ТЕКСЕРУДЕН ӨТУ БОЙЫНША ЕРЕКШЕЛІКТЕРІ

 

660

 

UDK  612.216.2; 613.6.01 

 

A.B. BERDYGALIYEV, K.S. NURZHANOVA, A.B. KARAGIZOVA, A.A. OTYNSHIYEVA  

Asfendiyarov KazNMU, Department of Nutriciology,  

Kazakh Academy of Nutrition  

 

SPIROMETRIC REFERENCE VALUES IN RURAL AND URBAN CHILDREN FROM CENTRAL ASIA: THE KAZAKHSTAN HEALTH AND 

NUTRITION EXAMINATION SURVEY (KHAN-ES) 

 

Spirometric parameters (FVC and FEV1) are influenced by several factors and generally valid prediction equations  have been never defined in 

particular for healthy children and adolescents. Spirometric data in urban-rural children and teens from Kazakhstan are reported in this study. 

Experimental FVC and FEV1 were predicted taking into account of height, age, ethnic group (Kazakh, Russian), living environment (urban, rural) 

and several other anthropometric parameters. The sample was constituted by 1,926 males and 1,967 females aged 7-18 years.  

Keywords: spirometric parameters, nutrition status, FVC, FEV1    

 

Introduction.  Living  environment  slightly  affected  spirometric 

values.  In  spirometric  prediction  equations  for  both  sexes  and 

both  FVC  and  FEV1  height  explained  almost  all  variance,  but 

inspiratory  chest  circumference  and  age  gave  significant 

contribution to the model. Moreover, Russians had higher values 

of FVC/FEV1 than Kazakhs and also ethnic group was inserted in 

prediction  equations.  Finally,  literature  models  that  better 

predicted  FVC/FEV1  of  our  population  arose  from  developed 

countries, while models deriving from more specific populations 

had  lower  predictive  power.  Modernization  had  only  a  slight 

effect  on  lung  function  that  was  mainly  predicted  by 

anthropometric  variables  (height  in  particular),  age  and  also 

ethnic group. Our model was in line with other models reported 

in literature. 

On  the  basis  of  available  data,  several  spirometric  predictive 

equations have been extrapolated from healthy subjects to define 

a “normal range” of spirometric parameters and abnormal values 

have  been  related  with  different  lung  diseases  at  different 

severity  degrees.  In the  general  population,  FVC  and  FEV1  have 

been  mainly  related  with  height  and  age,  but  also  with  weight 

and  body  mass  index  (BMI)  and  other  BW  components  [1-3]. 

Moreover,  sometimes  additional  anthropometric  variables  have 

been  considered,  but  generally  they  have  slightly  improved  the 

accuracy of prediction of the model used [4]. 

Spirometric  values  can  be  influenced  by  genetic  factors  and 

ethnic  differences  [5,  6]  but  also  by  environmental  pollution, 

nutrition status, exercise and altitude, so a definitive and unique 

regression  model  valid  for  all  populations  has  never  been 

recognized.  The  definition  of  spirometric  standard  curves  for  a 

correct diagnosis of early lung diseases is of particular relevance 

for children and adolescents because they are particular sensible 

to  environmental  and  lifestyle  changes  [7].  Moreover,  the 

transition between childhood and adults implies non-linearity in 

the relationship between lung function and height, complicating 

the regression model [8, 9]. 

Here,  we  report  spirometric  data  collected  inside  the  project 

KHAN-ES (Kazakhstan Health and Nutrition Examination Survey) 

in the major former Soviet republic of Central Asia, Kazakhstan. 

Kazakhstan is undergoing a rapid modernization process and in 

this  project  the  study  of  the  differences  between  children  and 

adolescents  living  in  urban  centres  and  in  rural  villages 

represents  a  great  opportunity  to  relate  anthropometric  and 

clinical  data  with  urbanization  and  modernization  with 

consequent  changes  in  the  traditional  lifestyle.  Moreover,  the 

multi-ethnicity of Kazakhstan can give the possibility to study the 

influence of ethnic group on spirometric values. 

Aims of the study were: 

-

 

to  test  the  relationship  between  FVC,  FEV1  and  different 

anthropometric  data,  living  environment  (urban-rural),  age  and 

ethnic  group  (Kazakh,  Russian)  and  to  finally  find  the  multiple 

regression model that best describes the examined population. 

-

 

To compare our model with most recent models coming from 

different populations present in literature. 

Materials and Methods 

The  measure  of  lung  function  in  children  and adolescents  living 

in  Kazakhstan  was  a  part  of  the  project  KHAN-ES,  male  and 

female children of the two main ethnic groups of Kazakhstan, i.e. 

