队列建立与基线评估
确定研究人群并收集基线特征和风险因素信息。
纳入2010年3月至2017年12月在马尼托巴省接受VFA的7691名老年人，通过链接的健康记录和问卷调查收集人口统计学、病史、药物使用和生活方式等信息。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
常规骨质疏松筛查中自动化腹主动脉钙化评分与小梁骨评分独立预测新发骨折
Automated abdominal aortic calcification and trabecular bone score independently predict incident fracture during routine osteoporosis screening
实验完整度
高该研究基于大规模临床登记队列，包含横断面关联分析（ML-AAC24与TBS和BMD）和前瞻性队列分析（Cox回归评估骨折风险），并进行了多模型调整和敏感性分析，证据层级明确。
主要模型
马尼托巴BMD登记处队列（7691名老年人）
重点核对
ML-AAC24评分分类（低<2，中度2-<6，高≥6） TBS分层（<1.23，1.23-1.31，>1.31） 协变量调整（年龄、性别、BMI、吸烟、既往骨折、父母髋部骨折等） 结局定义（任何骨折、主要骨质疏松性骨折、髋部骨折）
摘要
腹主动脉钙化（AAC）是亚临床心血管疾病的标志物，既往研究显示其与低骨密度（BMD）和骨折相关。然而，AAC是否与小梁骨评分（TBS）相关，或者它是否独立于该指标预测骨折风险，目前尚不清楚。本研究通过马尼托巴BMD登记处，在7691名个体（93.4%为女性，平均年龄75.3岁）中，检查了使用经过验证的机器学习算法（ML-AAC24）评分的AAC与TBS的横断面关联，以及它们与新发骨折的同步关联。使用广义线性回归检验ML-AAC24与TBS之间的关联。使用Cox比例风险模型检验ML-AAC24和TBS与新发骨折的同步关系。在基线时，41.3%的研究队列具有低（<2），32.4%具有中度（2至<6），26.3%具有高（≥6）ML-AAC24。与低ML-AAC24相比，在多变量调整模型中，高ML-AAC24与TBS降低0.81%相关。ML-AAC24和TBS彼此独立，且独立于多个既定骨折风险因素，均与新发骨折风险增加相关。具体来说，高ML-AAC24（HR 1.41，95% CI：1.15-1.73，与低ML-AAC24相比）和较低TBS（HR 1.13，95% CI：1.05-1.22，每SD降低）与任何新发骨折的相对风险增加相关。高ML-AAC24和较低TBS也与新发主要骨质疏松性骨折（分别为HR 1.48，95% CI：1.18-1.87和HR 1.15，95% CI：1.06-1.25）和髋部骨折（分别为HR 1.56，95% CI：1.05-2.31和HR 1.25，95% CI：1.08-1.44）相关。总之，在接受常规骨质疏松筛查的老年人中，高ML-AAC24与较低TBS相关。这两种测量均与新发骨折相关。本研究结果强调，高ML-AAC24（在研究队列中超过四分之一的人可见）和较低TBS为骨折风险提供了互补的预后信息。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- ML-AAC24是否与TBS相关，且两者是否独立预测新发骨折风险？
- 核心机制
- 文中未明确说明具体机制，但提出AAC与低BMD和骨折风险相关的血管-骨骼轴概念。
- 主要证据
- 基于马尼托巴BMD登记处7691名老年人，横断面分析显示高ML-AAC24与较低TBS相关（多变量调整后-0.81%），Cox回归显示高ML-AAC24和较低TBS独立且同时与新发骨折风险增加相关。
- 研究意义
- ML-AAC24可在常规骨质疏松筛查中机会性获取，与TBS联合可能改善骨折风险预测。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
ML-AAC24评分
使用机器学习算法自动评估腹主动脉钙化程度。
应用机器学习算法（ML-AAC24）对去标识的VFA图像进行评分，基于原始24点半定量方法，并分类为低、中、高。
TBS和BMD测量
获得腰椎TBS及多个骨骼部位的BMD值。
使用TBS iNsight软件（版本3.03）在瑞士洛桑大学进行TBS测量，BMD使用DXA（Lunar Prodigy或iDXA）测量。
新发骨折确定
确定随访期间发生的新发骨折事件。
通过链接的健康记录（住院和医生账单）识别新发骨折，随访至2018年3月31日。
统计分析
评估ML-AAC24与TBS及BMD的关系，以及两者对骨折风险的独立预测作用。
使用广义线性回归检验ML-AAC24与TBS和BMD的关联，使用Cox比例风险模型评估ML-AAC24和TBS与新发骨折的关联，并进行多模型调整和敏感性分析。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 骨密度和TBS测量 | Lunar Prodigy 或 iDXA（GE医疗） | GE Healthcare | -- |
| TBS分析 | TBS iNsight软件（3.03版，Medimaps Group） | Medimaps Group | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 队列选择 | 纳入标准（T-score≤-1.5且年龄≥70岁等）、排除标准（文中未明确说明）、样本量（7691） 阅读提示：Methods - Patient population |
| ML-AAC24评分 | 机器学习算法的训练和验证数据集、评分阈值（低<2，中度2-<6，高≥6） 阅读提示：Methods - Machine learning assessment of abdominal aortic calcification 24-point scores (ML-AAC24) |
| TBS测量 | 软件版本（TBS iNsight Version 3.03）、测量部位（L1-L4）、无交叉校准（无TBS体模） 阅读提示：Methods - TBS and BMD measurements |
| BMD测量 | 设备型号（Lunar Prodigy或iDXA）、质量控制（长期性能稳定，交叉校准差异<0.1 T-score） 阅读提示：Methods - TBS and BMD measurements |
| 结局确定 | 骨折定义（任何骨折、主要骨质疏松性骨折、髋部骨折）、随访期（至2018年3月31日）、编码系统（ICD-9-CM和ICD-10-CA） 阅读提示：Methods - Incident fractures ascertainment |
| 统计分析 | 多变量调整模型（Models 1-5）、交互作用检验（ML-AAC24与TBS）、敏感性分析 阅读提示：Methods - Statistical analysis |