickness, Type 2 Diabetes, and Metabolic Syndrome in Adulthood: The Cardiovascular Risk in Young Finns Study.
Diabetes Care [Internet]. 2014 May 17 [cited 2014 May 31];37(July):1870–7
11: Cannon CP. Cardiovascular disease and modifiable cardiometabolic risk factors. Clin Cornerstone. 2007;8(3):11-28.
12: Imes CC, Lewis FM. Family history of cardiovascular disease (CVD), perceived CVD risk, and health-related behavior: A review of the literature. The Journal of cardiovascular nursing.
2014;29(2):108-129.
13: Dhingra R, Vasan RS. Age as a cardiovascular risk factor. Med Clin N Am. 2012;96(1):87-91.
14: Kelsey MM, Zeitler PS. Insulin Resistance of Puberty. Curr Diab Rep. 2016 Jul;16(7):64.
15: Jousilahti P, Vartiainen E, Tuomilehto J, et al. Sex, age, cardiovascular risc factors, and coronary heart disease. Circulation. 1999;99:1165-72.
16: Kim SH, Reaven G. Sex differences in insulin resistance and cardiovascular disease risk. J Clin Endocrinol Metab. 2013 Nov;98(11):E1716-21.
17: Kolber MR, Scrimshaw C. Family history of cardiovascular disease. Canadian Family Physician.
2014;60(11):1016.
18: McIntyre EA, Walker M. Genetics of type 2 diabetes and insulin resistance: knowledge from human studies. Clin Endocrinol (Oxf). 2002 Sep;57(3):303-11.
19: Lehrke M, Lazar MA. The many faces of PPARgamma. Cell. 2005 Dec 16;123(6):993-9.
20: Must A, Anderson SE. Body mass index in children and adolescents: considerations for population-based applications. International Journal of Obesity. 2006;30:590-594.
21: Klein S, Allison D, Heymsfield S, Kelley D, Leiber R, Nonas C, Kahn R. Waist circumference and cardiometabolic risk: a consensus statement from Shaping America’s Health: Association for Weight Management and Obesity Prevention; NAASO, The Obesity Society; the American Society for Nutrition; and the American Diabetes Association
22: Kim JY, Han SH, Yang BM. Implication of high-body-fat percentage on cardiometabolic risk in middle-aged, healthy, normal-weight adults. Obesity (Silver Spring).2013 Aug;21(8):1571-7.
23: Phillips CM, Tierney AC, Perez-Martinez P, Defoort C, Blaak EE, Gjelstad IM, Lopez-Miranda J, Kiec-Klimczak M, Malczewska-Malec M, Drevon CA, Hall W, Lovegrove JA, Karlstrom B, Risérus U, Roche HM. Obesity and body fat classification in the metabolic syndrome: impact on
cardiometabolic risk metabotype. Obesity (Silver Spring). 2013 Jan;21(1):E154-61.
24: Zeng Q, Dong SY, Sun XN, et al. : Percent body fat is a better predictor of cardiovascular risk factors than body mass index. Braz J Med Biol Res, 2012, 45: 591–600
25: Lee SY, Gallagher D. Assessment methods in human body composition. Current opinion in clinical nutrition and metabolic care. 2008;11(5):566-572. doi:10.1097/MCO.0b013e32830b5f23.
26: Grundy S, Benjamin I, Burke G, et al. Diabetes and cardiovascular disease. Circulation.
1999;100:1134-1146.
27: Kahn SE, Cooper ME, Del Prato S. PATHOPHYSIOLOGY AND TREATMENT OF TYPE 2 DIABETES:
PERSPECTIVES ON THE PAST, PRESENT AND FUTURE. Lancet. 2014;383(9922):1068-1083.
doi:10.1016/S0140-6736(13)62154-6.
28: Goran MI, Ball GD, Cruz ML. Obesity and risk of type 2 diabetes and cardiovascular disease in children and adolescents. J Clin Endocrinol Metab.2003 Apr;88(4):1417-27.
29: Di Bonito P, Sanguigno E, Forziato C, Saitta F, Iardino MR, Capaldo B. Fasting Plasma Glucose and Clustering of Cardiometabolic Risk Factors in Normoglycemic Outpatient Children and Adolescents.
Diabetes Care. 2011;34(6):1412-1414.
30: Giraldez-Garcia C., Sangros F. J., Diaz-Redondo A., et al. Cardiometabolic risk profiles in patients with impaired fasting glucose and/or hemoglobin A1c 5.7% to 6.4%: evidence for a gradient according to diagnostic criteria: the PREDAPS Study. Medicine (Baltimore) 2015;94(44) 31: Krishnan S, Short KR. Prevalence and significance of cardiometabolic risk factors in children with type 1 diabetes. J Cardiometab Syndr. 2009 Winter;4(1):50-6.