Kazakh and Russian, were studied between 2010 and 2012. They 

were aged 7 to 18 years and resided either in Almaty and Chilik. 

Almaty  is  the  biggest  city  of  Kazakhstan  while  Chilik  is  a  rural 

village located at about 150 km NE from Almaty. We collected a 

convenience sample of about 50 children for every combination 

of  gender  (male  vs.  female),  environment  (Almaty  vs.  Chilik), 

ethnic  group  (Kazakh  vs.  Russian)  and  age  (7-18),  for  a  total  of 

4,808  children.  Children  without  mental  impairment  or  serious 

acute  or  chronic  diseases  and  siblings  to  another  child  already 

enrolled  in  the  study  were  recruited  and  measured  at  local 

schools.  The  study  was  conducted  in  conformity  with  the 

declaration  of  Helsinki  and  the  protocol  was  approved  by 

scientific committee of Kazakh Academy of Sciences. The parents 

of  children  and  adults  aged  ≥  18  years  gave  written  informed 

consent to participate to the study. 

Among  4,808  children  and  teenagers,  only  3,893  (1,926  males 

and 1,967 females) were selected for this study. 

The  exclusion  criteria  were:  smoker  condition  (at  least  4 

cigarettes/  week):  209  cases  excluded;  ex-smoker  condition 

(stop  smoking  <12  months  and  at  least  4  cigarettes/  week):  92 

cases excluded; respiratory symptoms at the moment of the data 

collection:  181  cases  excluded;  use  of  medicines  for  respiratory 

diseases  at  the  moment  of  data  collection:    59  cases  excluded; 

chronic  respiratory  or  cardio-vascular  diseases  in  the  last  12 

months: 65 cases excluded; lacking or incomplete data: 299 cases 

excluded; outliers for transcription errors: 10 cases excluded. 

In figure 1a and 1b, the distribution of males and females of the 

selected cases with age is presented.  

 

7

8

9

10

11

12

13

14

15

16

17

18

0

50

100

150

200

250

n°

Age class (years)

 Kazakh-urban

 Russian-urban

 Kazakh-rural

 Russian-rural

A

Males

 

 

 

661

 

 

7

8

9

10

11

12

13

14

15

16

17

18

0

50

100

150

200

250

 Kazakh-urban

 Russian-urban

 Kazakh-rural

 Russian-rural

Females

n°

Age class (years)

B

 

Figure 1 – The distribution of males (A) and females (B) of the selected cases with age 

 

Spirometry  was  performed  using  a  pneumotachograph  (Koko 

Spirometer,  Pulmonary  Data  Service,  Louisville,  CO)  and  FEV1 

and 

FVC 

were 

measured. 

Moreover, 

also 

maximum 

midexpiratory  flow  (MMF25-75)  was  obtained  from  the  same 

curve.  Each  child  or  adolescent,  seated  and  with  nose  clip, 

performed  three curves  and the best curve (highest  FVC+FEV1) 

was  reported  following  the  suggestions  of  American  Thoracic 

Society  and  further  published  modifications  proposed  for 

children and adolescents [10,11]. 

Anthropometry.  The  following  anthropometric  data  were 

measured: height with stadiometer without shoes; weight; sitting 

height  and  waist  circumference;  maximal  inspiratory  (ICC), 

expiratory  (ECC)  and  normal  (NCC)  chest  circumference 

measured at the nipple. Moreover, other chest parameters were 

measured:  Chest  breadth  and  depth.    The  following  indirect 

indexes were calculated on the basis of anthropometric data: 

1.

 

BMI = weight/height2 

2.

 

%  Delta  (percentage  increase  from  ECC  to  ICC)  =  100*(ICC-

ECC)/ECC. 

All the anthropometric variables were considered at the start of 

multiple regression model creation. 

Statistical  Analysis.  The  statistical  analysis  was  performed  with 

SPSS  13.0  software  (SPSS,  USA).  Prediction  equations  for 

spirometric  parameters  were  preliminary  developed  using 

forward stepwise multiple regression and all the anthropometric 

variables, age (continuous variable in years), living environment 

(0=urban;  1=rural)  and  ethnic  group  (0=Kazakh;  1=Russian) 

were inserted in the analysis, distinguishing between males and 

females. Among all the possible transformations of variables, the 

log10  transformation  of  respiratory  parameters    using  all  the 

independent  variables  as  linear  seemed  to  be  a  good 

compromise, because no variation in the R square was observed 

transforming  also  independent  variables  (log10,  polynomial, 

interaction in particular between height and age). Variables were 

included  or  excluded  in  the  model  not  only  on  the  basis  of 

significance  and  the  contribution  to  total  R  square,  but  also  on 

the  basis  of  multicollinearity  looking  at  the  values  of  VIF 

(Variance Inflation Factor). Only models with VIF values <10 for 

all independent variables were considered valid.  

