首页 > 论文范文 > 医药卫生论文 > 外科论文 > 泌尿外科论文 > 影像学方法在慢性肾脏病骨折风险中的应用进展

影像学方法在慢性肾脏病骨折风险中的应用进展

2025-04-08 81 上传者：管理员

摘要：慢性肾脏病(chronic kidney disease,CKD)常引起不同程度的矿物质代谢紊乱，骨代谢异常，继发骨质疏松症。骨质疏松症其特征是骨量流失、骨强度降低，导致骨折风险增加。CKD患者骨折风险高于非慢性肾病群体。目前，影像检查技术可无创性评估CKD患者骨折风险，为临床管理CKD骨骼异常提供指导，及早进行药物干预，减少骨折的发生，提高生命质量。本研究从不同成像技术及人工智能对CKD患者骨折风险的应用方面进行综述。

关键词：
人工智能
影像学技术
慢性肾脏病
骨折
骨质疏松
加入收藏

慢性肾脏病矿物质骨代谢紊乱(chronickidneydisease-mineralandbonedisorder,CKDMBD)是肾功能下降造成矿物质和骨骼代谢异常综合征,肾性骨病是CKD-MBD的一部分,导致慢性肾脏病(chronickidneydisease,CKD)患者骨折风险､发病率及死亡率增加｡2017年,改善全球肾脏病预后组织(KidneyDiseaseImprovingGlobalOutcomes,KDIGO)[1]及2022年欧洲肾性营养不良工作组共识[2]声明CKD患者中骨折管理及骨折风险评估作为肾性骨病管理的目标｡

1、CKD骨质疏松症的流行病学

第六次中国慢性病及危险因素监测结果显示[3]:我国CKD患病率为8.2%｡戴靖榕[4]等人的调查显示我国CKD老年患者骨质疏松症发病率为41.7%｡研究发现[5]与非CKD同龄群体相比,CKD患者髋部骨折率增加2~4倍,骨折年龄偏小,住院时间更长,死亡风险高｡据估计,2010年脆性骨折医疗费用支出为649亿元,预计到2035年脆性骨折的数量和费用将翻一番,至2050年脆性骨折相应的医疗费用将为1745亿元[6],对我国的医疗保健系统造成巨大经济负担｡因此,迫切需要在临床实践中重视CKD相关骨质疏松症的诊断,评估骨折风险｡临床医生根据症状和常用的骨代谢生物指标,如甲状旁腺激素､钙､磷等,可粗略评估CKD患者的骨异常,但不能定量分析｡本文回顾现有文献中影像学检查方法及人工智能算法评估CKD骨折风险的应用,并进行综述｡

2、影像学方法对CKD相关骨质疏松症骨折风险评估的应用

2.1双能X线吸收检查法(dual-energyX-rayabsorptiometry,DXA)

DXA是无创性放射技术,对全髋关节､股骨颈､腰椎(L1~L4)和前臂远端(桡骨远端1/3)的面积骨密度(g/cm2)进行测量,骨密度是评估健康人群骨质疏松症的金标准｡鉴于CKD患者骨折发生率较高,2022年欧洲共识声明中指出在CKD患者中,尤其是绝经后女性或年龄>50岁的男性,应使用DXA进行骨密度评估脆性骨折风险[2]｡CailleauxPE[7]等人发现四肢骨密度随着肾功能恶化显著降低,且随访期间骨质流失明显的部位是桡骨远端,因此可以针对性监测CKD患者骨骼部位骨密度的变化,及早药物干预｡研究发现[2]DXA测量骨密度会低估CKD晚期患者的实际骨折风险｡与普通人群相比,CKD的骨代谢受CKD分期､肾脏替代治疗的类型､骨骼部位等多因素影响,导致CKD患者中骨微结构受损｡因此,通过DXA测量的骨密度值识别CKD骨折风险的效能有限｡

2.2骨小梁评分(trabecularbonescore,TBS)