32: Gutch M, Kumar S, Razi SM, Gupta KK, Gupta A. Assessment of insulin sensitivity/resistance.
Indian Journal of Endocrinology and Metabolism. 2015;19(1):160-164
33: DeFronzo RA, Tobin JD, Andres R. Glucose clamp technique: a method for quantifying insulin secretion and resistance.
34: Stumvoll M, Mitrakou A, Pimenta W. Use of the oral glucose tolerance test to assess insulin release and insulin sensitivity. Diabetes Care 2000 Mar; 23(3): 295-301.
35: American Diabetes Association. Classification and diagnosis of diabetes. Diabetes Care.
2015;38(suppl):S8.
36: Bluestone JA, Herold K, Eisenbarth G. Genetics, pathogenesis and clinical interventions in type 1 diabetes. Nature (2010) 464(7293):1293–300.
37: Saad MF, Knowler WC, Pettit DJ, et al. Sequential changes in serum insulin concentration during development of non-insulin-dependent diabetes. The Lancet. 1989 Jun 17;1(8651):1356-9.
38: Ridker PM. LDL cholesterol: controversies and future therapeutic directions. Lancet 2014; 384:
607-17.
39: Singh RB, Mengi SA, Xu Y-J, Arneja AS, Dhalla NS. Pathogenesis of atherosclerosis: A multifactorial process. Experimental & Clinical Cardiology. 2002;7(1):40-53.
40: Miller M, Stone NJ, Ballantyne C, et al. Triglycerides and cardiovascular disease: a scientific statement from the American Heart Association. Circulation. 2011 May 24;123(20):2292-333.
41: Castelli WD. The lipid risk factor in hypertension and cardiovascular disesase. Br J Clin Pharmacol. 1987;24 Suppl 1:59S-60S.
42: Sowers JR, Epstein M, Frohlich ED. Diabetes, hypertension, and cardiovascular disease.
Hypertension 2001, 5(3).
43: Pei D, Chen YL, Tang SH, et al. Relationship of blood pressure and cardiovascular disease risk factors in normotensive middle-aged men. Medicine (Baltimore). 2011 Sep;90(5):344-9.
44: Description of high blood pressure. National Heart, Lung, and Blood Institute.
http://www.nhlbi.nih.gov/health/health-topics/topics/hbp. Accessed Aug. 3, 2016.
45: Kaur J. A Comprehensive Review on Metabolic Syndrome. Cardiology Research and Practice.
2014;2014:943162.
46: Venäläinen, Taisa. Plasma fatty acid composition, dietary components and cardiometabolic risk factors in children – cross-sectional associations and effect of a lifestyle intervention. University of Eastern Finland, Faculty of Health Sciences.
47: Arsenault BJ, Boekholdt SM, Kastelein JJ. Lipid parameters for measuring risk of cardiovascular disease. Nat Rev Cardiol. 2011 Apr;8(4):197-206.
48: Eloranta A-M, Lindi V, Schwab U, Tompuri T, Kiiskinen S, Lakka H-M, et al. Dietary factors associated with overweight and body adiposity in Finnish children aged 6-8 years: the PANIC Study. Int J Obes [Internet]. Nature Publishing Group; 2012 Jul [cited 2013 Mar 5];36(7):950–5.
49: Cunningham, W. A., Kirkland, T. (2012). Emotion, cognition, and the classical elements of mind.
Emotion Review, 4, 369–370.
50: Glisky EL. Changes in Cognitive Function in Human Aging. In: Riddle DR, editor. Brain Aging:
Models, Methods, and Mechanisms. Boca Raton (FL): CRC Press/Taylor & Francis; 2007.
51: Diamond A. (2013) Executive functions. Annu Rev Psychol. 2013; 64: 135-168.
52: Reinert KRS, Po’e EK, Barkin SL. The relationship between executive function and obesity in children and adolescents: a systematic literature review. J Obes [Internet]. 2013
Jan;2013(2):820956.
53: Li Y, Dai Q, Jackson JC. Overweight is associated with decreased cognitive functioning among school-age children and adolescents. Obesity, Volume 16, Issue 8, August 2008, Pages 1809-1815.
54: Cawley J, Spiess CK. Obesity and skill attainment in early childhood. Econ Hum Biol 2008;6:388- 97
55: Li X. A study of intelligence and personality in children with simple obesity. International Journal of Obesity, Volume 19, Issue 5, 1995, Pages 355-357.