Our best fit model was compared with several models proposed 

in  literature  (see  tables  1  and  2)  looking  at  median  value  of 

%predicted  for  FVC  and  FEV1  and  the  difference  between  5th 

and 95th percentiles. Moreover, we propose Bland-Altman graph 

[12]  on  logarithms  to  more  deeply  investigate  the  deviations 

from experimental model. 

 

Table 1 – Тhe literature models used for comparisons for FVC. Ln= natural logarithm; Log= log10; M=male; F=Female. In Chinn and Quanjer 

model, height is expressed in the Parma model, defined only for males, FVC is in ml. 

Author 

Model (FVC) M/F 

Al-Riyami et al. [13] 

Oman, 6-19 years 

M: ln (FVC)=-15,699 + 3,339ln(height) 

F: ln (FVC)=-14,955 + 3,170ln(height) 

Chinn et al. [14] 

Australia, 7-20 years 

M: ln (FVC)=-1,422 + [1,495+0,0141Age] height 

F: ln(FVC)=-1,466 + [1,471+0,0145Age] height    

Hankinson et al. [6] 

USA: Caucasian, 

(<20 years M - <18 F) 

M: FVC=-0,2584 - 0,20415Age + 0,010133Age^2 + 0,00018642Height^2 

F: FVC= 1,2082 + 0,05916Age + 0,00014815 Height^2 

Ip et al. [16] Hong Kong, 7-19 years  

M: ln(FVC) =-13,851 + 2,964ln(Height) 

F: ln(FVC)=-13,270 + 2,835ln(Height) 

Kivastik et al. [17] 

Estonia, 6-18 years 

M: ln(FVC) = -10,583 + 2,106ln(Height)+0,435ln(Age) 

F:  ln(FVC) = -10,136 + 1,969ln(Height)+0,484ln(Age) 

Quanjer et al. [9] 

Europe, 6-21 years 

M: ln(FVC) =-1,2782 + [1,3731+0,0164Age]Height 

F: ln(FVC) =-1,4507 + [1,4800+0,0127Age]Height 

Lebecque et al [19] 

Canada, 5-18 years 

M: log(FVC)=-0,8703 + 0,00881Height 

F: log(FVC)=-0,9742 + 0,00938Height 

Parma et al [2] 

Italy, 7-18 years 

M:ln(FVC)=0,1796-0,049age+0,003age^2+ 

,791ln(weight) 

–

0,043BMI+12,060ln(ICC)-11,106*ln(ECC)-  9,678delta% 

 

Table 2 – The literature models used for comparisons for FEV1. Ln= natural logarithm; Log= log10; M=male; F=Female. In Chinn and Quanjer 

model, height is expressed in m and in the Parma model, defined only for males, FVC is in ml. 

Author 

Model (FEV1) M/F 

Al-Riyami et al. [13] 

Oman, 6-19 years 

M: ln(FEV1)=-14,83 + 3,135ln(height) 

F: ln(FEV1)=-14,607 + 3,080 ln(height) 

Chinn et al. [14] 

Australia, 7-20 years 

M: ln(FEV1)=-1,405 + [1,333 + 0,0174Age]height 

F: ln(FEV1)=-1,516 + [1,404 + 0,0163Age] height 

Hankinson et al. [6] 

USA: Caucasian, 

(<20 years M-<18 F) 

M:FEV1=-0,7453-0,04106Age+0,004477Age^2+     0,00014098Height^2 

F: FEV1=-0,8710+0,06537Age + 0,00011496Height^2 

 

662

 

Ip et al. [16] Hong Kong, 7-19 years  

M: ln(FEV1) =-13,999 + 2,972ln(Height) 

F: ln(FEV1) =-13,392 + 2,843ln(Height) 

Kivastik et al. [17] 

Estonia, 6-18 years 

M: ln(FEV1) = -11,554+2,371ln(Height)+0,234ln(Age) 

F:  ln(FEV1) = -10,134+1,964ln(Height)+0,456ln(Age) 

Quanjer et al. [9] 

Europe, 6-21 years 

M: ln(FEV1) = -1,2933 + [1,2669 + 0,0174Age]Height 

F: ln(FEV1) = -1,5974 + [1,5016 + 0,0119Age]Height 

Lebecque et al [19] 

Canada, 5-18 years 

M: log(FEV1)=-0,8302+0,00825Height 

F: log(FEV1)=-9389+0,00890Height 

Parma et al [2] 

Italy, 7-18 years 

M:ln(FEV1)=2,448-,062age+0,003age^2+0,768ln(weight)–

0,044BMI+14,863ln(ICC)-14,044*ln(ECC)-12,440delta% 

 

Results. Definition of a model for FEV1 and FVC 

Using the stepwise multiple regression model, the best fit model 

for  logarithm  of  male  FVC,  with  an  overall  R  square  of  0,824 

contained  the  variables  height  (0,792),  ICC  (additional  0,019), 

ethnic  group  (additional  0,009)  and  age  (additional  0,005)  and 

all were highly significant (p<0,001).  

