mercredi 26 février 2020

Prévalence et risque du DT1 pré-symptomatique chez l’enfant : leçons d’un programme de dépistage systématique allemand

Auteur : 
Louis Potier
Date Publication : 
Février 2020
 
Article du mois en accès libre
 
Ziegler AG, et al. Yield of a Public Health Screening of Children for Islet Autoantibodies in Bavaria, Germany. JAMA. 2020;323:339-351. doi : 10.1001/jama.2019.21565

 

Le diabète de type 1 (DT1) reste une maladie relativement rare (environ 13 cas pour 100 000 habitants/an en France) ne justifiant pas actuellement de dépistage systématique chez l’enfant. Un dépistage n’est d’ailleurs pas non plus fait en pratique clinique chez les sujets génétiquement les plus à risque, les parents (enfants ou fratrie) de sujet diabétique. Le diagnostic de diabète est donc fait lors de l’apparition de symptômes (syndrome polyuro-polydipsique, énurésie…) et malheureusement trop souvent encore lors d’une acidocétose. Un dépistage à un stade asymptomatique par dosage systématique des anticorps (Ac) du DT1 pourrait permettre de réduire ce risque et de mieux préparer enfant et parents à la maladie. L’étude allemande Fr1da était un programme de dépistage des Ac du DT1 dans une population pédiatrique générale ayant pour but d’évaluer la prévalence de la maladie pré-symptomatique, le risque de progression vers le diabète et l’acidocétose et le stress psychologique d’un tel dépistage chez les parents.

Fr1da a été conduite entre février 2015 et mai 2019 en Bavière (un Land du sud-est de l’Allemagne) chez des enfants de 1,75 à 5,99 ans inclus lors de consultations de suivi standard de pédiatrie générale. Des prélèvements capillaires étaient réalisés afin de mesurer les Ac du DT1 (anti-insuline, anti-GAD, anti-IA2 et anti-ZnT8). En cas de positivité, un prélèvement veineux de confirmation était réalisé. Si la positivité multiple (≥ 2 Ac) était confirmée, les familles étaient invitées à faire une hyperglycémie provoquée par voie orale (HGPO) afin de définir le stade du DT1 pré-symptomatique (stade 1 : HGPO normale, stade 2 : glycémie à jeun entre 1,10 et 1,25 g/l ou entre 1,40 et 1,99 g/l à 2h ou ≥ 2 g/l à 30, 60 ou 90 min et stade 3 : glycémie à jeun ≥ 1,26 g/l ou ≥ 2 g/l à 2h). Un programme éducatif vis-à-vis du diabète était également mis en place avec des visites au centre de diabétologie le plus proche tous les 2 à 6 mois selon le grade du diabète. Le suivi a été fait jusqu’au 31 juillet 2019. Le stress psychologique des parents et des enfants pré-symptomatiques était évalué au début puis à 6 et 12 mois à l’aide d’un questionnaire validé. En comparaison aux enfants dépistés positifs, une cohorte de contrôles négatifs a été construite à partir de 160 enfants dépistés négatifs et une cohorte contrôle positive à partir d’une autre cohorte de sujets sans dépistage avec découverte de DT1 durant la même période dans les mêmes centres (étude DiMelli) [1].

Le critère principal était la prévalence du diabète pré-symptomatique dans la population de dépistage et de confirmation. Les critères secondaires étaient la fréquence de l’acidocétose et l’évaluation du stress psychologique associé au diagnostic de diabète asymptomatique. Au total, 682 pédiatres (66,4% des pédiatres de premier recours) ont inclus 90 632 enfants d’âge médian 3,2 ans (41% d’enfants de moins de 3 ans) dont 48,5% de filles. Parmi ces enfants, 3,4% avaient des antécédents familiaux au 1er degré de DT1 et 4,1% étaient obèses. La prévalence du diabète pré-symptomatique (≥2 Ac positifs) était de 0,31% soit 280 enfants au total dont 19 avec un diabète devenu symptomatique avant le test de confirmation. La prévalence était quasi identique dans différents sous-groupes en dehors de celui des sujets avec antécédents familiaux où la prévalence s’élevait à 1,07%. Cent vingt enfants avaient 2 Ac positifs, 91 en avaient 3 et 69 étaient positifs pour les 4. Après ajustement, le risque d’avoir un dépistage positif augmentait avec la présence d’antécédents familiaux (3,69 [95% CI, 2,51-5,24]; P < 0,001), l’obésité (1,77 [1,08-2,71]; P = 0,01) et l’âge (entre 4 et 5 ans : 1,50 [1,07-2,11]; P = 0,02 ; entre 5 et 6 ans : 1,86 [1,37-2,53]; P < 0,001). En revanche, il n’y avait aucune différence entre les sexes. Parmi les 220 enfants qui ont participé au suivi, 196 étaient au stade 1, 17 au stade 2 et 7 au stade 3 à l’inclusion.

