- 张立博;宋萌晨;贾杰;宋辉;冷子宽;尚国伟;陈松峰;寇红伟;唐海;毛克亚;刘宏建;
目的 分析骨质疏松性椎体压缩骨折（osteoporotic vertebral compression fractures, OVCFs）患者椎旁肌特征和相关参数，探究椎旁肌退变与OVCFs的Genant分级之间的相关性。方法 回顾性分析2020年1月至2024年1月郑州大学第一附属医院收治的女性OVCFs患者82例，依据患者Genant分级将研究对象分为3组，轻度骨折组（GenantⅠ级） 26例，中度骨折组（GenantⅡ级） 29例，重度骨折组（GenantⅢ级）27例。收集患者年龄、身高、体质量指数（body mass index, BMI）、骨密度（bone mineral density, BMD）等资料，在横断面MRI图像上测量所有患者的椎旁肌横截面积和脂肪浸润面积，计算椎旁肌脂肪浸润率。比较3组一般资料和椎旁肌相关参数差异是否有统计学意义，将有统计学意义且不存在共线性的因素纳入多元有序Logistic回归分析，进一步分析其与Genant分级之间的相关性。结果 相较于轻度骨折组，重度骨折组年龄更大（P<0.05）。3组L3椎体平面的多裂肌脂肪浸润率（multifidus muscle fat infiltration ratio, MFIR）和L4椎体平面的MFIR、竖脊肌脂肪浸润率（erector spinae muscle fat infiltration ratio, EFIR）、椎旁肌总脂肪浸润率（total fat infiltration ratio, tFIR）差异有统计学意义。根据共线性分析结果，排除相关性强的影响因素后，将年龄、 BMD、 L3椎体平面的MFIR、 L4椎体平面的EFIR等4个因素纳入有序Logistic回归分析，结果显示，年龄增大和L3椎体平面MFIR增加是发生重度OVCFs的独立危险因素。结论 椎旁肌的脂肪浸润对OVCFs的Genant分级有显著影响。年龄增大和L3椎体平面MFIR增加是重度OVCFs的独立危险因素。
2025年01期 v.18 21-27页 [查看摘要][在线阅读][下载 1000K] [下载次数：123 ] |[引用频次：0 ] |[阅读次数：27 ] - 邵红宇;郝宝坛;贾林燚;高凤霄;
目的 探讨甘油三酯葡萄糖-腰围身高比（triglyceride glucose-waist height ratio, TyG-WHtR）指数与可能肌少症之间的相关性。方法基于中国健康与养老追踪调查（China Health and Retirement Longitudinal Study, CHARLS）数据进行横断面研究。通过测量握力和重复5次起坐时间诊断可能肌少症，并收集血液生物学标志物及问卷调查等相关数据，运用多因素Logistic回归分析探讨TyG-WHtR指数与可能肌少症的关联，并进行交互作用和亚组分析。结果 共纳入分析5 496名受访者，其中可能肌少症患者2 027例，患病率为36.9%。在调整所有混杂因素的模型中发现，TyG-WHtR指数与可能肌少症呈正相关（OR=1.91,95%CI:1.41～2.60）。对年龄、性别、高血压、糖尿病、血脂异常、慢性肺部疾病、心脏病、 BMI进行分层分析发现，各亚组间差异均无统计学意义（P>0.05）。结论 TyG-WHtR指数与可能肌少症呈正相关，当ln转化的TyG-WHtR指数每增加1个单位，可能肌少症发生风险相对增加91%。
2025年01期 v.18 28-35页 [查看摘要][在线阅读][下载 1038K] [下载次数：592 ] |[引用频次：0 ] |[阅读次数：17 ] - 云思敏;王雄毅;谢伊代·如则;朱柯雨;翁程伟;郑苗;魏祺;徐又佳;
目的 运用3种机器学习方法探讨骨质疏松症患者发生骨质疏松性骨折的危险因素，并构建列线图预测模型。方法 选取2021年10月至2023年5月苏州大学附属第二医院289例骨质疏松症患者作为研究对象，按是否骨折分为骨折组（93例）和非骨折组（196例）。采用R语言开展相关研究。运用拉索回归（least absolute shrinkage and selection operator, LASSO）、极端梯度提升（extreme gradient boosting,XGBoost）、随机森林（random forest, RF） 3种机器学习方法平行评估“变量”与骨质疏松性骨折风险的相关性，分析3种机器学习方法 “重叠覆盖”的风险因素，采用多因素Logisitic回归方法验证结果的独立预测性。基于机器学习和多因素Logisitic回归分析筛选出的独立危险因素构建“列线图预测模型”，采用Bootstrap方法进行内部和外部验证，通过受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）、 Hosmer-Lemeshow拟合优度检验、校准曲线及决策曲线（decision curve analysis, DCA）评估列线图预测模型的准确性和临床适用性。结果 3种机器学习方法各自筛选到不同风险因素，经过“重叠覆盖”分析得到6项共同的骨质疏松性骨折重要风险因素：年龄、甘油三酯、 Ca、血清25羟维生素D、股骨颈T值、血清白蛋白。多因素Logistic回归分析显示其中5个因素是脆性骨折的独立危险因素：年龄（OR=1.075, 95%CI:1.017～1.136,P=0.011）、甘油三酯（OR=0.207, 95%CI:0.103～0.415,P<0.001）、 Ca (OR=0.010, 95%CI:0.000～0.602,P=0.028)、股骨颈T值（OR=0.443, 95%CI:0.245～0.800,P=0.007）、血清25羟维生素D (OR=0.902, 95%CI:0.830～0.980,P=0.015)。