The  final  equation  of  the  model  is:  Log  (FVC)  =  -  0,729  + 

0,00429height+ 0,00526ICC + 0,0339ethnic + 0,00991age [1]. 

Among  the  excluded  variables,  the  variable  living  environment 

didn`t contributed significantly to the R square value and among 

all variables it had the lowest significance. However, if added to 

the model, the contribution was significant as positive coefficient 

(p=0,002).  

The best fit model for logarithm of female FVC, with an overall R 

square  of  0,766  contained  the  variables  height  (0,735),  ICC 

(additional  0,019),  ethnic  group  (additional  0,007)  and  age 

(additional  0,005)  and  all  were  highly  significant  (p<0,001). 

Obviously, other anthropometric variables were correlated with 

FVC;  however,  they  were  excluded  from  the  model  because  of 

multicollinearity  in  particular  with  height.  The  final  equation  of 

the model is: Log(FVC) = -0,710 + 0,00477height + 0,00407ICC + 

0,0257ethnic  +  0,00744age  [2].  Among  the  excluded  variables, 

the  variable  living environment  did  not  considerably  contribute 

to the R square value and among all variables, it had the lowest 

significance.  However,  if  added  to  the  model,  the  contribution 

was significant as positive coefficient (p=0,009). In other words, 

FVC  of  rural  females  was  significantly  but  higher  than  urban 

ones.  

The best fit model for logarithm of male FEV1, with an overall R 

square  of  0,815  contained  the  variables  height  (0,788),  ICC 

(additional  0,018),  ethnic  group  (additional  0,004)  and  age 

(additional  0,005)  and  all  were  highly  significant  (p<0,001). 

Obviously, other anthropometric variables were correlated with 

FEV1;  however,  they  were  excluded  from  the  model  because  of 

multicollinearity  in  particular  with  height.  The  final  equation  of 

the model is: Log (FEV1) = -0,782+ 0,00445 height + 0,00506ICC 

+ 0,0253 ethnic + 0,00892 age [3]. Among the excluded variables, 

variable  living  environment  (urban-rural)  did  not  significantly 

contributed to the model (p=0,222). 

The best fit model for logarithm of female FEV1, with an overall R 

square  of  0,712  contained  the  variables  height  (0,688),  ICC 

(additional  0,017),  ethnic  group  (additional  0,003)  and  age 

(additional  0,004)  and  all  were  highly  significant  (p<0,001). 

Obviously, other anthropometric variables were correlated with 

FEV1.  In  other  words  the  final  equation  of  the  model  is: 

Log(FEV1)  =  -0,747  +  0,00496height  +  0,00383ICC  + 

0,0190ethnic  +  0,00622age  [4].  Among  the  excluded  variables, 

the  variable  living  environment  (urban-rural)  did  not 

significantly contribute significantly to the model (p=0,705). 

Some  considerations  about  MMF  25-75.  The  best  fit  model  for 

logarithm of male MMF25-75 had very lower R square value than 

for  FVC  and  FEV1  (0,546)  and  only  height  (0,528),  ICC 

(additional 0,014) and age (additional 0,004) were contained in 

it.  Neither  ethnic  group  (p=0,216)  nor  living  environment 

(p=0,466)  significantly contributed  to the  model.  For  females, R 

square  was  still  lower  (0,396)  and  in  addition  to  height  (0,38), 

ICC  (additional  0,009)  and  age  (additional  0,003)  also  living 

environment  (additional  0,004)  was  highly  significant  with  a 

negative  coefficient  (p<0,001).  In  other  words,  MMF25-75  of 

urban  females  was  significantly  higher  than  rural  ones.  Ethnic 

group (p=0,14) did not significantly contribute to the model. 

A comparison with literature 

Using the models presented in tables 1 and 2, % predicted values 

of  FVC  and  FEV1  as  5th,  10th,  25th,  50th,  75th,  90th,  95th 

percentiles  and  the  difference  in  %  between  95th  and  5th 

percentiles  (%  variability  or 



)  are  presented  in  table  3A-D. 

Moreover, we also calculated the difference between median and 

expected value if the model was perfect (100%). This variable is 

called  “Dev50”.  The  model  of  Parma  et  al  [2]  (defined  only  for 

males)  was  used  only  for  FEV1  and  not  FVC,  because  of  a 

probable  error  in  the  intercept  value  (0,176,  while  we  would 

expect a value between 1,5 and 2,5).  

