编辑推荐：
为解决腹主动脉钙化（AAC）临床评分难题，研究人员开展其与跌倒相关住院风险研究，发现 ML-AAC24 评分高风险大，对临床有重要意义。
在人口老龄化加剧的当下，跌倒成为老年人健康的 “头号杀手”。据统计，全球 70 岁以上老人中，跌倒不仅是伤害性住院和死亡的主要原因，还带来了沉重的经济负担，在美国，2015 年平均每次跌倒住院花费高达 30,550 美元，2019 年更是攀升至 62,521 美元，欧洲每年因跌倒导致的骨质疏松性骨折治疗费用超 560 亿欧元 。
与此同时，心血管疾病（CVD）与跌倒之间的潜在联系逐渐受到关注。腹主动脉钙化（AAC）作为一种亚临床心血管疾病指标，可在骨质疏松筛查的椎体骨折评估（VFA）图像中被检测到。它不仅能预测心血管疾病风险，还与肌肉力量下降、骨密度（BMD）降低及骨折风险增加有关。然而，传统的 AAC 评分需要专业人员手动操作，耗时费力，严重阻碍了其在临床中的广泛应用。
为突破这一困境，来自 Edith Cowan University、University of Manitoba 等多所机构的研究人员展开了深入研究。他们借助机器学习技术，开发了一种自动腹主动脉钙化评分算法（ML-AAC24），并在《GeroScience》上发表了相关成果。
研究人员利用加拿大曼尼托巴省骨密度登记处的数据，对 2010 年 2 月至 2017 年 12 月期间接受双能 X 线吸收法（DXA）检测骨密度和 VFA 图像的 8565 名个体（94.0% 为女性，平均年龄 75.7±6.8 岁）进行分析。这些数据来自使用 GE Healthcare 生产的 Lunar Prodigy 或 iDXA 仪器扫描的结果。
研究中，ML-AAC24 评分依据既定标准分为低（<2）、中（2 至 < 6）、高（≥6）三个等级 。研究人员通过多种统计分析方法，如 Kaplan-Meier 生存分析和多变量调整的 Cox 比例风险模型，探究 ML-AAC24 评分与跌倒相关住院风险之间的关系，并在调整了年龄、性别、生活方式、用药情况等多种因素后进行敏感性分析。
研究结果显示，在长达 8 年（平均 3.9±2.2 年）的随访中，8.8%（750/8565）的参与者经历了跌倒相关住院。高 ML-AAC24 评分者跌倒相关住院比例几乎是低评分者的两倍（11.7% vs. 6.0%） 。多变量调整模型显示，与低 ML-AAC24 评分相比，中、高评分者跌倒相关住院风险显著增加，且这一关系不受多种跌倒风险因素影响 。在敏感性分析中，进一步调整髋部骨密度、先前心血管疾病等因素后，结果依然稳健 。
研究还发现，在所有预测因素中，年龄和 ML-AAC24 评分对跌倒相关住院风险的影响最为显著 。不过，探索性性别特异性分析表明，ML-AAC24 评分仅与女性跌倒相关住院风险有关，在男性中未发现这种关联，这可能与男性样本量较小以及现有评分切点多基于女性队列研究有关 。
这项研究意义重大。它首次在真实临床环境中，基于 GE 生产的骨密度仪 VFA 图像，验证了 ML-AAC24 评分与跌倒相关住院风险的关联，为临床评估提供了新的视角和工具 。将 ML-AAC24 评分整合到骨密度仪软件中，能帮助医生快速识别跌倒高风险个体，从而采取针对性的预防措施，如药物调整、运动干预和营养指导等，有效降低跌倒发生率及其带来的严重后果。
不过，该研究也存在一定局限性，如研究对象主要为老年白人女性，样本代表性有限；研究为观察性研究，无法确定因果关系；跌倒相关住院数据来自出院编码，可能存在偏差 。但总体而言，其成果为后续研究和临床实践奠定了坚实基础，有望推动老年人跌倒预防和心血管疾病防治领域的发展。
