《Frontiers in Endocrinology》：Socioeconomic status and incident osteoporosis risk in older adults: a longitudinal analysis of the English longitudinal study of ageing and the health and retirement study
编辑推荐：
背景：社会经济地位（socioeconomic status, SES）可能影响骨质疏松症（osteoporosis, OP）风险，但关于新发OP的证据仍有限。研究人员在两个老龄化队列中考察基线SES及纵向SES轨迹与新发OP的关联，并探讨身体活动作为潜在中介
背景：社会经济地位（socioeconomic status, SES）可能影响骨质疏松症（osteoporosis, OP）风险，但关于新发OP的证据仍有限。研究人员在两个老龄化队列中考察基线SES及纵向SES轨迹与新发OP的关联，并探讨身体活动作为潜在中介因素的作用。
方法：研究人员分析英国老龄化纵向研究（English Longitudinal Study of Ageing, ELSA，Waves 2–9，2004–2018）和美国健康与退休研究（Health and Retirement Study, HRS，Waves 11–15，2012–2020）的数据。排除基线OP患者。采用Cox比例风险模型评估基线SES与新发OP的关联。SES由教育和家庭经济资源构建。采用K-means聚类识别SES轨迹。进行性别分层分析及SES与性别交互作用分析。五种机器学习算法用于预测新发OP。敏感性分析包括离散时间比例风险模型和完整病例/多重插补比较。
结果：样本包括5,041名ELSA参与者（423例OP事件）和6,283名HRS参与者（734例事件）。在ELSA中，未校正分析显示低SES与新发OP风险升高相关（M1的风险比（hazard ratio, HR）= 1.54，95%置信区间（confidence interval, CI）1.20–1.97，p<0.001），但校正后关联减弱（M3 HR = 1.14，95% CI 0.87–1.49，p=0.33），其中校正性别后减弱幅度最大。HRS中未观察到显著关联（M3 HR = 1.03，95% CI 0.84–1.28，p=0.75）。性别分层和交互作用分析未提供SES–OP关联存在性别差异的证据。两个队列均识别出两个SES轨迹组。在ELSA中，高SES轨迹与较低的未校正OP风险相关（M1 HR = 0.72，95% CI .59–0.87，p<0.001），但校正后该关联减弱。身体活动未显示显著中介作用。logistic回归提供了最佳的区分度-灵敏度平衡（受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）：ELSA 0.691；HRS 0.708），尽管XGBoost在HRS中AUC略高（0.711），但灵敏度低（0.032）。敏感性分析支持主要解释。
结论：在未校正的ELSA分析中观察到SES–OP差异，但校正协变量后，尤其是校正性别后，该差异显著减弱。不同SES组间性别构成差异可能促成未校正关联，但无性别效应修饰的证据。队列间差异可能部分反映医疗保健和诊断情境，但这些解释尚需采用标准化OP确认和诊断可及性的直接测量进一步研究。
研究背景：骨质疏松症（osteoporosis, OP）是低骨量、微结构退变和骨折易感性增加的系统性骨骼疾病；人口老龄化使全球负担持续上升。社会经济地位（socioeconomic status, SES）被视为健康差异的基本决定因素，可通过营养、医疗可及性、健康素养和居住环境等影响疾病风险。既有SES–骨健康研究结果不一致，多依赖单时点SES，难以刻画生命历程动态，且较少区分患病与新发OP，因而难以判断SES是发病风险因素还是仅与患病相关。身体活动以代谢当量（metabolic equivalent, MET）表示，与骨健康相关，可能是SES影响骨健康的通路，但既有中介研究多为横断面设计，时序证据有限。为此，研究人员在两个大型全国代表性老龄化队列中排除基线OP，考察基线SES及纵向SES轨迹与新发OP的关联，探索MET中介作用，并评价基线SES相关因素的机器学习预测价值。
研究开展、结论与意义：研究人员分析英国老龄化纵向研究（English Longitudinal Study of Ageing, ELSA，Waves 2–9，2004–2018）和美国健康与退休研究（Health and Retirement Study, HRS，Waves 11–15，2012–2020）。最终纳入5,041名ELSA参与者（423例新发OP）和6,283名HRS参与者（734例）。ELSA未校正分析显示低SES与新发OP风险升高相关，但校正协变量后明显减弱，且校正性别时减弱最大；HRS未见显著关联；SES轨迹结果类似；MET中介无显著证据；logistic回归在区分度与灵敏度间平衡最佳。其意义在于提示未校正的SES–OP差异可能受性别构成等人口学组成影响，强调分析骨质疏松症识别和风险差异时需考虑社会经济和人口背景，但不支持单独以SES作为临床风险分层依据；跨队列差异的医疗诊断情境解释仍需标准化OP确认和诊断可及性的直接测量进一步检验。