基于5个预测危险因素构建的列线图预测模型验证结果显示：模型训练集AUC值为0.934(95%CI:0.897～0.972)，内部验证集的AUC值为0.893 (95%CI:0.802～0.984)，外部验证集的AUC值为0.849 (95%CI:0.792～0.905)，预测效能良好。校准曲线显示预测值与理想曲线有较好一致性。Hosmer-Lemeshow拟合优度检验（训练集：χ~2=9.842,P=0.276；内部验证集：χ~2=5.174,P=0.739；外部验证集：χ~2=12.828,P=0.118）表明模型有较高的预测准确性。DCA表示该模型临床效能表现良好。结论 3种机器学习方法共同指出的骨质疏松性骨折高风险因素有6项，经多因素Logistic回归分析认为高龄、低甘油三酯、低Ca、低血清25羟维生素D、低股骨颈T值为独立危险因素，其中低甘油三酯、低血清25羟维生素D危险因素以往报道较少。基于3种机器学习方法构建的列线图预测模型有较好便捷性、准确性，可帮助临床医生识别骨质疏松性骨折高危患者，有益实施早期干预。
2025年01期 v.18 36-48页 [查看摘要][在线阅读][下载 1651K] [下载次数：302 ] |[引用频次：0 ] |[阅读次数：24 ] - 王礼宁;李新艳;朱弈桦;王远智;涂鹏程;郭杨;沈计荣;马勇;张春雷;
目的 构建老年髋部骨折患者术后发生二次骨折风险预测模型。方法 采用回顾性研究纳入2018年1月至2023年2月在南京中医药大学附属医院骨伤科就诊年龄≥60岁的髋部骨折术后患者的临床数据，使用单因素Logistic回归、多因素Logistic回归筛选最佳预测变量，对预测变量进行多重共线性检验，基于多因素Logistic分析结果利用R软件构建术后二次骨折列线图预测模型。采用受试者工作特征曲线（receiver operating characteristic curve, ROC）评估模型的区分度，建立校准曲线评估模型的校准度，绘制临床决策曲线评价模型的临床实用性。并采用内部验证Boostrap和十折交叉验证法评估模型的可重复性。结果 本研究共纳入629例老年髋部骨折术后患者，其中初次骨折576例，二次骨折53例，二次骨折发生率为8.4%。通过单因素及多因素Logistic分析筛选出5个危险因素：Harris评分（OR=0.916, 95%CI:0.872～0.961）、日照时间（OR=0.397, 95%CI:0.217～0.728）、功能锻炼（OR=0.400, 95%CI:0.215～0.744）、阿尔茨海默病（OR=3.069, 95%CI:1.034～9.110）、住院时长（OR=1.033, 95%CI:1.004～1.063）。基于回归结果利用R软件构建髋部骨折术后二次骨折列线图。预测模型得出C指数与ROC曲线下面积为0.778，表明该模型有良好的区分度。校准曲线与理想曲线重复度较高，表明该模型校准度较好，预测二次骨折的能力与实际误差小，一致性高。临床决策曲线结果显示预测模型设定风险阈值为5%～55%时净获益大于0。结论 本研究初步构建老年髋部骨折术后二次骨折的风险预测模型，该模型区分度较高、一致性良好，有一定的临床应用潜能。
2025年01期 v.18 49-59页 [查看摘要][在线阅读][下载 1046K] [下载次数：234 ] |[引用频次：0 ] |[阅读次数：22 ] - 朱柯雨;刘功稳;王一可;魏祺;郑苗;翁程伟;云思敏;王雄毅;张东;徐又佳;
目的 为提高医院内骨质疏松性骨折（osteoporotic fracture, OF）患者诊疗质量和管理效率，本研究自主构建一种医院内自动抓取相关资料的“骨质疏松性骨折数据库”，数据库内置管理流程相关的智能化功能模块。在此基础上，分析该数据库在实际场景应用的结果和有效性。方法 构建院内封闭式多源异构数据整合的专病数据库，数据库接口可后台对接医院的信息系统（hospital information system, HIS）、影像归档和通信系统（picture archiving and communication systems, PACS）、实验室信息系统（laboratory information system, LIS）等固有数据平台，并自动运用自然语言处理（natural language processing, NLP）技术识别及整合OF患者相关信息。运用该数据库纳入2022年6月至2024年6月苏州大学附属第二医院收治的50岁以上、4部位骨折（椎体、髋部、肱骨近端和桡骨远端）的12 754例患者，并对患者信息进行智能化管理应用分析。结果 该数据库可按照纳入条件自动获得12 754例患者数据，并自动收集患者基本资料、病历或影像检查的骨折记录、检验检查结果、实时治疗方案等407个结构化字段信息。数据库可自动完成患者的骨质疏松相关数据识别（骨折部位、骨密度值、骨代谢相关指标、抗骨质疏松药使用）、院内转科及经治医生追踪、院内多次骨折记录检索。当患者确定纳入管理，数据库可实现本次骨折后2年档案构建、辅助宣教、智能随访、院内门诊电脑同屏显示等智能化管理功能。结论 “骨质疏松性骨折数据库”拥有便捷的OF患者信息抓取功能，可实时了解相应管理的基础数据，可自动完成规定时间内设定管理的指导及提醒。该数据库有院内多源异构数据整合的专病数据库特点，为OF精准化、智能化、便捷化管理提供新的思路和有效工具。
2025年01期 v.18 60-72页 [查看摘要][在线阅读][下载 2275K] [下载次数：80 ] |[引用频次：0 ] |[阅读次数：16 ]