构建 nomogram 模型预测骨质疏松风险：为公共健康筑牢防线

《BMC Public Health》：Developing and validating a nomogram prediction model for osteoporosis risk in the UK biobank: a national prospective cohort

为解决现有骨质疏松预测模型的不足，中山大学研究人员开展 “开发和验证英国生物银行中骨质疏松风险的列线图预测模型” 研究。结果显示模型能有效量化 5 年骨质疏松风险，识别高危个体。该研究对降低骨质疏松人群负担意义重大。

　　骨质疏松是一种常见的慢性骨骼疾病，以骨脆性增加为特征，当通过双能 X 线吸收法（DXA）测量的骨矿物质密度 T 评分≤ -2.5 时可被诊断。它显著增加了骨质疏松性骨折的风险，给患者带来疼痛、活动受限、生活质量下降等问题，还导致较高的死亡率和沉重的经济负担。目前，风险预测模型虽有应用，但存在诸多问题。如机器学习方法构建的模型，其风险因素与骨质疏松风险的复杂关系不利于临床干预；传统回归方法构建的工具，像骨折风险评估工具（FRAX）、Qfracture 和 Garvan 骨折风险计算器（Garvan）等，主要用于长期（如 10 年）骨折风险的预测，且大多基于同质女性群体开发，风险因素缺乏多样性。骨质疏松自我评估工具（OST）的外部适用性也存在局限。为了更准确地评估个体在适度时间段内患骨质疏松的风险，减少骨质疏松的公共卫生负担，中山大学的研究人员开展了相关研究。
研究人员利用英国生物银行（UK Biobank）这一全国性前瞻性队列作为数据来源。该数据库包含了 50 多万名 40 - 69 岁参与者的丰富信息，包括人口统计学特征、生活方式习惯、病史等，还提供了纵向健康结局数据。研究人员对参与者进行了长期随访，从其 DXA 扫描日期开始，直至首次确诊骨质疏松、死亡、失访或观察期结束（2022 年 12 月 31 日）。
研究中，研究人员运用了多种关键技术方法。首先，为解决数据不平衡问题，采用合成少数过采样技术（SMOTE）对数据进行处理。接着，使用最小绝对收缩和选择算子（LASSO）Cox 回归构建预测模型，并通过 10 折交叉验证优化调整参数 lambda。最后，从多个方面评估模型性能，包括绘制 Kaplan - Meier 曲线、计算一致性指数（c - index）、生成时间依赖的受试者工作特征（ROC）曲线下面积（AUC）、绘制校准曲线以及进行决策曲线分析（DCA）等。
研究结果如下：

1. 数据集特征：共有 27284 名候选变量信息完整的参与者被纳入研究。在中位 5.03（IQR：4.11 - 6.55）年的随访期间，观察到 194 例骨质疏松事件。训练数据集和验证数据集在年龄、性别、种族、教育程度、生活方式等多方面相似。
2. 模型识别的风险因素：最初考虑 25 个候选风险因素，经 LASSO 回归后，性别、每日饮酒者、当前吸烟者、糖尿病病史、胰岛素使用和降胆固醇药物使用 6 个因素被排除在最终模型之外。确定了一些保护因素，如白人种族、较高的握力、不同部位（足跟、手臂、腰椎、股骨）较高的骨矿物质密度、使用降压药等；同时，较高年龄、体重过轻、绝经、近期骨折史以及高胆固醇血症、心血管疾病、骨病、关节炎和癌症等慢性疾病史是骨质疏松的风险因素。
3. 预测模型的性能：模型的综合 c - index 在训练数据集和验证数据集中分别为 0.844（95% CI：0.840，0.848）和 0.823（95% CI：0.776，0.870）。时间依赖的 AUC 显示，训练数据集在第 2、3、5 年的平均值分别为 0.866、0.879、0.810，验证数据集分别为 0.833、0.843、0.910。校准曲线表明模型校准性能良好，预测线接近 45 度线。Kaplan - Meier 生存曲线显示，模型能显著区分低、中、高风险受试者的无骨质疏松概率（log - rank 检验，P < 0.001）。与 OST 相比，本研究的 nomogram 模型在预测骨质疏松风险方面表现更优。
   研究结论和讨论部分指出，该研究开发的 nomogram 预测模型具有重要意义。它通过整合多个部位的骨矿物质密度和多种临床风险因素，能够在多个时间点量化骨质疏松风险，识别高危个体，为早期干预提供依据。模型确定的风险因素与以往研究基本一致，但也有一些新发现，如非白人种族的骨质疏松风险更高，不过由于研究队列种族同质性较高，这一结果有待进一步验证；接受过中学后教育的人群骨质疏松风险似乎更高，可能与医疗服务利用和生活方式等因素有关。此外，该模型在公共卫生方面具有重要作用，可增强个体骨质疏松风险评估，促进个性化干预策略的制定，提高患者对自身健康管理的参与度。然而，研究也存在一定局限性，如未纳入时变信息、部分慢性疾病患病率低被排除在模型外、未接受 DXA 评估的个体可能存在结果偏倚、未考虑竞争风险以及模型仅在白人为主的人群中进行了验证等。尽管如此，该模型仍为骨质疏松的预防和管理提供了一种有价值的工具，有望改善人群健康，降低骨质疏松的疾病负担。