关键技术与方法（≤250字）：数据来自英国老龄化纵向研究（ELSA，Waves 2–9，2004–2018）和美国健康与退休研究（HRS，Waves 11–15，2012–2020）。以教育及家庭经济资源构建SES，K-means聚类识别SES轨迹；用Cox比例风险模型评估基线SES及轨迹与新发OP的关联，并行性别分层和SES×性别交互分析；开展探索性中介分析（MET）及敏感性分析（离散时间比例风险模型、完整病例与多重插补比较）；用五种监督机器学习算法预测新发OP。
3.1 研究人群与基线特征
通过队列基线描述性比较发现，两个队列中低SES者均更老、女性更多、已婚或有伴侣比例更低、MET更低、吸烟史更多（均p<0.001）；发生新发OP者更老、女性更多且MET更低。最终分析样本为ELSA 5,041名、HRS 6,283名。
3.2 基线SES与新发OP的关联（主分析）
通过Cox比例风险模型（M1未校正；M2校正年龄、性别、婚姻、退休、吸烟、饮酒；M3再加体质指数（body mass index, BMI）、收缩压、舒张压）分析。ELSA中，低SES与高SES比较：M1风险比（hazard ratio, HR）=1.54，95%置信区间（confidence interval, CI）1.20–1.97，p<0.001；M3 HR=1.14，95% CI 0.87–1.49，p=0.33。逐步校正显示校正性别后减弱最大：年龄校正HR=1.32（95% CI 1.03–1.69，p=0.028），加性别后降至1.05（95% CI 0.80–1.38，p=0.73）。HRS各模型均不显著（M3 HR=1.03，95% CI 0.84–1.28，p=0.75）。敏感性分析、连续SES及教育/财富分量分析结果一致；性别分层无显著关联，交互检验无性别差异证据（ELSA p=1.000；HRS p=0.175）。
3.3 SES轨迹与新发OP
通过K-means聚类识别出两个SES轨迹组（持续高SES与持续低SES）。ELSA中，高轨迹组未校正新发OP风险较低：HR=0.72，95% CI 0.59–0.87，p<0.001；校正后不显著（M3 HR=0.92，95% CI 0.74–1.13，p=0.401）。HRS无显著关联（M3 HR=0.95，95% CI 0.82–1.12，p=0.564）。严格结局前landmark敏感性分析仍不显著（ELSA HR=0.87，95% CI 0.67–1.12，p=0.270；HRS HR=1.07，95% CI 0.81–1.41，p=0.630）。
3.4 探索性中介分析
通过中介分析评估MET是否介导SES与新发OP关联：ELSA的平均因果中介效应（average causal mediation effect, ACME）=-0.00064（95% CI -0.00171至0.00041，p=0.250），HRS的ACME=-0.00036（95% CI -0.00154至0.00074，p=0.550）；两队列总效应均不显著（ELSA p=0.882；HRS p=0.238），未支持显著中介，且总效应不显著时未解释中介比例。
3.5 新发OP的机器学习预测
通过训练和测试五种监督学习模型，ELSA中logistic回归获得最高受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）（0.691）和灵敏度（0.754），平衡准确度0.677；HRS中XGBoost的AUC最高（0.711）但灵敏度仅0.032，logistic回归AUC=0.708、灵敏度0.791、平衡准确度0.676。总体logistic回归区分度与病例检出平衡最佳，部分树模型灵敏度<0.10且平衡准确度接近随机，不宜单独用于预测。
讨论部分总结：M3被设为协变量条件关联模型而非总因果效应估计；年龄和性别被视为潜在混杂因素，婚姻、退休、吸烟、饮酒、BMI、血压等可能位于SES→OP通路上，故M3无显著关联不能解释为SES无总体关联。性别校正后的显著减弱与女性既易处于低SES又易患OP的背景一致，但分层和交互分析不支持性别效应修饰。ELSA与HRS差异可能部分反映英国全民覆盖与美国混合医疗体系下诊断可及性不同，但保险、医疗利用、双能X线吸收法（dual-energy X-ray absorptiometry, DXA）筛查等未直接评估，只能作为假设。MET中介未获支持，可能与使用新发OP、MET仅基线测量及OP发生率较低有关。临床意义是不支持单独以SES进行OP风险分层；局限包括自报OP、区间删失、排除较多、未做竞争风险分析、残余混杂、MET测量局限、K-means非专门轨迹模型、中介探索性及单次训练-测试划分。
研究结论翻译：在这项两个大型老龄化队列的纵向分析中，ELSA观察到新发骨质疏松症风险存在未校正的社会经济差异，而HRS未观察到。在ELSA中，校正协变量后该关联大幅减弱，且校正性别后减弱最明显，提示不同SES组间性别构成差异可能促成了未校正关联。由于性别被预先设定为潜在混杂因素，这种减弱不应解释为SES经性别导致骨质疏松症的因果通路证据。性别分层和交互分析未提供SES–OP关联存在性别差异的证据，且在进一步校正协变量后两个队列均未观察到有统计学意义的残余关联。这些发现强调在调查骨质疏松症识别和风险差异时考虑社会经济和人口背景的重要性，但不支持单独以SES作为临床决策依据。未来需采用标准化DXA确认和直接测量医疗保健及诊断可及性的研究，以区分潜在骨质疏松症风险的社会经济差异与病例确认差异，并进一步阐明社会经济状况与骨骼健康之间的机制。