Durant le suivi, 25 ont progressé du stade 1 au stade 2, 27 du stade 1 au stade 3, et 5 du stade 2 au stade 3. Au total, en incluant les 280 enfants dépistés positifs, ce sont 54 enfants (25%) qui ont développé un DT1 durant les 3 ans de suivi, soit un risque annuel de 9%. Ce risque était plus élevé en cas de positivité de 4 anticorps versus 2 (1,85 [1,03-3,32]; P = 0,04), et en cas de positivité des anti-IA2  (3,4 [1,81-6,39]; P < 0,001). Il était au contraire plus faible chez ceux avec anti-GAD positifs (0,43 [0,25-0,75]; P = 0,003). En revanche, le sexe, l’âge, l’IMC ou les antécédents familiaux ne modifiaient pas le risque. Parmi les 89 912 enfants négatifs, 4 cas de DT1 ont été rapportés durant le suivi (3 cas avec un seul Ac et 1 cas sans Ac positifs). L’incidence globale était au final de 27 cas pour 100 000 enfants par an. Parmi les sujets ayant développés un diabète durant le suivi, 2 seulement ont fait une acidocétose non sévère sans passage en réanimation.

Le score de stress psychologique était plus élevé (plus de stress) chez les mères d’enfants avec dépistage positif que négatif (mais pas chez les pères) mais diminuait durant le suivi pour redevenir comparable. Le stress était en revanche moindre que chez les parents d’enfants de la cohorte contrôle positif (découverte de DT1 « classique »).

Cette étude observationnelle de grande ampleur (plus de 90 000 enfants de 2 à 5 ans) apporte de précieuses informations sur l’épidémiologie du DT1 en population pédiatrique : l’incidence globale de la maladie (27 cas pour 100 000 enfants par an), la prévalence du diabète pré-symptomatique (0,31% dont 0,03% de diabète avéré) et la confirmation de l’incidence élevée du diabète en cas de dépistage positif (9%/an) particulièrement en cas d’Ac anti-IA2 et d’anomalie glycémique déjà présente. Mais au-delà des informations épidémiologiques, l’étude apporte des arguments en faveur du dépistage du DT1. D’abord en montrant que la sensibilité du test est bonne (95% des cas ont été dépistés) avec une stratégie en 2 temps relativement peu coûteuse (le test capillaire utilise une méthode ELISA beaucoup moins chère que la technique de référence radio-immunologique). Ensuite, le dépistage permet une nette diminution du taux d’acidocétose avec moins de 5% ici contre 20 à 40% habituellement. Pour mémoire, en France, le taux d’acidocétose à la découverte reste élevé, entre 40 à 55% selon les âges avec environ 15% d’acidocétose sévère qui peut engager le pronostic vital mais qui est aussi associée à des troubles neurocognitifs, un mauvais contrôle glycémique ultérieur, des coûts médicaux élevés et est un facteur de stress majeur pour la famille (stress diminué chez les parents ici). La campagne de prévention Diabète Enfant et Adolescent de l’AJD en 2010-2011 a eu des effets modestes sur ces taux [2]. Enfin, les récents résultats de l’essai clinique avec le teplizumab pour prévenir la survenue de la maladie chez des sujets à risque de DT1 ouvrent la possibilité d’un traitement préventif de la maladie qui permettrait probablement une meilleure acceptation du dépistage [3].

En conclusion, cette étude donne des arguments pour définir un programme de dépistage à large échelle du DT1 chez les enfants.  Des essais randomisés permettraient de mieux mesurer l’impact d’une telle stratégie de dépistage sur les événements aigus mais aussi sur le devenir des patients diabétiques ayant révélés leur maladie dans un contexte « préparé ».

 

Références

[1] Warncke K, et al. Does diabetes appear in distinct phenotypes in young people? results of the diabetes mellitus incidence cohort registry (DiMelli). PLoS One. 2013;8:e74339.
 
[2] Choleau C, et al. Ketoacidosis at time of diagnosis of type 1 diabetes in children and adolescents : effect of a national prevention campaign. Arch Pediatr. 2015;22:343-51.
 
