作者：陕西中医药大学    蒋黄玲

骨质疏松症(OP)是一种随年龄增长，发病率逐渐上升的全身性骨骼疾病，其显著特征在于骨强度显著下降，骨折风险增加。调查显示，我国50岁以上人群患病率为19.2%，65岁以上达32.0%，女性发病率高于男性。骨质疏松性骨折(OPF)是OP的严重并发症，也是老年人致死和致残的主要原因之一。随着人口老龄化程度加重，OP被列为继缺血性心脏病、痴呆和肺癌之后第四大负担沉重的慢性疾病，严重影响老年人健康。因此对高危人群早诊断、早治疗，及时发现OP迹象并采取相应措施预防骨折的发生对OP的管理意义重大。随着大数据分析技术与医疗领域的深入融合，特别是其在心血管疾病、癌症、骨关节病等慢性病领域中的广泛应用，为疾病的诊疗与管理开拓了新思路。OP数据库积累的海量数据促进了数据的整合与共享，也为疾病的筛查、诊断、治疗和管理等提供了强大的数据支撑。大数据分析技术凭借敏锐捕捉数据间潜在规律和联系的能力，在处理OP患者诊疗过程中产生的大量实验室检查数据和影像学资料方面展现出极高的适用性。该技术高效地整合患者在长期治疗周期内积累的医疗数据，深入分析其中隐藏的风险因素及并发症，为医护人员制订针对性的干预策略、提高临床诊疗效率和准确率提供依据。笔者总结国内外大数据分析在OP中的应用研究，以期为今后OP的智能化诊治和管理提供借鉴和参考。

大数据分析在OP中的应用概述

OP大数据分析的发展现状及趋势：2011年美国麦肯锡研究所(MGI)将“大数据”定义为具有规模性(volume)、高速性(velocity)、多样性(variety)(简称“3V”)特征，在数据收集、存储、管理和分析等方面具有强大能力的数据集。此后，各国的研究者纷纷从不同角度去理解分析大数据并对“3V”的观点加以丰富，2014年我国国家统计局统计科学研究所所长潘璠在“3V”的基础上增加应用价值大(value)、数据获取与发送的方式自由灵活(vender)、准确性(veracity)及处理和分析难度大(complexity)，构成“6V+1C”。大数据分析指对超大型数据集的计算分析技术，将不同来源的数据融合，从不同角度分析其间的规律和关联，揭示数据中使用传统数据分析方法无法识别的模式。随着信息技术的不断发展和在医疗领域的广泛应用，大数据分析应用于OP诊疗与管理中的研究数量与日俱增，逐渐实现了OP的研究向“微观化、精准化、个性化”转变。大数据分析可将疾病细分为不同的亚组，从而增强对疾病发病机制的理解以及开发更为精确的疾病结果预测模型，如从基因层面探讨OP的发病机制，针对性地推荐最佳运动项目。未来，大数据分析作为一种可克服人力和时间限制、新颖且有前途的方法，将逐渐加深医学研究者对OP的理解，为患者提供更为精准、有效的诊疗策略，改善健康结局，提高医疗质量。

OP大数据分析数据来源：OP相关数据来源广泛，从大数据分析在OP中应用的相关研究来看，数据主要来源于临床医学影像数据库(如CT检查、X线检查、MRI检查、骨密度检查等)、国家健康信息数据库、国家健康保险审查和评估服务数据库等。随着信息技术的发展，我国OP相关数据库数量逐渐增加，广州中医药大学第三附属医院、国家卫生健康委科学技术研究所、苏州大学第一附属医院、上海交通大学医学院附属第六人民医院等单位牵头，分别建立起全国或本地区范围的OP病例数据库，实现了OP患者信息化管理，促进我国医疗资源的合理配置。除此之外，OP数据的来源还涵盖了医院医疗数据库，如HIS、临床数据仓库等，这些海量的OP数据为疾病的综合管理提供了更为坚实的科学依据，也为临床科研提供了更为广阔的平台。常见OP相关数据库见表1。

OP大数据分析方法：“云计算、大数据、物联网和人工智能(AI)”等新兴技术正深刻改变医疗模式，尤其是计算机数据分析能力显著提升推动算法研究不断革新，OP大数据分析逐渐向AI化发展。AI是计算机科学的一个广泛领域，通过设计智能机器完成需要人类智慧的各种任务。而机器学习(ML)是实现任务目标的具体方法，也是AI的核心分支，通过各种算法从庞杂的数据中识别出规律、建立联系。应用在OP中的ML方法主要有支持向量机、深度神经网络、随机森林、决策树、LASSO回归、Logistic回归等。深度学习(DL)是ML的子集，通过多层神经网络互链探索数据中更复杂的非线性模式，在图像和语音识别、语言处理方面潜力巨大，其中，卷积神经网络是OP数据分析应用最为广泛的算法。OP的主要大数据分析方法见表2。

