基于临床检验指标针对退行性骨质疏松症筛查工具的开发与评价

骨质疏松症（Osteoporosis，OP）是一种以骨量减少、骨密度下降及骨微结构破坏为特征的全身性代谢性骨病，显著增加骨折风险，具有高发病率、高医疗成本和高致残率等 [1] 特点。近年来，随着医学大数据与机器学习的发展，OP 筛查工具不断涌现，但多数模型因依赖难以获取的指标或诊断效能不高，难以在基层推广 [2]。骨组织是动态代谢结构，成骨与破骨活动持续调节，相关的生化指标可反映骨代谢状。

1 资料与方法

1.1 研究对象

本研究选取 NHANES 2019–2020 年数据作为模型开发队列，2017–2018 年数据作为外部验证队列。纳入年龄 ⩾50 岁，完成股骨骨密度及实验室检查者；排除既往OP 诊断或治疗、激素用药史、严重系统疾病患者。

此外，回顾性收集暨南大学附属第一医院 2021 年 1 月 –2024 年 1 月行 DXA 检测患者数据作为独立验证队列，纳排标准与NHANES 一致。

1.2 OP 的诊断标准

NHANES 数据库以股骨 T 值≤ –2.5 作为 OP 诊断依据，参考文献《Lumbar spineand proximal femur BMD》标准。医院数据依据 DXA 报告中股骨 T 值判定，其他部位T⩽-2.5 但股骨 T>-2.5 者归为非 OP 组。

1.3 模型预测因子

从 NHANES 数 据 库 Demographics（DD）、Examination（ED）、Laboratory（LD）、Questionnaire（QD）四类数据中提取候选变量，包括基础人口学信息、体测指标、实验室检验（如血细胞计数、肝肾功能、空腹血糖、HbA1c 等）及问卷数据。优先选用易获取、稳定性强的指标。

1.4 统计学方法

为筛选关键预测因子，采用 LASSO 回归（R 语言“glmnet”包），并以逻辑回归构建诊断模型，通过列线图（“rms”、“regplot”包）实现可视化。最终开发 Shiny 网页计算器用于便捷预测。

2 结果

2.1 研究纳入情况

在 NHANES 2019-2020 年调查周期有 15560 名受试者参与，而所有年龄 小于 50 岁的受试者都被排除在外（ n=10573 ）。接下来，没有完整 BMD 信息的受试者（股骨的任何部位）和符合研究排除标准的受试者被排除在外（ n=1442 ），最后有任何变量信息缺失和符合排除标准的受试者被排除本研究（ n=1994 ）。最终，1551 名受试者被纳入筛查工具开发队列。

2.2 LASSO 回归筛选最终预测因子

使用 LASSO 回归筛选出最有价值的预测因子组合，LASSO 回归分析临床趋势线如图1 所示，各变量LASSO 回归系数见表 2

表 2 LASSO 回归系数表

4. 讨论

本研究针对当前骨质疏松症（OP）筛查工具在基层应用中的局限，构建了以易获取临床检验指标为基础的诊断模型，有效解决了现有工具预测因子难以采集或诊断性能不佳的问题。与 FRAX、Q-Fracture 等以骨折为终点的风险评估工具相比，本模型以 T值 ⩽-2.5 为诊断标准，回归骨质疏松本质，避免了高危患者漏诊。同时，模型所选变量如年龄、性别、体重、总钙、总蛋白等均为常规检查项目，便于在基层推广应用。在NHANES 数据库及医院人群中验证结果显示，模型具备良好的区分度（AUC 均 >0.82 ）与校准度（Brier 评分 <0.12 ），在敏感度和特异度之间实现了良好平衡，相较 OSTA 模型更具实用性与诊断稳定性。值得注意的是，在不同人群中模型最佳阈值存在差异，提示今后应结合实际开展个性化调整。

参考文献

[1] 迟家敏 . 老年人内分泌代谢系统疾病的流行病学研究 [J]. 中华老年医学杂志 ，2003， 22（6）： 2.

[2] 张萌萌 ， 徐又佳 ， 侯建明 ， et al. 骨质疏松实验室诊断及影响因素专家共识 2022[J].中国骨质疏松杂志 ， 2022（009）： 028.

（1）2023 年潮州市第三批科技计划自筹经费项目

项目名称：一种可在基层医院使用的退行性骨质疏松症筛查工具的开发及应用

项目编号：2023ZC38

（2）广东省颐养健康慈善基金会资助项目

项目名称：circNR3C2 促进人脂肪间充质干细胞成软骨分化的作用机制研究

项目编号：JZ2025038