 

Table 3 – The difference in % between 95th and 5th percentiles: A) male FVC as % predicted; B) female FVC as % predicted; C) male FEV1 as 

% predicted; D) female FEV1 as % predicted using all the models presented in tables 1 and 2. 

A 

MODEL 

5th % 

10th % 

25th % 

50th % 

75th % 

90th % 

95th % 

Dev50 



 

Our Model 

76,6 

82,7 

90,6 

99,8 

110,4 

122,2 

131,6 

-0,2 

55,0 

Al Riyami 

78,6 

83,6 

93,3 

104,8 

118,6 

133,3 

143,2 

+4,8 

64,6 

Chinn 

73,3 

77,8 

86,7 

96,6 

107,6 

119,8 

129,1 

-3,4 

55,8 

Hankinson 

75,1 

79,6 

88,3 

98,8 

111,0 

124,4 

134,0 

-1,2 

58,9 

Ip 

81,8 

86,2 

96,0 

107,2 

120,1 

134,3 

144,6 

+7,2 

62,8 

Kivastik 

76,7 

81,7 

91,1 

101,7 

113,7 

126,7 

137,3 

+1,7 

60,6 

Quanjer 

72,8 

77,5 

86,4 

96,2 

106,9 

119,0 

127,8 

-3,8 

55,0 

Lebeque 

77,1 

81,5 

91,2 

101,4 

113,2 

127,2 

136,6 

+1,4 

59,5 

B 

Our 

76,1 

82,1 

90,9 

100,3 

110,5 

122,2 

130,0 

+0,3 

53,9 

Al Riyami 

80,1 

86,3 

96,0 

107,6 

120,7 

133,9 

144,4 

+7,6 

64,3 

Chinn 

72,5 

77,9 

86,0 

95,9 

106,7 

118,9 

127,6 

-4,1 

55,1 

Hankinson 

72,4 

77,2 

85,7 

95,9 

107,3 

118,9 

127,2 

-4,1 

54,8 

Ip 

79,6 

85,9 

94,6 

106,4 

118,0 

131,1 

141,3 

+6,4 

61,7 

Kivastik 

79,1 

84,5 

93,8 

104,7 

116,8 

130,0 

138,6 

+4,7 

59,5 

Quanjer 

72,6 

78,1 

86,4 

96,5 

107,1 

119,7 

127,8 

-3,5 

55,2 

Lebeque 

73,6 

79,6 

88,5 

99,1 

110,6 

122,7 

132,5 

-0,9 

58,9 

C 

Our 

74,6 

81,4 

90,8 

100,6 

110,9 

121,2 

129,4 

+0,6 

54,8 

Al Riyami 

80,0 

87,2 

97,4 

108,9 

122,0 

135,6 

147,3 

+8,9 

67,3 

Chinn 

75,1 

81,2 

91,5 

101,7 

113,4 

124,4 

133,5 

+1,7 

58,4 

 

 

663

 

 

Hankinson 

75,0 

81,6 

91,6 

102,2 

114,2 

126,6 

136,2 

+2,2 

61,2 

Ip 

78,7 

86,0 

95,8 

107,1 

119,8 

132,1 

143,1 

+7,1 

64,4 

Kivastik 

77,7 

84,5 

94,4 

104,8 

117,1 

128,7 

138,7 

+4,8 

61,0 

Quanjer 

73,9 

80,1 

90,3 

100,2 

112,1 

122,5 

132,5 

+0,2 

58,6 

Lebeque 

73,8 

79,5 

89,8 

99,9 

111,8 

123,7 

132,4 

-0,1 

58,6 

Parma 

73,1 

80,3 

90,1 

100,2 

111,3 

122,5 

130,6 

+0,2 

57,5 

D 

Our 

71,6 

79,1 

90,6 

101,6 

111,9 

123,0 

132,0 

+1,6 

60,4 

Al Riyami 

76,0 

83,7 

95,9 

108,3 

122,0 

134,8 

142,8 

+8,3 

66,8 

Chinn 

69,1 

76,5 

87,6 

98,0 

108,9 

120,4 

129,1 

-2,0 

60,0 

Hankinson 

68,5 

76,6 

86,9 

98,2 

109,3 

121,1 

128,2 

-1,8 

59,7 

Ip 

73,4 

81,4 

93,3 

105,1 

117,4 

129,3 

136,9 

+5,1 

63,5 

Kivastik 

73,4 

81,7 

92,8 

105,0 

116,5 

129,1 

136,2 

+5,0 

62,8 

Quanjer 

70,3 

77,7 

88,8 

100,1 

111,0 

122,0 

130,8 

+0,1 

60,5 

Lebeque 

68,5 

75,6 

86,8 

97,6 

109,4 

120,3 

128,7 

-2,4 

60,2 

 

For  male  FVC,  some models  had  a 



  value  similar  to our  model 

(Chinn,  Quanjer),  but  slightly  underestimated  the  median  value 

(overestimated  the  median  absolute  value  of  FVC).  For  female 

FVC,  several  models  had  variability  similar  to  experimental 

model (Chinn, Hankinson, Quanjer), while Lebeque model better 

estimate the median. 

