骨質疏鬆症是一種與年齡有關的疾病，其特征是骨強度受損，導致骨折風險增加。骨質疏鬆性脆性骨折的終生風險非常高，估計女性為40-50%，男性為13-22%，由於人口老齡化，預計骨質疏鬆性骨折的數量將急劇增加。骨折預防至關重要，但骨質疏鬆症仍未得到充分診斷和治療。目前的診斷依賴於通過雙X射線吸收測定法(DXA)測量的股骨頸(FN)或腰椎區域骨礦物質密度(aBMD)，盡管低aBMD與更大的骨折風險相關，它缺乏靈敏度，因為它確實考慮了有助於骨強度的骨結構信息。

高分辨率外周定量計算機斷層掃描(HR-pQCT)提供有關骨宏觀結構和微結構的附加信息，我們最近的前瞻性研究表明，使用HR-pQCT測量的骨參數在評估骨折風險時為FN aBMD提供附加預測信息。然而，解釋是具有挑戰性的，因為評估HR-pQCT參數單獨忽略了參數之間的複雜相互作用，並且沒有考慮到骨脆性可能以不同形式表現出來。先前的研究已經提出存在與骨形狀相關的與年齡相關的骨丟失的不同軌跡，表明在很大程度上依賴於aBMD的骨折風險評估的“一刀切”方法可能不合適。單中心研究還探索了使用HRpQCT來鑒定與骨折相關的骨微結構特性簇，盡管有希望，但由於樣本量小和缺乏前瞻性骨折信息，這些研究受到限製。

鑒定骨特性的常見組合(我們稱之為骨表型)，其易於發生更高的骨折風險，有可能增強我們對骨質疏鬆症在整個人群中的表現以及改善患者特異性骨折風險評估的理解。因此，本研究的目的是使用具有大型多中心HR-pQCT數據集的聚類分析來鑒定群體中骨微架構的常見表型。使用該隊列的前瞻性骨折數據，我們旨在確定某些骨表型是否與較高的骨折風險相關。此外，我們將研究是否存在每種表型獨特的骨折風險的主要成像生物標誌物。

在這項研究中，我們提出有骨特性的常見組合，稱為表型，易患不同程度的骨折風險。使用來自40-96歲之間的跨國隊列(n=5873，71%女性)的HR-pQCT數據，我們采用模糊c均值聚類(一種無監督的機器學習方法)來識別骨微體係結構的表型。鑒定了三個簇，並且使用HR-pQCT參數的部分相關性分析，我們將簇表征為低密度，低體積和健康的骨表型。大多數男性與健康的骨表型有關，而女性則更多地與低體積或低密度骨表型有關。每種表型對於主要骨質疏鬆性骨折(MOF)和任何事件性骨質疏鬆性骨折具有顯著不同的累積危險(p<0.05)。在調整協變量(隊列，性別和年齡)後，低密度隨後是低體積表型與MOF的關聯性最高(風險比分別為2.96和2.35)，並且在對股骨頸aBMD進行額外調整時保持顯著關聯(風險比分別為1.69和1.90)。此外，在每種表型內，鑒定了不同的骨折成像生物標誌物。

骨微結構表型的鑒定是關於如何利用HR-pQCT圖像數據評估老年人群骨骼健康的新穎和創新的觀點。骨表型加強了骨脆性可以以不同形式表現的前提，並且應該考慮結構和密度特性之間的複雜相互作用，以便建立針對患者的骨質疏鬆症治療方法。