大数据分析在OP中的应用

流行病学研究：大数据分析为OP流行病学研究提供了可靠的统计分析方法，国内外学者对医疗数据库中的信息经过预抽提、抽取自然语言的处理、再抽取、填补、汇总等过程，最后对提取的OP相关主要诊断和次要诊断的名称与编码、诊疗费用以及人口统计学等信息进行数据统计。从性别、年龄、人群特征等不同角度分析OP患病率、发病率、骨折率、病死率、费用支出等临床结局指标，了解患者OP长期管理趋势，探索OP流行病学规律及其对社会发展的影响，为疾病管理指南和公共卫生政策的制定、疾病知识的广泛普及、提高群众疾病认知和重视程度提供帮助。大数据分析在OP流行病学研究中的应用见表3。

疾病早期筛查：OP患者在骨折发生前通常无明显症状，因此早期筛查成为疾病管理的关键策略，BMD作为OP筛查“金标准”存在局限，如双能X射线吸收测定法(DXA)显示二维重叠图像，由于患者体位、骨骼周围结构等因素，影响测量结果的准确性。因此，研究者们借助DL强大的图像处理能力创新疾病早期筛查方法，使用DL对DXA成像中的尺骨和桡骨精确自动分割，针对DXA图像进行骨质情况的识别与判断，提升DXA的检测准确性和精确性。CT作为OP常用检查之一，与AI、ML、DL等大数据分析技术相结合，对前臂、腕部、椎骨等进行体积分割，以获得每块骨的平均CT衰减，在不增加辐射剂量的同时精准识别骨质疏松、骨量减少和骨量正常，即便在不同型号CT中表现依旧稳定，既能提高筛查效率，也为患者减轻经济负担。同时，利用大数据深入分析发现，乳腺癌、胆固醇与OP之间存在显著相关性，进一步提示，除老龄、绝经、吸烟、饮酒、有骨折史等OP高危人群外，乳腺癌和血清胆固醇异常的患者也是OP早期筛查的目标人群。大数据分析在OP中的应用为疾病早期筛查扩大高危人群范围，明确重点筛查人群，提高筛查精确度和诊疗效率提供新思路。当前，多数研究的数据多来源于单个数据库，未来应致力于收集和整合来自多个中心、更多样化的数据集进行训练，以提升模型的性能和适用性。大数据分析在OP早期筛查中的应用见表4。

临床辅助诊断：OP的早期诊断可增加有效治疗的机会以降低骨折风险，传统疾病诊疗过程主要依赖医师经验，较少全面分析临床症状、诊断性检查结果以及之间的复杂关系，因此诊断结果易受到医师个人经验和主观判断的影响。在医疗领域，数据分析技术正在迅速成为疾病诊断的辅助工具，如皮肤活检病变分类、糖尿病视网膜病变程度分级、复杂心脏病诊断等。应用于OP诊断也有较高的特异性和灵敏度，如显著提高隐匿性骨折的诊断准确率，辅助鉴别诊断暂时性OP和髋关节缺血性坏死的精确度甚至超过专业的医师。运用卷积神经网络结合髋关节X线片诊断OP准确率达88.5%，诊断出髋部骨折的同时诊断OP，随着患者临床数据的添加其诊断性能进一步提升。研究发现，基因生物标志物与OP和BMD之间存在紧密的联系，借助ML分析基因数据库中的信息来诊断OP可突破传统DXA测量在偏远地区无法获得且成本高昂的限制，为OP诊断提供一种更为客观、可靠的诊断途径。因此，应用大数据分析创新OP诊断方法，不仅有望提高疾病诊断的准确性和效率，而且能够从微观层面深化对疾病发病机制的理解，从而为制订早期治疗策略开辟新路径。大数据分析在OP临床辅助诊断中的应用见表5。

辅助临床决策：OP治疗一般策略为口服抗骨质疏松药物，药物种类多且需定期监测BMD和药物不良反应，ML能够学习多种治疗模式以及大量复杂参数为患者推荐最适合的药物治疗方案以及对治疗结果个性化预测。Tanphiriyakun等以BMD和骨折风险为治疗目标，开发了一种根据BMD反应预测和指导临床用药的ML模型，最大限度地改善患者特异性治疗结果，但是该模型缺乏外部验证，可能导致模型过度拟合。Kamata等依据处方数量、骨折发生率分析患者治疗的时机是否恰当。Fasihi等开发8种算法分析临床数据中的危险因素，为不同性别患者推荐最佳运动项目。大数据分析促进了医疗决策的精准化、治疗方案的个体化，进一步提高医疗服务的质量和水平。与此同时，OP的发生发展与其它慢性病密切相关，随着全球老龄化的加速，老年人慢病共存现象普遍，患者用药复杂多样。现有研究多针对OP单一疾病推荐最佳用药方案，因此，探索适用于多病共存OP患者治疗决策辅助工具仍有一定研究空间。