For male FEV1, the models of Parma and also Quanjer provided a 

good  estimation  of  variability  and  median,  quite  near  to 

experimental  model,  while  for  female  FEV1  the  Quanjer  model 

had a predictive power similar to experimental model. 

The  Bland-Altman  graph  to  compare  different  models  as  an 

example,  in  figures  2A  and  2B  the  Bland-Altman  graphs 

presenting the comparison between our model for male FVC and 

a  good  model,  Knudson,  and  another  model  (Sirotkovic)  that 

presented higher deviation.  

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

-0,09

-0,06

-0,03

0,00

0,03

0,06

0,09

0,12

-3SD

-2SD

-SD

+3SD

+2SD

log(FVC_Our) - log(FVC_Knud

son)

0.5*[log(FVC_Our)+log(FVC_Knudson)]

mean

+SD

A

 

0,0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

-0,15

-0,10

-0,05

0,00

0,05

0,10

0,15

0,20

0,25

log(FVC_Our)-log(FVC_Sirotkovic

)

0.5*[log(FVC_Our)+log(FVC_Sirotkovic)]

B

-3SD

-2SD

-SD

+3SD

+2SD

mean

+SD

 

Figure 2 – Bland-Altman graph on logarithm for the comparisons between: A) our model and Knudson model;  

B) our model and Sirotkovic model 

 

Non-linearity of residual trend, only slightly present for the first 

comparison,  was  dramatically  evident  for  the  second 

comparison:  Sirotkovic  model  tended  to  underestimate  FVC 

values  at  lowest  and  highest  FVC  values,  and  the  trend  of 

residuals  is  absolutely  not  linear  around  the  median  value. 

Moreover, median and SD for deviations in the first comparison 

(0,0016Ã0,03)  were  clearly  both  much  lower  than  the  second  

comparison  (0,024Ã0,05).  Obviously,  this  type  of  comparison  is 

possible for all presented models. 

Discussion.  This  study  is  a  part  of  KHAN-ES  project,  aimed  at 

evaluating  the  contribution  of  living  environment,  ethnic  group 

and  gender  to  different  anthropometric  and  clinical  parameters 

in  children  and  adolescent  living  in  Kazakhstan,  a  rapidly 

modernizing ex-Soviet state of Central Asia. 

Here,  we  concentrated  the  attention  about  the  possible 

influencing  factors  of  the  most  widely  used  spirometric 

parameters (FEV1 and FVC) in healthy children and adolescents, 

followed  by  a  further  comparison  with  mathematical  predictive 

models present in literature. 

It  is  known  that  exposure  to  air  pollutants  can  affect  the  lung 

function during the major development period (10-18 years) and 

FEV1  is  negative  correlated  with  several  environmental 

contaminants [20]. Moreover, air pollution in the residence area 

can  be  associated  to  the  causal  chain  of  reactions  leading  to 

retardation  in  pulmonary  function  growth  during  the 

preadolescence  [21].  In  fact,  in  our  multiple  regression  models 

only in the case of MMF 25-75 for females we observed a modest 

contribution  to  the  R  square  of  the  model.  Nevertheless,  FVC 

 

664

 

tended  to  be slightly  higher in  rural  than  in urban environment 

for both sexes, while the trend was the opposite for MMF 25-75 

only  for  females. On  the other hand,  living  environment  did  not 

have a significant effect on FEV1 for both sexes and MMF 25-75 

for  males. Therefore,  at  this  stage  of  analysis  it  is  impossible to 

tract  definitive  conclusions  about  the  relation  between  air 

pollution  and  reduction  of  pulmonary  function  in  Kazakhstan. 

Our results are quite in line with what observed in Italy [22]. In 

particular,  while  in  Nigeria  no  variation  of  spirometric 

parameters has been found in urban or rural communities [23], a 

significant  reduction  in  pulmonary  function  was  observed  in  5-

11  y  urban  children  living  in  Iran  as  compared  to  rural 

counterpart  [24].  So,  a  lot  of  factors  could  explain  these 

discrepancies and even if a higher concentration of air pollutants 

is  generally  expected  in  urban  environment  or  in  any  case  in 

more industrialized areas [25], the environmental risk factors for 

airway diseases in rural communities in America have been well 

described [26] and in non-urban children risk factors for asthma 

are similar to risk factors in urban children [27].  