TBS基于DXA腰椎扫描,通过计算机软件间接评估骨小梁的微结构｡研究[8]证明在CKD早期,TBS值与Klotho蛋白和内分泌成纤维细胞生长因子23(fibroblastgrowthfactor-23,FGF-23)之间存在显著相关性,说明早期骨小梁微结构受损,因此TBS值对CKD早期有骨折风险的患者敏感性高｡但NaylorKL[9]等人对加拿大多中心骨质疏松症研究中心的前瞻性队列研究发现:CKDG3~5患者肾功能损伤越严重,TBS值越低;且TBS与骨折风险增加相关｡但RampersdaC等人[10]的关于CKDG3~4的研究发现TBS值与骨质疏松性骨折的发生率无显著相关性｡目前,TBS值对CKD晚期预测骨折风险结果不一｡造成研究结果差异的原因可能是研究招募成员的CKD分期不同或者脊柱骨折隐匿性强,造成结果偏倚｡CKD骨质量的影响因素很多,TBS与CKD晚期骨质疏松性骨折风险之间的关系仍需大量前瞻性研究加以验证｡

2.3定量计算机断层扫描(centralquantitativecomputedtomography,QCT)

QCT展示中轴骨的三维横断面成像,可提供体积骨密度值､区分皮质骨和小梁骨及评估骨骼的几何特性｡研究发现[11]基于CT的腰椎体积骨密度和强度都可预测社区人群发生椎体骨折的风险,在临床中有助于识别椎体高风险骨折人群｡1项基于CT图像的Meta分析[12]结果表明:在识别椎体骨折中,体积骨密度比面积骨密度及Hu值更准确,因为体积骨密度值比裂缝预测骨折更敏感｡异步外部校准QCT单独对体模进行质量控制扫描后,获得校准方程式,与常规腹部､胸部扫描结合,用于后续患者的扫描,获取体积骨密度值在临床上是可行的,对骨折风险评估敏感｡

2.4高分辨率外围定量计算机断层扫描(highresolutionperipheralquantitativecomputedtomography,HR-pQCT)

HR-pQCT非侵入性评估骨骼微观结构,采用三维成像技术,有高分辨率(60~82μm)及低辐射剂量(3~5μSv)的特点,可定量测量桡骨远端和胫骨远端等骨骼部位的体积骨密度｡同时纵向评估骨皮质和骨小梁的微观结构参数｡1项关于预测骨质疏松性骨折的Meta分析发现HR-pQCT测量胫骨的骨微结构参数中皮质骨体积骨密度(corticalvolumetricbonemineraldensity)､骨小梁厚度(trabecularthickness,Tb.Th)是最佳预测参数[13]｡最新研究表明:在CKD-MBD患者中,胫骨的骨微结构参数皮质骨厚度(corticalThickness,Ct.Th)是骨折风险评估的最佳指标[14]｡但HR-pQCT设备应用于骨微结构的研究多集中在欧洲及美洲,且由于成像的视野(fieldofview,FOV)较小,不能用于脊柱及髋部等部位,因此在临床中应用受限｡

2.5磁共振成像(magneticresonanceimaging,MRI)

MRI是非电离辐射评估骨结构及骨微结构｡高分辨率磁共振成像获取股骨体积分数(bonevolumefraction,BVF)､Tb.Th､小梁间距(trabecularspacing,Tb.Sp)等骨小梁参数｡ZaiaA[15]采用高分辨MRI设备获取小梁骨腔隙参数β(trabecularbonelacunarityparameterβ,TBLβ),对骨质疏松症椎体骨折预测敏感性为66%,高于骨密度(bonemineraldensity,BMD)预测敏感性(52%);随访1年后,TBLβ预测骨折敏感性为73%,BMD预测值无明显变化｡但由于高分辨率磁共振成像扫描参数复杂难以解释,仅用于科学研究｡目前,研究致力于常规MRI序列中是否存在预测骨折风险的参数｡椎体骨质量(vertebralbonequality,VBQ)是基于MRI的T1序列基础上的骨质量评分的方法｡研究发现其尤其适用于60岁以上人群,VBQ评分可有效评估骨质疏松性骨折的骨质量,预测脆性骨折发生风险[16]｡因此,在临床中对CKD骨质疏松症采用MRI扫描获得骨质量来评估骨折风险是可行的,但费用较高,扫描时间长｡

2.6定量超声(quantitativeultrasound,QUS)