[3] Herold KC, et al. An Anti-CD3 Antibody, Teplizumab, in Relatives at Risk for Type 1 Diabetes. N Engl J Med. 2019;381:603-613.
 


from Société Francophone du Diabète https://ift.tt/2w5eUyI

mardi 4 février 2020

Sommeil et HbA1c chez les patients diabétiques de type 2 : quelles caractéristiques du sommeil importent le plus ?

Auteur : 
Emilie Montastier
Date Publication : 
Janvier 2020
 
Article du mois en accès libre
 
Brouwer A et al. Sleep and HbA1c in patients with Type 2 Diabetes: Which sleep characteristics matter most? Diabetes Care 2020; 43:235-243. doi: 10.2337/dc19-0550

 

Le sommeil, régulé à la fois par des facteurs neuroendocrines et comportementaux, a été identifié comme un élément modifiable de l’équilibre glycémique des patients atteints de diabète de type 2 (DT2) [1]. Le sommeil optimal peut être caractérisé de différentes façons, notamment par la mesure de la durée du sommeil, l’efficacité du sommeil (le pourcentage du temps passé à dormir par rapport au temps passé au lit avec l’intention de dormir), la continuité du sommeil, l’architecture du sommeil, la dette de sommeil (l’effet cumulé de ne pas dormir suffisamment), l’horaire de sommeil, ainsi que des variables plus subjectives telles que la qualité perçue du sommeil, l’envie de dormir durant la journée ou la vigilance [2]. La relation entre la durée totale de sommeil et l’HbA1c chez les patients DT2 décrit une courbe en U, avec une HbA1c plus élevée chez les petits dormeurs (ceux dormant peu) ou ceux ayant une durée de sommeil de plus de 7 à 8 heures par nuit [3]. D’autres caractéristiques du sommeil ont été montrées comme associées à une HbA1c élevée chez les patients DT2. C’est le cas de la mauvaise qualité perçue du sommeil, de la diminution de l’efficacité du sommeil [4], et plus récemment de la variabilité de la durée totale du sommeil, reflétant les périodes de privation partielle de sommeil alternant avec des périodes de compensation, les patients ayant une plus grande variabilité ont une HbA1c plus élevée [4]. L’horaire de sommeil (vis-à-vis du jour naturel) semble également important pour le contrôle glycémique : les sujets préférant dormir à une heure tardive (les couche-tard) et ceux montrant une grande variabilité dans l’horaire de sommeil (due aux activités sociales, on parle de jetlag social), ont une HbA1c plus élevée [5]. Il persiste des incertitudes sur les caractéristiques du sommeil qui ont l’impact le plus fort sur le contrôle glycémique des patients DT2. De plus, la façon dont les différents paramètres du sommeil sont reliés les uns aux autres n’est pas connue. Dans les études précédentes, les mesures du sommeil étaient en majorité de nature subjective, limitant la fiabilité de ces études. Grâce à cette étude transversale chez des patients DT2, les auteurs ont voulu évaluer et hiérarchiser les différentes mesures objectives et subjectives du sommeil, seules et en combinaison, impactant le plus l’HbA1c chez ces patients. Ils ont d’abord voulu savoir si les paramètres d’intérêt étaient reliés entre eux ou pouvaient être regroupés (interactions). Secondairement, les auteurs ont identifié les facteurs du sommeil expliquant le mieux la variance de l’HbA1c et enfin, ils ont étudié l’effet de potentiels facteurs de confusion.

Pour cette étude transversale, 205 patients DT2 ont été recrutés au sein de 2 centres de traitement du diabète affiliés à l’Université d’Amsterdam. Les critères d’inclusion étaient d’avoir plus de 18 ans et d’être DT2. Les critères d’exclusion étaient les difficultés de langage et de compréhension, l’impossibilité de se rendre à l’un des 2 centres recruteurs. Finalement, 291 participants ont reçu une information sur cette étude, 75 ont décliné, 9 ont été exclus (7 parce qu’ils étaient incapables de répondre aux questions et 2 parce que le diagnostic de DT2 était erroné, l’un ayant en réalité un DT1 de type LADA et l’autre un DT1). Les mesures objectives du sommeil ont été obtenues au moyen d’un accéléromètre porté au niveau du poignet durant une semaine (GENEActiv, Activinsights Ltd, Kimbolton, U.K.). Ces données ont ensuite été combinées avec les données reportées par les patients (heure de coucher, heure de réveil) selon un algorithme validé et offrant une bonne comparabilité avec les données de polysomnographie. Ces mesures calculées étaient la durée totale du sommeil (en moyenne), sa variabilité (exprimée par l’écart type, SD), l’efficacité du sommeil, l’horaire du milieu du sommeil (en moyenne), le chronotype (être du matin ou du soir), la variabilité de l’horaire du milieu du sommeil (exprimée par son écart-type), le jetlag social (c’est-à-dire le décalage entre l’horaire préféré de sommeil et l’horaire des activités sociales). Les mesures subjectives du sommeil ont été obtenues par 2 questionnaires : Pittsburgh SleepQuality Index (PSQI) (un score ≥6 indique un mauvais sommeil) et Insomnia Severity Index (ISI) (un score ≥10 indique une insomnie cliniquement relevante). L’HbA1c a été réalisée dans les 3 mois précédant les mesures du sommeil.

