骨質疏鬆症是一個主要的公共健康問題，在世界範圍內的患病率持續增長。脆性骨折被定義為與高衝擊性創傷無關的不全性骨折，是骨質疏鬆症診斷和治療不足的主要並發症。骨折風險評估工具(FRAX)是一種成熟的、經過驗證的多變量篩選算法，該算法結合了多種臨床數據，可用於評估未來的骨折風險。雙x線骨密度儀(DXA)作為FRAX的可選輸入變量，是當前骨密度篩查的成像標準。然而，由於DXA為平麵成像，因此對骨折的敏感性較低，且FRAX本身需要手動輸入數據，進一步降了利用率。

        為了進一步解決這些問題，機會性地使用通過對其他適應症進行的體部CT掃描得出的骨密度數據也許會提供有價值的篩查信息。對意外骨折風險增加的患者進行的機會性或偶然性CT掃描可以提高總體篩查率，並可進一步降低未來骨折的發生率。診斷成像代表了人工智能在醫學上的邏輯應用。其中，腹部和胸部CT掃描通常用於各種適應症，因此CT掃描可為自動化算法的應用提供了快速、客觀、高度可重複性的影像數據。

        近日，發表在Radiology雜誌的一項研究評估了基於CT的全自動骨骼、肌肉和脂肪測量方法在無症狀成人中預測未來重大骨質疏鬆性骨折的能力，並與當前的FRAX參考標準進行了比較，為臨床大規模篩查骨質疏鬆性骨折提供了技術支持，為進一步骨質疏鬆性降低骨折的發病率及死亡率提供了參考依據。

        全自動骨衰減(L1級衰減)、肌肉衰減(L3級衰減)和脂肪(L1級內髒/皮下[V / S]比)測量值來源於2004年至2016年健康無症狀成人門診隊列的低劑量無對比腹部CT掃描。通過電子健康記錄搜索算法獲得的數據計算FRAX得分。對該隊列進行了評估以評估隨後的脆性骨折。對采用雙x線骨密度儀評估的患者進行了亞組分析(n = 2106)。同時進行了風險比(HRs)和受試者工作特征曲線分析。

        本研究共對9223名成年人進行了CT評估(平均年齡，57歲±8 [標準差];5152名女性)，平均中位隨訪時間為8.8年(四分位間距為5.1-11.6年)，其中7.4% (n = 686)患者出現了嚴重骨質疏鬆性骨折，2.4% (n = 219)為髖部骨折。將最高風險的四分位數與其他三個四分位數進行比較，對於所有脆性骨折，骨衰減、肌肉衰減、V/S脂肪比和FRAX的HR分別為2.1、1.9、0.98和2.5，對於股骨骨折的HR分別為2.0、2.5、1.1和2.5(除了V/S比的P≥.51之外，其餘P均<.001)。脆性骨折的受試者工作特征曲線下麵積(AUC)在隨訪2年時分別為0.71、0.65、0.51和0.72，在10年時分別為0.63、0.62、0.52和0.65。對於髖部骨折，隨訪2年的單獨肌肉衰減AUC為0.75，而FRAX為0.73(P = .43)。對於所有脆性骨折，結合骨骼和肌肉衰減的多變量2年隨訪AUC為0.73。對於髖部骨折時為0.76(與FRAX相比，P≥0.73)。在雙X線骨密度儀T分數的亞組中，骨衰減的隨訪2年AUC為0.74，而FRAX的隨訪2年AUC為0.65(P = .11)。

        本研究結果表明，從腹部CT掃描中獲得的全自動定量骨骼和肌肉參數在症狀前預測未來脆性骨折發生的診斷性能，與已建立的多變量骨折風險評估工具(FRAX)具有相似的預測性能。肌肉衰減單獨與FRAX相匹配可以預測未來髖部骨折的發生風險，而脂肪測量在骨折預測方麵性能欠佳。這些基於CT的機會性參數可以協助臨床在症狀發生前篩選出具有高風險骨質疏鬆性骨折的個體，為骨質疏鬆性骨折的早期預防提供了影像學的支持，也為其他適應症的CT掃描增加了附加價值。