骨折风险评估与骨折检出：骨折风险评估工具(FRAX)作为计算OP患者10年骨折概率的传统方法，随着研究的深入与领域的扩展，逐渐暴露出其在预测能力上的局限，如缺乏对种族、饮食、地理等关键因素的考量、未充分纳入多个危险因素的剂量反应效应等。因此，利用大数据分析开发的新型骨折风险预测模型应运而生，这些模型能够整合多个变量，精确识别并排序骨折风险因素，有效预测和预警疾病风险，其预测能力与FRAX相当甚至超越FRAX，成为OPF管理领域的新兴研究方向。尽管如此，FRAX主要评估的是10年的骨折风险，而目前的研究尚未涵盖这一时间跨度的骨折风险预测，因此在解读相关研究结果时必须保持谨慎。此外，OP患者发生骨折后约2%～10%的患者会经历二次骨折，利用大数据分析确定与二次髋部骨折特异性相关的危险因素，开发二次髋部骨折风险预测模型，有助于二次骨折患者早期识别，降低与骨折相关的发病率和病死率，并最大程度减少患者和社会的医疗负担。OPF不仅是OP的常见并发症，也是临床上诊断OP的客观依据，OPF诊断根据椎体或其它部位常规X线影像上的骨折检出，已有研究表明大数据分析在骨折检出方面可靠且诊断准确性高，与经验丰富的医师诊断一致，通过ML建立的模型能实现对椎体骨折进行分度(轻度、中度、重度)和分类(楔形、双凹、压缩)，为进行椎体的自动化机会性筛查提供新方法。MRI和CT组织对比度高，能及时检测出常规X线片无法识别的异常，Yabu等和Zhang等研究证实了数据分析技术在MRI和CT影像中检出椎体骨折的可行性。但目前大多数研究是回顾性研究，未来需要更大规模、高质量的前瞻性研究。大数据分析在骨折风险评估和骨折检出中的应用见表6。

患者实时监控与管理：大数据分析是精准高效的远程监控和远程医疗的重要组成部分，其应用改变了医疗服务的提供方式，极大增强了实时监测和远程管理的能力，为患者带来更便捷的医疗服务体验。目前常见的远程监控工具包括可穿戴设备、物联网传感器和远程争端工具。设备传感器捕获原始数据，在物联网应用中对数据进行分析和处理，实现用户生命体征、活动水平、行为习惯、睡眠情况等实时监测，发现与疾病相关的模式，有助于患者早发现、早识别进而指导个性化慢病管理医疗策略制订。智能手机APP、远程数字化平台等工具，协助患者进行居家自我护理和健康管理。跌倒是老年人骨折的重要原因之一，利用可穿戴设备收集患者步态、步行速度、步长等参数，进行患者活动数据的实时反馈，全面有效地评估步态，通过ML预测性建模识别高危人群，实现更快、更客观的跌倒风险预警和管理。该技术的使用极大提升远程医疗服务的质量，优化医疗资源的分配，尤其适用于易发生骨折的OP患者居家康复和管理。

小结及展望

大数据分析为OP的诊疗和管理带来巨大变革和进步，通过利用大数据分析技术深入挖掘数据资源中的潜在医疗价值，提高诊断效率、提升治疗效果、优化医疗资源分配，促进医疗服务向个性化、精准化发展。大数据分析技术的应用也为临床医师创新诊疗工具和方法，从疾病预防、辅助诊断到精准决策和远程管理，帮助实现疾病早期筛查、精确诊断，制订更为合理和有效的治疗方案以及更全面的健康管理策略，提升整体医疗服务质量与效率，改善患者健康结局，显著降低家庭和社会的疾病负担。

大数据快速增长的同时也带来了诸多风险和挑战，例如OP缺乏标准化的公共数据库，数据共享机制不完善、数据安全与隐私保护、技术更新与维护的高成本以及医务人员数据素养的欠缺等。因此，未来大数据分析在OP中的发展应着重于建立高质量、多中心、大规模、标准化的公共数据库，完善数据共享机制，促进各医疗机构之间的信息互通；严格控制大数据的使用权限和途径，确保使用的合法性与合规性，充分保障数据安全与患者隐私；持续进行技术革新，提高数据的流通与利用率；重视医务人员数据素养的培养，提升其数据收集、分析和处理能力。大数据分析应用于OP远程辅助诊断以及更长期的健康管理方面，可以推动OP研究向更加智能、安全和便捷的方向发展，最大程度造福人类健康。

来源：中国骨与关节杂志2025年3月第14卷第3期

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)