56: Gunstad J, Spitznagel M, Paul RH, ym. Body mass index and neuropsychological function in healthy children and adolescents. Appetite, Vol 50, Is 2-3, 2008, pages 246-251
57: Dore GA, Elias MF, Robbins MA. Relation between central adiposity and cognitive function in the Maine-Syracuse study: Attenuation by physical activity. Annals of Behavioral Medicine, Volume 35, Issue 3, June 2008, Pages 341-350.
58: Kamijo K, Khan NA, Pontifex MB, ym. The relation of adiposity to cognitive control and scholastic achievement in pre-adolescent children. Obesity 2012;20:2406-11.
59: Veena SR, Hedge BG, Ramachandraiah S, ym. Relationship between adiposity and cognitive performance in 9-10-year-old children in South India. Arch Dis Child. 2014 Feb;99(2):126-34.
60: John R. Best. Effects of Physical Activity on Children’s Executive Function: Contributions of Experimental Research on Aerobic Exercise. Dev Rev. 2010 Dec; 30(4):331-551.
61: Bisset S, Foumier M, Fournier M, Pagani L, Janosz M. Predicting academic and cognitive outcomes from weight status trajectories during childhood. Int J Obes. 2013;37(1):154–9 62: Haapala EA, Lintu N, Väistö J, Robinson LE, Viitasalo A, Lindi V, Lakka TA. Associations of Physical Performance and Adiposity with Cognition in Children. Med Sci Sports Exerc 2015.
63: Alosco ML, Stanek KM, Galioto R, ym. Body mass index and brain structure in healthy children and adolescents. International Journal of Neuroscience, Volume 124, Issue 1, January 2014, Pages 49-55.
64: Haapala EA, Väistö J, Lintu N, et al. Physical activity and sedentary time in relation to academic achievement in children. Journal of Science and Medicine in Sport. 2017;20(6):583-589.
65: Lande MB, Kaczorowski JM, Auinger P, ym. Elevated blood pressure and decreased cognitive function among school-age children and adolescents in the United States. Journal of Pediatrics, Volume 143, Issue 6, December 2003, Pages 720-724
66: Hawkins MA, Gunstad J, Calvo D. Higher fasting glucose is associated with poorer cognition among healthy young adults. Health Psychol. 2016 Feb;35(2):199-202.
67: Richardson JTE. Cognitive function in diabetes mellitus. Neuroscience and Behavioral Reviews, Volume 14, Issue 4, Winter 1990, Pages 385-388.
68: Saari A, Sankilampi U, Hannila M-L, Kiviniemi V, Kesseli K, Dunkel L. New Finnish growth references for children and adolescents aged 0 to 20 years: Length/height-for-age, weight-for- length/height, and body mass index-for-age. Ann Med [Internet]. 2011 May [cited 2013 May 22];43(3):235–48.
69: Cole T, Bellizzi M, Flegal K, Dietz W. Establishing a standard definition for child overweight and obesity worldwide: international survey. Br Med J. 2000;320(7244):1240–3.
70: Tompuri TT, Lakka TA, Hakulinen M, Lindi V, Laaksonen DE, Kilpeläinen TO, et al. Assessment of body composition by dual-energy X-ray absorptiometry, bioimpedance analysis and
anthropometrics in children: the Physical Activity and Nutrition in Children study. Clin Physiol Funct Imaging [Internet]. 2015 Dec 10 [cited 2013 Dec 31];35:21–33.
71: Haapala EA, Väistö J, Lintu N, Tompuri T, Brage S, Westgate K, et al. Adiposity, physical activity and neuromuscular performance in children. J Sports Sci [Internet]. 2016;0414(January):1–8 72: Tanner J. Growth at adolescence. Oxford: Blackwell; 1962.
73: Eloranta A-M, Lindi V, Schwab U, Tompuri T, Kiiskinen S, Lakka H-M, et al. Dietary factors associated with overweight and body adiposity in Finnish children aged 6-8 years: the PANIC Study. Int J Obes [Internet]. Nature Publishing Group; 2012 Jul [cited 2013 Mar 5];36(7):950–5.
74: Eloranta a M, Lindi V, Schwab U, Kiiskinen S, Kalinkin M, Lakka HM, et al. Dietary factors and their associations with socioeconomic background in Finnish girls and boys 6-8 years of age: the PANIC Study. Eur J Clin Nutr [Internet]. Nature Publishing Group; 2011 Nov [cited 2014 Nov 6];65(11):1211–8.
75: Findikaattori: Väestön ikärakenne. https://findikaattori.fi/fi/