Les potentiels facteurs de confusion et variables explicatives évalués étaient : l’âge, le sexe, le pays de naissance, la situation professionnelle, le nombre de médicaments, les médicaments antidiabétiques, l’IMC, le niveau d’activité physique (évalué par le International Physical Activity Questionnaire), le risque d’apnées du sommeil (évalué par le questionnaire de Berlin), la consommation d’alcool (questionnaire Alcohol Use Disorders Identification Test), les symptômes de dépression (questionnaire Inventory of Depressive Symptomatology) ou d’anxiété (questionnaire de Beck), la souffrance émotionnelle liée au diabète (5-item Problem Areas in Diabetes Questionnaire) et la longueur du jour naturel (long ou court). Sur le plan statistique, une analyse en composante principale suivie d’une analyse screen plot ont été réalisées pour déterminer le nombre de variables du sommeil à retenir. Des régressions linéaires ont été utilisées pour savoir quelles variables étaient le plus associées à l’HbA1c (selon une procédure pas à pas arrière ou backward step wise).

Sur les 205 participants inclus, 62% étaient des hommes et 78% travaillaient moins de 12 heures par semaine ou pas du tout. Ils avaient en moyenne 66,4 ans (de 33 à 85 ans), étaient obèses (30,8 d’IMC moyen) et avaient une HbA1c de 7,3% en moyenne (de 4,5 à 11,9%). L’ancienneté du diabète était de 13 années en moyenne (de 1 à 44 ans). L’insuline était utilisée par 42,9% d’entre eux. Des symptômes modérés de dépression, d’anxiété et de troubles émotionnels liés au diabète étaient décrits chez respectivement 41%, 6% et 22% des sujets. Les participants dormaient en moyenne 6 heures et 29 minutes, avec une heure de milieu de sommeil à 3H50 du matin et une efficacité médiane du sommeil de 88% (≥80% est considéré comme normal). Les participants ont rapporté subjectivement en moyenne une mauvaise qualité de sommeil (score médian PSQI à 10), mais peu de symptômes subjectifs d’insomnies (score ISI médian à 5). La majorité des patients était à haut risque de syndrome d’apnées du sommeil (69%) et 15% utilisait des médicaments pour dormir au moins une fois par semaine.

L’analyse exploratoire des variables du sommeil ont permis d’établir 3 groupes de facteurs : un groupe de variables subjectives (regroupant les symptômes d’insomnie, la qualité ressentie du sommeil et les plaintes liées au sommeil), un groupe de variables quantitatives (durée totale de sommeil et efficacité du sommeil), et un groupe reliant la variabilité des mesures (variabilité de la durée du sommeil, de l’horaire du milieu de sommeil et du sommeil). L’horaire du milieu de sommeil semble lier les 3 groupes de facteurs et être un facteur caractérisant le sommeil à part entière.

Les auteurs ont bien retrouvé la forme en U de la courbe retraçant l’association de l’HbA1c et de la durée du sommeil, avec un nadir à 7h16. Les symptômes d’insomnies et l’horaire du milieu du sommeil n’étaient pas associés à l’HbA1c. En revanche, dans les modèles non ajustés, la variabilité de la durée totale du sommeil avait le plus grand coefficient standardisé β parmi toutes les variables testées (β=0,222) et expliquait le plus la variance de l’HbA1c (4,9%), suivie de la durée totale du sommeil (expliquant 4,3% de la variabilité), la qualité subjective du sommeil (3,6%) la variabilité de l’horaire du milieu du sommeil (3,4%) et de l’efficacité du sommeil (2,3%). La combinaison des facteurs variabilité de la durée du sommeil, durée totale du sommeil et qualité subjective du sommeil était le plus fortement associée à l’HbA1c (β= 0,179 (0,030 ; 0,327), p= 0,019; β= -0,931 (-1,873 ; 0,012), p=0,053; et β= 0,136 (-0,014 ; 0,286), p= 0,076, respectivement). Ensembles, ces mesures du sommeil expliquaient 10,3% de la variance de l’HbA1c.
Les analyses ajustées sur les covariables précédemment citées ont identifié les mêmes variables du sommeil comme les plus fortement associées à l’HbA1c, avec toutefois une force d’association généralement diminuée (les mesures du sommeil prises ensemble expliquant 6,0 à 6,7% de la variance de l’HbA1c), et avec une hiérarchie différente puisque la durée totale du sommeil apparaissait comme la plus fortement associée à l’HbA1c, suivie de la qualité subjective du sommeil (avec une différence de R² entre la durée totale du sommeil et la qualité du sommeil de 0,6%). Concernant les facteurs de confusion potentiels inclus dans le modèle, il est à noter que ni l’âge, ni le sexe, ni les symptômes de dépression, ni le nombre de médicaments pris n’avaient d’impact sur l’association HbA1c et mesures du sommeil. Le risque d’apnées du sommeil influençait la relation HbA1c et variabilité de l’horaire du milieu du sommeil (mais pas les autres mesures du sommeil). Ainsi, chez les patients ayant un risque faible d’apnées du sommeil, l’horaire du milieu du sommeil était associé à l’HbA1c (β= 0,516 (0,159 ; 0,873) p= 0,006), et expliquait 23,1% de la variance de l’HbA1c), ce qui n’était pas le cas chez les patients ayant un risque élevé de syndrome d’apnées du sommeil.Les limites de l’étude étaient que les sujets impliqués dans l’étude étaient européens, habitaient dans une même aire géographique, et avaient un haut risque de syndrome d’apnées du sommeil et un temps de travail faible, limitant ainsi les comparaisons avec d’autres études et la généralisation des résultats. Cette étude n’utilisait pas la polysomnographie, donc les mesures d’apnées du sommeil et de l’architecture du sommeil n’ont pas pu être évaluées. De la même façon, la variabilité glycémique et le nombre d’hypoglycémies nocturnes n’ont pas été mesurées (chez des patients traités à plus de 40% par insuline). D’autres facteurs de confusion potentiels n’ont pas fait l’objet de recueil d’information, telles que les horaires de repas, ou d’exercice physique. Le choix de ces potentiels facteurs de confusion fait aussi débat, puisque ce sont des facteurs suspectés (et non prouvés) d’avoir un impact sur la relation paramètres du sommeil et équilibre glycémique. Enfin, les analyses statistiques n’ont pas été corrigées pour les comparaisons multiples.

Au total, cette étude supporte l’idée que l’optimisation du sommeil pourrait contribuer à améliorer l’HbA1c, chez des patients recevant déjà un traitement adapté pour le DT2. Plus particulièrement, la variabilité de la durée totale du sommeil, qui reflète la privation partielle de sommeil suivie de compensations, pourrait être une cible thérapeutique d’intérêt. De futures recherches interventionnelles devront évaluer si la prévention du fractionnement du sommeil pourrait aider à améliorer l’équilibre glycémique.

 

Références

[1] Anothaisintawee T, Reutrakul S, Van Cauter E et al. Sleep disturbances compared to traditional risk factors for diabetes development: systematic review and meta-analysis. Sleep Med Rev 2016;30:11–24.
 
[2] Blunden S, Galland B et al. The complexities of defining optimal sleep: empirical and theoretical considerations with a special emphasis on children. Sleep Med Rev 2014;18:371–378.
 
[3] Siwasaranond N, Nimitphong H, Saetung S et al. sleep duration is associated with poorer glycemic control in type 2 diabetes patients with untreated sleep-disordered breathing. Sleep Breath 2016;20:569–574.
 
[4] Whitaker KM, Lutsey PL, Ogilvie RP, et al. Associations between polysomnography and actigraphy-based sleep indices and glycemic control among those with and without type 2 diabetes: the Multi-Ethnic Study of Atherosclerosis. Sleep (Basel) 2018;41:1-10.
 
[5] Reutrakul S, Hood MM, Crowley SJ, et al. Chronotype is independently associated with glycemic control in type 2 diabetes. Diabetes Care 2013;36:2523–2529.
 


from Société Francophone du Diabète https://ift.tt/2GSrAv9