Our  linear  models  confirmed  that  most  important  variable  to 

predict  FVC  and  FEV1  is  height  but  some  anthropometric 

parameters,  like  ICC,  can  slightly  improve  the R  square value of 

the model.  

Our study also confirmed that age was highly significant, even if 

its  contribution  to  R  square  was  modest,  but  more  importantly 

Russians  of  both  sexes  had  higher values  of  FVC  and  FEV1  (not 

MMF  25-75)  than  Kazakhs,  and  this  is  the  first  work  able  to 

distinguish  between  children  and  adolescents of  Mongolian  and 

Caucasian  origin.  Another  study  about  a  general  sample  of 

Mongolian  and  Caucasian  population  with  lower  number  of 

subjects  of  any  age  was  unable  to  find  it  [28].  So,  ethnic  group 

could be added  to  general model of  FVC/FEV1  to  better  predict 

lung function. MMF 25-75 prediction equations had lower values 

of R square, as already observed [2]. 

After the definition of a model to predict FVC/FEV1, a validation 

with  most  recent  models  present  in  literature  was  necessary 

(Table  1  and  2).  First  of  all,  a  good  qualitative  method  to 

comparison  is  to  test  the  power  of  the  model  to  predict  the 

median % predicted FVC/FEV1 values (expected 100%) and the 

variability  of  the  predicted  values  (e.g.  the  difference  between 

95th and 5th percentiles).  

In  conclusion,  while  urban  and  rural  environment  only  slightly 

affected  spirometric  values  (in  particular  FVC),  spirometric 

prediction  equations  primarily  depended  by  height  (for  both 

sexes  and  both  FVC  and  FEV1)  with  a  modest  but  significant 

contribution  of  inspiratory  chest  circumference  and  age. 

Moreover,  Russians  presented  in  general  higher  values  of 

FVC/FEV1  than  Kazakhs  and  ethnic  group  was  inserted  in 

prediction equations.  

Finally, literature models that better predicted FVC/FEV1 of our 

population have been defined for whites in developed countries, 

while models deriving from more specific populations had lower 

performing power. Bland-Altman graph can be a good approach 

to compare two different prediction models. 

 

 

REFERENCES 

1

 

Coultas  B.D.,  Howard  A.C.,  Skipper  J.B.,  Samet  M.J.  Spirometric  prediction  equations  for  Hispanic  children  and  adults  in  New  Mexico. 

(1988) Am. Rev. Respir. Dis. 138: 1386-1392. 

2

 

Parma A., Magliocchetti N., Spagnolo A., Di Monaco A., Migliorino M.R., Menotti A. Spirometric prediction equations for male Italians 7-18 

years of age. (1996) Eur. J. Epidemiol. 12: 263-277. 

3

 

Mohamed E.I., Maiolo C., Iacopino L., Pepe M., Di Daniele N., De Lorenzo A. The impact of body-weight components on forced spirometry 

in healthy Italians. (2002) Lung 180: 149-159. 

4

 

Marcus B.E., MacLean J.C., Curb D.J., Johnson R.L., Vollmer M.W., Buist S.A. Reference values for FEV-1° in Japanese-American men from 45 

to 68 years of age. (1988) Am. Rev. Respir. Dis. 138: 1393-1397. 

5

 

American Thoracic Society. Lung function testing and selection of reference values and interpretive strategies. Official Statement of the 

American Thoracic Society. (1991) Am. Rev. Respir. Dis. 144: 1202-1218. 

6

 

Hankinson  J.L.,  Odencrantz  J.R.,  Fedan  K.B.  Spirometric  reference  values  from  a  sample  of  the  general  U.S.  population.  (1999)  Am.  J. 

Respir. Crit. Care Med. 159: 179-187. 

7

 

Harik-Khan  R.I.,  Muller  D.C.,  Wise  R.A.  Racial  difference  in  lung  function  in  African-American  and  White  children:  effect  of 

anthropometric, socioeconomic, nutritional and environmental factors. (2004) Am. J. Epidemiol. 160: 893-900. 

8

 

Knudson  R.J.,  Lebowitz  M.D.,  Holberg  C.J.,  Burrows  B.  Changes  in  the  normal  maximal  expiratory  flow-volume  curve  with  growth  and 

aging. (1983) Am. Rev. Respir. Dis. 127: 725-734. 

9

 

Quanjer P.H., Borsboom G.J.J.M., Brunekreef B., Zach M., Forche G., Cotes J.E., Sanchis J. Paoletti P. Spirometric reference values for white 

European children and adolescents: Polgar revisited. (1995) Pediatr. Pulmonol. 19: 135-142. 

