Background.Frailty assessment provides a means of identifying older adults most vulnerable to adverse outcomes. Attention to frailty in clinical practice is more likely with better understanding of its prevalence and associations with patient characteristics. We sought to provide national estimates of frailty in older people.

Background: Debate over the cardiometabolic risk associated with metabolically healthy obesity continues.Many studies have investigated this relationship by examining metabolically healthy obesity at baseline with longitudinal follow-up, with inconsistent results.We hypothesized that metabolic health in obesity at baseline is transient and that transition to metabolic syndrome (MetS) and duration of metabolic syndrome would explain heterogeneity in incident cardiovascular disease (CVD) and all-cause mortality.Methods: Among 6809 participants of the Multi-Ethnic Study of Atherosclerosis with nonmissing MetS components and incident event follow-up, we used Cox proportional hazards and logistic regression models to investigate the joint association of obesity (≥30kg/m 2 ) and MetS (IDF consensus definition) with CVD and mortality in a variety of ways.We formally tested for interaction and conducted sensitivity analyses for a number of conditions.Results: Compared to metabolically healthy normal weight, baseline metabolically healthy obesity was not significantly associated with CVD; however, almost half of those participants developed MetS and were at increased risk for CVD (OR=1.60 (1.14-2.25)).Dose response for duration of MetS was significantly and linearly associated with higher CVD (1 visit OR=1.62(1.27-2.07); 2 visits OR=1.92 (1.48-2.49);3+ visits OR=2.33 (1.89-2.87);p-value for trend <0.001) and the relationship between obesity at any point during follow-up and CVD was 62% (44-100%) mediated by MetS. Conclusion:Metabolically healthy obesity is not a stable or accurate indicator of future risk for CVD.Weight loss and lifestyle management for CVD risk factors should be recommended to all individuals with obesity.

Ty J. Gluckman, MD, FACC, Chair Niti R. Aggarwal, MD, FACC Nicole M. Bhave, MD, FACC Gregory J. Dehmer, MD, MACC Olivia N. Gilbert, MD, MSc, FACC Chayakrit Krittanawong, MD Dharam J. Kumbhani, MD, SM, FACC Andrea L. Price, CPHQ, RCIS, AACC Javier A. Sala-Mercado, MD, PhD David E.

To examine the relationship of diabetes and functional disability in older adults and the possible mediating roles of comorbidities and A1C.We analyzed data from a nationally representative sample of 6,097 participants aged >or=60 years in the National Health and Nutrition Examination Survey, 1999-2006. Diabetes was defined by self-report. Disability was defined as difficulty performing a physical task. We evaluated disability by grouping 19 physical tasks into five functional groups: lower-extremity mobility (LEM), general physical activities (GPA), activities of daily living (ADL), instrumental activities of daily living (IADL), and leisure and social activities (LSA).Older U.S. adults with diabetes had the greatest disability in GPA (prevalence 73.6% [95% CI 70.2-76.9]), followed by LEM (52.2% [48.5-55.9]), IADL (43.6% [40.1-47.2]), ADL (37.2% [33.1-41.3]), and LSA groups (33.8% [30.8-36.9]). Diabetes was associated with two to three times increased odds of disability across functional groups (all P < 0.05). Comorbidities, mostly cardiovascular disease and obesity, and poor glycemic control (A1C >or=8%) together explained up to 85% of the excess odds of disability associated with diabetes, whereas poor glycemic control alone explained only approximately 10% of the excess odds. Adjustment for comorbidities, A1C, and diabetes duration fully attenuated the associations of diabetes with disability in all functional groups (all P > 0.05).Older adults with diabetes have a high prevalence of disabilities with variable associations attributable to comorbidities and A1C. Aggressive management of cardiovascular risk factors and obesity may significantly reduce the burden of disability in this population.

