基于骨密度衰老模型揭示骨质疏松风险因素及预测：一项中国广东社区队列研究

《BMC Musculoskeletal Disorders》：Unveiling risk factors and predicting osteoporosis through bone density based aging model: a community-based cohort in Guangdong, China

本研究针对骨质疏松症多因素影响及早期识别难题，通过分析广东顺德4,275名成年人的骨密度（BMD）数据，结合生活方式和临床指标，构建了基于支持向量回归（SVR）的骨密度衰老模型。研究发现年龄、BMI、运动频率、OSTA评分及女性绝经年限是关键风险因素，并首次提出骨密度年龄加速（BDAA）作为评估骨健康偏离的新指标。该模型能有效识别骨质疏松高风险人群，为精准预防和个性化管理提供了新策略。

　　

随着全球人口老龄化加剧，骨质疏松症已发展成为重要的公共健康问题。这种以骨密度下降和骨微结构破坏为特征的代谢性骨病，悄然增加着骨折风险，尤其对老年人和绝经后女性造成严重威胁。尽管医学界已识别出年龄、激素变化、体重指数（BMI）、运动习惯等多种风险因素，但骨质疏松的早期诊断和干预仍面临巨大挑战。当前临床常用的风险评估工具往往难以整合多维度信息，更缺乏量化个体骨健康偏离年龄正常水平的有效方法。

在《BMC Musculoskeletal Disorders》最新发表的一项研究中，Tan等人试图打破这一困境。他们巧妙地将“生物年龄”概念引入骨骼健康评估领域，提出“骨密度年龄”这一创新指标，旨在通过可及的骨密度测量实现骨质疏松风险的早期预警和个性化管理。

为了回答这些科学问题，研究团队开展了一项基于社区的大规模回顾性研究。他们收集了广东佛山顺德区伦教医院2019年至2024年间4,275名成年人的临床数据，所有参与者均接受了双能X线吸收测定法（DXA）检测，测量部位包括腰椎L2-L4椎体和股骨近端（股骨颈和转子区）。研究人员还通过标准化问卷收集了参与者的生活方式信息（如吸烟、饮酒、运动频率和饮食习惯）和临床病史。基于世界卫生组织（WHO）和中国原发性骨质疏松症诊疗指南（2022），参与者被分为骨量正常、骨量减少和骨质疏松三组。研究采用单变量和多变量统计分析评估骨质疏松风险因素，并运用机器学习算法构建骨质疏松风险评分模型和骨密度衰老模型。

研究的关键技术方法主要包括：基于社区队列的横断面研究设计（样本来源为广东顺德区居民）、双能X线吸收测定法（DXA）骨密度测量、单变量与多变量逻辑回归分析、机器学习算法（包括随机森林和支持向量回归）建模、以及骨密度年龄加速（BDAA）计算。

样本信息统计

研究共纳入4,275名参与者，平均年龄60.62岁，女性占67.36%。通过骨密度测量，684名参与者被归类为骨量正常，1,723名为骨量减少，1,868名为骨质疏松。相关性分析显示，吸烟时长与当前吸烟状态、收缩压（SBP）与舒张压（DBP）、BMI与OSTA评分、以及年龄与OSTA评分之间存在显著正相关，这些发现为后续多变量分析中的变量选择提供了依据。

单变量分析

单变量分析结果显示，在整个样本中，OSTA评分、BMI、性别、SBP、高血压或糖尿病病史、年龄和吸烟状态与骨质疏松风险显著相关。性别分层分析显示，男性中OSTA评分、BMI、饮酒频率、运动频率、SBP和年龄是显著因素；而女性中除上述因素外，吸烟状态、吸烟时长、绝经年限也显示出显著相关性。

骨质疏松风险因素的多变量分析

多变量逻辑回归分析揭示了骨质疏松的关键风险因素。在整个样本中，男性相比女性骨质疏松风险更低（β=-1.933，p<2×10^-16），而年龄增长（β=0.067，p=1.17×10^-8）、运动频率减少（β=-0.248，p=0.008）和较低OSTA评分（β=-0.459，p<2×10^-16）是显著风险因素。

性别特异性分析进一步细化这些发现。在男性中，年龄（β=0.058，p=8.46×10^-5）、运动频率减少（β=-0.601，p=0.0026）、较低BMI（β=-0.246，p=3.87×10^-7）和较低OSTA评分（β=-0.356，p=1.39×10^-11）是主要风险因素。在女性中，年龄（β=0.165，p<2×10^-16）、绝经年限（β=0.087，p=1.25×10^-6）、较低BMI（β=-0.211，p=2.92×10^-15）和较低OSTA评分（β=-0.589，p<2×10^-16）显著增加骨质疏松风险。

骨质疏松风险评分模型预测性能

在23种机器学习算法中，随机森林分类器表现出最佳性能，交叉验证准确率达98.29%，曲线下面积（AUC）为0.9976。在独立测试集上，该模型仍保持97.5%的准确率和0.998的AUC，显示出极高的骨质疏松风险预测能力。

骨密度衰老模型预测性能

在骨密度衰老模型构建中，支持向量机（SVM）回归表现最优，在独立测试集上预测骨密度年龄与实际年龄的相关系数为0.381，R²为0.145，平均绝对误差（MAE）为5.716年，表明模型能可靠地量化个体骨健康状态。

骨密度年龄加速分析

骨密度年龄加速（BDAA）定义为预测骨密度年龄与实际年龄回归残差，用于衡量个体骨健康偏离同龄平均水平的程度。分析显示，BDAA与骨质疏松风险概率呈显著正相关，在骨量减少组（β=0.06，p<2×10^-16）、骨量正常组（β=0.003，p=9.46×10^-3）和骨质疏松组（β=0.025，p<2×10^-16）中均观察到这一趋势。

性别特异性分析发现，男性骨质疏松患者中运动不足或吸烟者BDAA显著升高；而女性骨量减少和骨质疏松患者BDAA均升高，且在饮食和饮酒因素影响下更为明显。这些发现强调了生活方式因素对骨健康影响的性别差异。

研究结论与意义

本研究通过大样本社区队列数据，系统识别了骨质疏松的关键风险因素，并创新性地构建了骨密度衰老模型。年龄、低BMI、运动不足和低OSTA评分是两性共有的风险因素，而女性绝经年限是特有风险因素。引入的BDAA指标能有效捕捉骨健康偏离，为早期识别高风险个体提供了新思路。

该研究的创新点在于将生物年龄概念应用于骨健康评估，建立了基于骨密度的“衰老时钟”，为骨质疏松的精准预防提供了新范式。BDAA与生活方式因素的关联提示，针对性的行为干预可能减缓骨老化进程。未来研究可结合遗传数据和纵向设计，进一步验证BDAA的预测价值，并将其整合至临床筛查体系，实现骨质疏松的早期预警和个性化管理。

尽管研究存在单中心横断面设计的局限性，但其为骨质疏松风险评估提供了新视角，有望推动精准医学策略在骨骼健康领域的应用。随着人口老龄化加剧，这种基于骨密度衰老模型的风险评估方法可能对公共健康产生深远影响。