10

 

American Thoracic society. Medical section of the American lung association. Standardization of spirometry. 1994 update. (1995) Am. J. 

Respir. Crit. Care Med. 152: 1107-1136. 

11

 

Arets  H.G.M.,  Brackel  H.J.L.,  Van  der  Ent  C.K.  Forced  expiratory  manoeuvres  in  children:  do  they  meet  ATS  and  ERS  criteria  for 

spirometry? (2001) Eur. Respir. J. 18: 655-660. 

12

 

Bland J.M., Altman D.G. Statistical methods for assessing agreement between two methods of clinical measurement. (1986) Lancet 1: 307-

310. 

13

 

Al-Riyami B.M., Al-Rawas O.A., Hassan M.O. Normal spirometric reference values for Omani children and adolescents. (2004) Respirology 

9: 387-391. 

14

 

Chinn D.J., Cotes J.E., Martin A.J. Modelling the lung function of Caucasians during adolescence as a basis for reference values. (2006) Ann. 

Hum. Biol. 33: 64-77. 

15

 

Golshan M., Nematbakhsh M., Amra B., Crapo R.O. Spirometric reference values in a large middle eastern population. (2003) Eur. Respir. 

J. 22: 529-534. 

16

 

Ip  M.S.M.,  Karlberg E.M.,  Karlberg J.P.E.,  Luk K.D.K.,  Leong  J.C.Y. Lung function reference  values  in  Chinese children  and  adolescents in 

Hong Kong. I. Spirometric values and comparison with other populations. (2000) Am. J. Respir. Crit. Care Med. 162: 424-429. 

17

 

Kivastik J., Kingisepp P.H. Spirometric reference values in Estonian schoolchildren. (2001) Clin. Physiol. 4: 490-497. 

18

 

Sirotkovic M., Cvoriscec B. Spirometric reference values in school children from Dalmatia. (1995) Monaldi Arch. Chest Dis. 50: 258-263. 

19

 

Lebecque  P.,  Desmond  K.,  Swartebroeckx  Y.,  Dubois  P.,  Lulling  J.,  Coates  A.  Measurement  of  respiratory  system  resistance  by  forced 

oscillation in normal children: a comparison with spirometric values. (1991) Pediatr. Pulmonol. 10: 117-122. 

20

 

Gauderman W.J., Avol E., Gilliland F., Vora H., Thomas D., Berhane K., et al. The effect of air pollution on lung development from 10 to 18 

years of age. (2004) New Eng. J. Med. 351: 1057-1067. 

21

 

Jedrychowski W., Flak E.,  Mróz E. The Adverse Effect of Low Levels of Ambient Air Pollutants on Lung Function Growth in Preadolescent 

Children. (1999) Environ. Health Perspect. 107: 669-674. 

22

 

Centanni S., Di Marco F., Castagna F., Santus P., Guarnirei R., Allegra L. Atopy prevalence and spirometric performance in asymptomatic 

schoolchildren exposed to air pollution. (2001) Monaldi Arch. Chest Dis. 56: 304-308. 

23

 

Glew R.H., Kassam H., Vander Voort J., Agaba P.A., Harkins M., VanderJagt D.J. Comparison of pulmonary function between children living 

in rural and urban areas in northern Nigeria. (2004) J. Trop. Pediatr. 50: 209-216. 

24

 

Asgari M.M., DuBois A., Asgari M., Gent J. Beckett W.S. Association of ambient air quality with children’s lung function in urban and rural 

Iran. (1998) Arch. Environ. Health 53: 222-230. 

 

 

665

 

 

25

 

Forastiere  F.,  Corbo  G.M.,  Pistelli  P.,  Michelozzi  P.,  Agabiti  N.,  Brancato  G.,  Ciappi  G.,  Perucci  C.A.  Bronchial  responsiveness  in  children 

living in areas with different air pollution levels. (1994) Arch. Environ. Health 49: 111-118. 

26

 

Schwartz  D.A.  Etiology  and  pathogenesis  of  airway  disease  in  children  and  adults  from  rural  communities.  (1999)  Environ.  Health 

Perspect. 107 Suppl. 3: 393-401. 

27

 

Higgins P.S., Wakefield D., Cloutier M.M. Risk factors for asthma and asthma severity in nonurban children in Connecticut. (2005) Chest 

128: 3846-3853. 

28

 

Crapo R.O., Jensen R.L., Oyunchimeg M., Tsh T., DuWayne Schmidt C. Differences in spirometry reference values: a statistical comparison 

of a Mongolian and a Caucasian study. (1999) Eur. Respir. J. 13: 606-609. 

 

жүктеу/скачать 19,82 Mb.

Достарыңызбен бөлісу: