骨质疏松患者骨折风险评估工具及分级的研究进展

张红霞，杨巧巧，党晨珀，任 洁

（解放军联勤保障部队第九四?医院运动医学科1，泌尿外科2，甘肃 兰州 730050）

根据2018 年国家卫生健康委员会组织的流行病学调查结果显示，骨质疏松症（osteoporosis，OP）已经成为我国中老年人群的重要健康问题，50 岁以上人群骨质疏松症患病率为19.2%[1]，骨折是骨质疏松症最严重的后果。骨质疏松性骨折（osteoporotic fractures，OPF）是低能量或非暴力骨折，指在日常生活中未受到明显外力而发生的骨折，亦称脆性骨折[2]。OPF 危害巨大，是老年患者致残和致死的主要原因之一[3]，发生髋部骨折后1 年之内，20%患者可能死于多种并发症，约50%患者致残，严重影响生活质量[4]。OPF 的发生也将增加医疗负担，据报道[5]，我国50 岁以上人群在2010 年大约有233 例OPF发生，花费将近94.5 亿美元，到2050 年或将增加599 万例，预计花费254.3 亿美元。因此，针对OP 人群进行骨折风险评估，从中发现高危人群，对OPF的防治具有重要意义。OPF 风险评估主要包括诊断技术和风险评估工具，诊断技术主要以测量骨密度（bone mineral density，BMD）为主[6]。BMD 是预测骨折风险的重要指标[7]，但骨折风险的多因素特性意味着BMD 不能反映骨折风险的非骨骼决定因素，应考虑独立于BMD 的临床危险因素，因此不建议仅使用BMD 检测进行高危人群筛查。OPF 风险评估工具作为一种非介入的筛查方式，包含了多种临床危险因素，且简便易用，可在临床推广应用。危险因素评估及高危人群筛查是预防OPF 的“第一道关口”，同时也需注意骨折风险评估分层，针对不同风险给予不同的干预管理，做好骨折的二次预防。本文就OPF 风险评估及分级的研究现状展开综述，包括常见风险预测模型、风险评估分级以及展望，以期为高危人群的筛查和管理提供参考。

1 OPF 的危险因素及评估意义

1.1 危险因素 《中国老年骨质疏松症诊疗指南（2018）》[8]指出，OP 及脆性骨折危险因素包括遗传以及环境等多方面因素，主要分为不可控因素与可控因素。其中，不可控因素包括年龄、脆性骨折史、家族脆性骨折史以及过早停经史（＜45 岁），可控因素包括不健康的生活方式，如低BMI、大量饮酒（＞2 U/d）、高钠摄入、低BMD、钙和（或）维生素D 摄入减少、制动、吸烟、低体力活动、跌倒等；影响骨代谢的疾病，如多种内分泌系统疾病、风湿免疫系统疾病等；影响骨代谢的药物，包括促性腺激素受体激动剂、质子泵抑制剂、糖皮质激素等。一项针对我国原发性骨质疏松症危险因素的研究显示[9]，年龄、BMI、吸烟、性别、女性绝经状况作为原发性骨质疏松症的危险因素已达成共识，而饮酒、饮茶等相关因素是否为原发性骨质疏松症的危险因素仍存在一定争议。

1.2 评估意义 骨折是OP 最严重的结局，其中髋部骨折具有高致死率及致残率。因此，早期识别OPF高危人群非常重要。风险评估的最终目的是预防骨折发生，综合以上危险因素建立的骨折风险预测模型，可用于人群筛查骨折高危人群。护士在获取病史以及进行危险因素的评估上发挥着关键的作用，对患者进行风险评估，根据评估结果进行分级管理干预，给予有效防治，可取得更好的成本效益比。

2 常用OPF 风险预测模型

2.1 国外OPF 风险预测模型

2.1.2 英国的QFracture（QFracture Calculator）QFracture 是英国学者Hippisley-Cox J 等[19]于2009年推出的骨折风险计算器，在2012 年进行更新，主要用于计算30～85 岁人群1～10 年内MOF 或仅HF 的累积发病率，可由https://qfracture.org 获得计算模型。QFracture 计算器基于Cox 比例风险模型构建，通过Dagan N 等[20]的外部验证以及同一数据库中120 万人数据的内部验证，被证明在预测英国人口的MOF 上比更准确。最终的模型包括17 个女性的危险因素和12 个男性的危险因素，与不同的是，QFracture 算法不考虑BMD 或骨折史，但包含更详细的信息，如心血管病史、慢性阻塞性肺疾病、糖尿病等变量，全面预测骨折的能力较高，女性AUC 为0.89，男性AUC 为0.86[21]。在OPF风险预测中，如果未来10 年女性和男性的预测结果高于11.1%和2.6%，则视为OPF 高危人群。虽然QFracture 在多项荟萃分析研究中都得到较高的评价，但该工具是基于英国和爱尔兰人群数据构建，在外推时需进一步验证。

2.1.3 澳大利亚的Garvan（Garvan Fracture Risk Calculators，FRC）Garvan[22]是由澳大利亚科研机构于2008 年推出的骨折风险计算器，主要用于计算60岁以上个体5 年或10 年的OPF 风险，可由www.garvan.org.au 获得计算模型。Garvan 基于国际知名的Dubbo 骨质疏松流行病学数据研发，使用Cox 比例风险模型设计了2 种预后模型：模型1 包括年龄、BMD、既往骨折和跌倒；模型2 包括年龄、体重、既往骨折和跌倒，通过了3 个国家6 项研究的验证，是研究较多的OPF 预测工具之一。模型2（不加入BMD）的女性AUC 为0.72、男性AUC 为0.74，均低于模型1（加入BMD），但两模型的总体AUC 与接近，对OPF 风险评估的准确性无明显差异[23]。基于以上研究，在评估过程中骨折的干预阈值设置为评估对象的MDF≥20%或HF≥3%。作为首个预测个体OPF 风险的工具，适合用于个体化的短期和中期骨折风险预测，识别高危个体进行干预，以减少一般人群的骨折负担。Garvan 所需的危险因素容易获得且无需繁琐的计算，具有灵活性和易用性的优势，但是目前仍缺乏大规模、长期随访的前瞻性研究去验证该工具在国内老年人群中的适用性，其外部验证应该是以后研究的发展方向。

2.1.4 其他国家的风险预测模型 丹麦学者Rubin KH等[24]于2018 年推出的FREM（Fracture Risk Evaluation Tool，FREM），主要用于计算45 岁以上个体1年内发生主要HF 或MOF 的风险。该模型基于丹麦国家卫生登记处例行收集的数据构建，Skj?0?3dt MK等[25]于2020 年进行了外部验证，并在验证队列中显示了良好的预测性能，这是首个利用人群注册数据库建立的预测模型，可以应用于风险自动化计算，在初级保健部门的常规筛查中具有推广意义。但未考虑研究的15 年内首次骨折发生的时间，可能低估了新发骨折的风险和死亡风险。意大利学者Francesco L 等[26]于2017 推出的FRA-HS，主要用于计算40 岁以上人群10 年内发生HF 或MOF 的风险。FRA-HS 基于意大利全科医疗数据库（HSD）开发，采用“Mille in Rete”数据库作为独立验证队列进行外部验证，根据预测部位分为HF 模型（

提醒您：因为《骨质疏松患者骨折风险评估工具及分级的研究进展》一文较长还有下一页，点击下面数字可以进行阅读！

《骨质疏松患者骨折风险评估工具及分级的研究进展》在线阅读地址：骨质疏松患者骨折风险评估工具及分级的研究进展