OBJECTIVE Persons with diabetes have accelerated muscle loss compared with their counterparts. The relationship of hyperglycemia per se to declines in muscle function has not been explored yet has implications for developing appropriate intervention strategies to prevent muscle loss. RESEARCH DESIGN AND METHODS We examined 984 participants aged 25–96 years in the Baltimore Longitudinal Study of Aging (2003–2011) with HbA1c, knee extensor strength (isokinetic dynamometer), and lean body mass (DEXA) measured at baseline. Participants had repeated measurements up to 7.5 years later. Muscle quality was defined as knee extensor strength/leg lean mass. Participants were categorized by HbA1c quartile (&lt;5.5, 5.5–5.79, 5.8–6.09, and ≥6.1% or &lt;37, 37–40, 40–43, and ≥43 mmol/mol). Mixed-effects regression models were used to examine the regression of muscle outcomes on HbA1c. RESULTS Muscle strength and quality were significantly lower across HbA1c quartiles (both P &lt; 0.001), without differences in muscle mass at baseline. Comparing highest versus lowest HbA1c quartiles and adjusting for age, race, sex, weight, and height, strength was significantly lower (−4.70 ± 2.30 N · m; P value trend = 0.02) and results were unchanged after adjustment for physical activity (P value trend = 0.045) but of borderline significance after additional adjustment for peripheral neuropathy (P value trend = 0.05). Adjusting for demographics, muscle quality was significantly lower (−0.32 ± 0.15 N · m/kg; P value trend = 0.02) in the highest versus lowest HbA1c quartiles, but differences were attenuated after adjusting for weight and height (−0.25 ± 0.15 N · m/kg; P value trend = 0.07). Muscle mass measures were similar across HbA1c quartiles. CONCLUSIONS Hyperglycemia is associated with persistently lower muscle strength with aging, but this effect may be mediated, at least in part, by peripheral neuropathy. Future studies should explore if better glycemic control can preserve muscle function in diabetes.

Diabetes in older adults is a growing public health burden. The unprecedented aging of the world's population is a major contributor to the diabetes epidemic, and older adults represent one of the fastest growing segments of the diabetes population. Of impending concern is that these numbers are projected to grow dramatically over the next few decades (1,2). Almost one-third of U.S. adults over the age of 65 years have diabetes. Approximately half of those are undiagnosed, and an additional one-third of older adults have prediabetes (3). Persons with diabetes today are living much longer compared with those in the past. We also recognize that management of older adults with diabetes is clearly more complicated given the observation that they commonly have multiple coexisting medical conditions that can impact clinical management. While rates of diabetes-related complications have declined overall in the general population, the incidence rates of macrovascular complications such as acute myocardial infarction and stroke continue to be the highest in older age-groups. These individuals also have the highest rate of diabetes-related end-stage renal disease (4). Heterogeneity in the health status of older adults (ranging from robust and otherwise healthy individuals to those with frailty and multiple comorbid conditions) and the paucity of evidence from clinical trials represent a challenge to making generalized treatment recommendations for older adults. Although many more individuals with type 1 diabetes are living longer (5), type 2 diabetes remains the most common type in older age-groups. Furthermore, older adults with diabetes may either have elderly onset disease (diagnosed at age 65 years or older) or long-standing diabetes with onset in middle age or earlier years (6), adding to the complexity of managing diabetes in older adults. Consequently, the American Diabetes Association (ADA) organized a Consensus Development Conference on Diabetes and Older Adults …

Abstract Glycaemic traits are used to diagnose and monitor type 2 diabetes, and cardiometabolic health. To date, most genetic studies of glycaemic traits have focused on individuals of European ancestry. Here, we aggregated genome-wide association studies in up to 281,416 individuals without diabetes (30% non-European ancestry) with fasting glucose, 2h-glucose post-challenge, glycated haemoglobin, and fasting insulin data. Trans-ancestry and single-ancestry meta-analyses identified 242 loci (99 novel; P <5×10 -8 ), 80% with no significant evidence of between-ancestry heterogeneity. Analyses restricted to European ancestry individuals with equivalent sample size would have led to 24 fewer new loci. Compared to single-ancestry, equivalent sized trans-ancestry fine-mapping reduced the number of estimated variants in 99% credible sets by a median of 37.5%. Genomic feature, gene-expression and gene-set analyses revealed distinct biological signatures for each trait, highlighting different underlying biological pathways. Our results increase understanding of diabetes pathophysiology by use of trans-ancestry studies for improved power and resolution.

Abstract Large-scale whole-genome sequencing studies have enabled analysis of noncoding rare variants’ (RVs) associations with complex human traits. Variant set analysis is a powerful approach to study RV association, and a key component of it is constructing RV sets for analysis. However, existing methods have limited ability to define analysis units in the noncoding genome. Furthermore, there is a lack of robust pipelines for comprehensive and scalable noncoding RV association analysis. Here we propose a computationally-efficient noncoding RV association-detection framework that uses STAAR (variant-set test for association using annotation information) to group noncoding variants in gene-centric analysis based on functional categories. We also propose SCANG (scan the genome)-STAAR, which uses dynamic window sizes and incorporates multiple functional annotations, in a non-gene-centric analysis. We furthermore develop STAARpipeline to perform flexible noncoding RV association analysis, including gene-centric analysis as well as fixed-window-based and dynamic-window-based non-gene-centric analysis. We apply STAARpipeline to identify noncoding RV sets associated with four quantitative lipid traits in 21,015 discovery samples from the Trans-Omics for Precision Medicine (TOPMed) program and replicate several noncoding RV associations in an additional 9,123 TOPMed samples.