QUS可无创､无电离辐射及便捷评估骨强度,其测量参数包括声波的速度和衰减､刚度指数｡在多项研究中发现跟骨QUS参数与骨折发生率无关[17]｡因其测量方式简单､收费较低,跟骨QUS参数用于检测阿伦磷酸钠､雷洛昔芬治疗骨质疏松症的效果[18]｡因此,QUS监测抗骨质疏松药物疗效及预测CKD骨折风险在未来是潜在的研究方向｡

2.7冲击微压痕(impactmicroindentation,IMI)

IMI原理是将微米大小的探针插入骨表面的深度,反映骨在机械冲击后对骨折的抵抗力｡其优点是便携､无电离辐射,可快速测量(约10分钟)｡Osteoprobe®(B.M.Tech,韩国)是进行IMI的便携式手持设备,将骨强度结果用骨材料强度指数(bonematerialstrengthindex,BMSi)表述｡多中心国际研究[19]提供健康男性BMSi参考区间为71.0~97.9,健康女性为59.8~95.2,参考值范围有助于确定BMSi在骨折预测中的效用｡研究[20]发现CKD组年龄较大的男性,容易发生骨折,与较低的BMSi值有关｡在2型糖尿病人群中有研究[21]发现BMSi值比BMD值能更好识别骨折风险｡因此,未来需要前瞻性研究评估IMI对CKD骨折的预测能力,使其临床上广泛应用｡

3、人工智能在骨质疏松性骨折预测中的应用

人工智能(artificialintelligence,AI)主要通过机器学习(machinelearning,ML)方法进行骨质疏松症诊断,ML的核心是特征提取,即从大量数据中提取客观特征,并利用提取到的特征对未知数据进行预测和分类｡GalassiA等人[22]基于机器学习预测髋部骨折风险,采用DXA测量股骨颈及全髋部的骨密度值,基于半自动和2D特异性有限元模型生成骨骼的形状､冲击力等生物力学特征纳入ML不同的模型中,观察到12个特征构建的随机森林模型,在髋部骨折预测中灵敏度为83%,特异度为92%｡KongSH等[23]人基于卷积神经网络的COX比例风险模型(deeplearningapproachtosurvivalanalysis,DeepSurv)通过对脊柱X线影像和临床特征(年龄､性别､既往骨折等)进行学习,在训练集中DeepSurv模型性能优于骨折风险评估工具(fractureriskassessment,FRAX),可挖掘X光检查的额外价值,发现高风险骨折患者;最后通过ML算法定义高危人群并计算其骨折预测风险｡

为了达到最佳效果,开发针对不同人群(如CKD､糖尿病)需求的特定AI算法,为高风险群体创建专门的预测工具｡ChenY等人[24]应用14419例糖尿病患者的数据,建立极限梯度提升(eXtremeGradientBoosting,XGBoost)与深度神经网络相结合的混合木星预测患者骨折风险,其准确度为86.08%,精密度为87.69%｡为了更准确预测髋部骨折风险,YosibashZ等人[25]开发基于CT扫描有限元分析的ML算法,用于糖尿病患者髋部骨折风险的评估,结果显示ML算法的敏感性为92%,特异性为88%｡AI与影像技术的结合对糖尿病患者骨折风险评估准确性方面展示更多优势｡目前尚未发现CKD相关骨质疏松症骨折风险预测的机器学习方面的研究,因此需要针对CKD患者开发AI算法,提高CKD患者骨折风险预测的敏感性和特异度｡

4、小结

CKD通过复杂机制影响骨骼强度,包括骨量减低和骨微结构受损,导致骨折风险增加｡DXA､TBS､CT､MRI及人工智能对CKD患者的骨折风险预测效能不同｡指导临床对CKD患者骨折风险的管理,寻找更精准的预测方法是未来的研究方向｡

参考文献:

[4]戴靖榕,李婕,何旭,等.慢性疾病稳定期老年患者发生骨质疏松症的影响因素研究[J].中国全科医学,2022,25(18):2194-2200.

基金资助:甘肃省科技计划资助(18JR2FA001);

文章来源:马亚平,王琳.影像学方法在慢性肾脏病骨折风险中的应用进展[J].中国血液净化,2025,24(04):292-295.