红细胞分布宽度对骨质疏松症的预测价值

陈文文 姜 娟 高 洁 张厚莉 张 许 李振山 刘燕琳 党和勤

山东第一医科大学第二附属医院1.药剂科；2.口腔科，山东 泰安 271000

作为一种慢性进行性疾病，骨质疏松症的特征是骨量减少和骨微结构破坏，进而骨脆性增加，最终导致骨折发生［1］。2013年国际骨质疏松基金会报告，每3 min 全球就发生1 例骨质疏松性骨折，半数左右的初次骨质疏松性骨折患者可能会发生再次骨折［2-3］。骨质疏松性骨折可导致疼痛以及重度伤残，髋部和椎体发生骨质疏松性骨折会显著降低患者预期寿命，长期卧床者的致死率可达20%，永久性致残率更是高达50%［4］。及早发现骨质疏松并采取适当预防措施对于延缓骨质疏松性骨折的发生具有重要意义。当前临床诊断骨质疏松的主要手段是通过双能X 射线吸收法（dual-energy X-ray absorptiometry，DXA）进 行 骨 密 度（bone mineral density，BMD）检查［5］。但是骨密度检查普及度较低，而且骨密度仪价格较高，基层医院很少配备，因此探索便捷高效的骨质疏松症预筛指标十分必要。

红细胞分布宽度（red blood cell distribution width，RDW）是描述外周血红细胞体积异质性的参数，主要反映红细胞体积大小的均匀程度［6］。在临床实践中，RDW主要用于鉴别贫血原因［7］。近年来研究发现，RDW水平升高与骨质疏松性骨折患者较差的手术预后或较高的死亡率相关［8-9］，提示RDW有可能与骨质疏松症相关，但是目前仍未见有明确的文献报道。本研究旨在评价RDW预测骨质疏松症的能力，并探讨RDW 与骨质疏松症相关诊断指标BMD及T值的相关性，为建立骨质疏松症早期筛查指标体系提供参考。

1 资料与方法

1.1 研究对象

本研究人群为山东第一医科大学第二附属医院2020年4月—2021年4月采用DXA 测量BMD者。纳入标准：采用DXA 检查并获取腰椎（L1 ～L4）BMD值及T值；年龄≥18岁；行血常规检查并获取RDW 数据。排除标准：年龄＜18 岁；贫血；严重缺氧或应激情况；近期服用激素替代治疗；脆性骨折史；信息不全者。

1.2 研究工具

1.2.1 BMD 数据 本研究中BMD 数据采用DXA法获得（Hologic），收集研究对象的腰椎（L1 ～L4）BMD 值及T 值。根据世界卫生组织（World Health Organization，WHO）推荐，T ≥-1 为骨量正常，-2.5＜T＜-1为骨量减少，T ≤-2.5为骨质疏松［10］。

1.2.2 亚洲人骨质疏松自我筛查工具(osteoporosis self-assessment tool for Asians,OSTA)评分 OSTA评分作为临床筛选骨质疏松症患者的工具，主要依据年龄和体质量两项危险因素对受试者进行筛选。OSTA评分＞-1提示骨质疏松低风险，-4 ≤OSTA ≤-1为中风险，OSTA评分＜-4为重度风险［11-12］。

1.2.3 FRAX 评分 FRAX 评分工具主要用来评估未来10年主要骨折发生风险（fracture risk assessment tool-major osteoporotic fracture，FRAXMOF）及髋部骨折发生风险（fracture risk assessment tool-hip fracture，FRAX-HF）［13］，该评分包含12 项临床危险因素，分别是年龄、性别、身高、体质量、既往骨折史、父母髋骨骨折史、目前抽烟行为、服用肾上腺皮质激素、继发性骨质疏松症、风湿性关节炎、每日酒精摄取量达3 个单位或以上以及骨密度值。

1.3 统计学分析

所有数据采用Excel 处理，应用SPSS 26.0软件进行统计分析。对于描述性分析，连续变量采用xˉ±s表示，分类变量采用百分比（%）表示，连续变量均数比较采用t检验或ANOVA检验，分类变量之间率的比较采用R×C表卡方检验，运用Pearson 相关分析及ROC曲线分析评估RDW预测骨质疏松的能力。检验水准α=0.05。

2 结 果

2.1 研究对象临床特征

本研究共纳入研究对象200 人，临床基线特征见表1。其中女性占比（74.00%）高于男性，患者平均年龄（64.36 ± 10.45）岁，平均BMI（24.74 ±3.68）kg/m2。有吸烟史患者占比12.5%，饮酒史患者占比16.50%，有父母骨折史患者占比6%。主要合并症为高血压（30.50%）、糖尿病（17.50%）、冠心病（15.00%）及脑卒中（6.50%）。研究对象平均BMD 值为（0.85±0.21）g/cm²，平均T 值 为-2.06 ± 1.76，RDW 平 均 值 为13.07% ±1.26%，平均OSTA 评分为0 ± 3.05，平均FRAXMOF 评分为7.19% ± 8.04%，平均FRAX-HF 评分为1.98%±3.61%。

表1 研究对象临床特征［xˉ±s，n（%）］

根据T 值，纳入人群中骨质疏松者81 例（40.5%），骨量减少者71 例（35.5%），骨量正常者48 例（24%），3 组患者在性别、年龄、BMI、是否合并冠心病、是否合并脑卒中、BMD 值、RDW 值、OSTA评分、FRAX-MOF 评分及FRAX-HF 评分方面，差异具有统计学意义（P＜0.05）。

2.2 RDW预测骨质疏松的能力

如图1 所示，ROC 曲线分析结果发现，RDW 具有一定的预测骨质疏松症的价值（曲线下面积为0.622，P= 0.003），最佳预测值为12.65%（Youden指数= 0.213），敏感性和特异性分别为66.7%和45.4%，提示RDW ≥12.65%时患者罹患骨质疏松症的可能性较大。

图1 RDW预测骨质疏松症能力的ROC曲线

2.3 RDW与BMD及T值的相关性

本研究中，RDW 平均值为13.07% ± 1.26%，BMD平均值为（0.85±0.21）g/cm²，T值的平均值为-2.06±1.76。如图2所示，Person相关分析结果发现RDW 与BMD 的相关性具有统计学意义（P=0.006），但是相关系数仅为-0.195。同样，RDW 与T 值之间亦存在统计学意义的相关，但是相关程度较低（r=-0.193，P=0.006）。

图2 RDW与BMD相关性散点图

3 讨论

本研究发现，一是骨质疏松患者、骨量减少患者、骨量正常患者在性别、年龄、BMI、是否合并冠心病、BMD 值、T 值、RDW 值、OSTA 评分、FRAXMOF评分及FRAX-HF评分方面的差异均具有统计学意义（P＜0.05）；二是RDW具有一定的预测骨质疏松症发病风险的能力（P=0.006）；三是RDW 与BMD及T值存在较弱的相关性（P均＜0.05）。

本研究中女性骨质疏松患者比例明显高于男性（74.00%vs.26.00%），这与中国国家卫生健康委员会公布的调查数据基本一致，即60岁及以上人群骨质疏松症患病率女性高于男性（51.60%vs.10.70%）［14］。另外，本研究发现，患者年龄越高或BMI 越低，骨质疏松风险越高。已有研究表明随着年龄增长BMD 会逐渐下降，进而导致骨质疏松［15-18］。BMI 是评估个体肥胖和健康的国际标准，已有研究显示BMI 与BMD 呈正相关［19］。根据欧洲一项研究结果，低于60岁的低BMI（＜20 kg/m2）女性被建议进行DXA检查［20］，但BMI在骨质疏松症筛查中的价值有待进一步验证［21］。吸烟、饮酒等不健康生活方式同样是骨质疏松症发病的主要危险因素，不仅影响基础骨量积累水平，还会加速中老年时期的骨量流失，增加骨质疏松症发生风险［22-24］。然而本研究中吸烟或饮酒在不同组别中未显示明显差异，这可能是由于本研究纳入人群吸烟及饮酒者数量较少，因此难以从统计学角度观察到差异。心血管疾病和骨质疏松症均为常见的年龄相关疾病，本研究也发现骨质疏松患者更容易合并冠心病。既往横断面和流行病学研究也证实低骨量与冠心病发生率增加有关［25］。

本研究值得关注的发现是RDW 在骨质疏松患者、骨量减少者与骨量正常者中具有差异，这提示RDW 可能与骨质疏松症的发病有关。当前有关RDW与骨质疏松症相关性的研究报道较少，且研究人群主要集中在2 型糖尿病合并骨质疏松症患者。本研究借助ROC曲线分析进一步发现，RDW具有一定的预测骨质疏松症发病的能力，最佳预测值为12.65%，这一发现提示RDW可以作为骨质疏松症早期筛查的指标。比较遗憾的是，随后的Person相关分析结果发现，RDW与BMD及T值之间仅仅存在统计学意义的相关，且相关程度较低（r= -0.195，P=0.006；r=-0.193，P=0.006），这意味着RDW无法代替BMD及T值用于骨质疏松症的诊断。

本研究作为单中心研究，样本量相对较少，对于部分研究结果评价可能会产生影响。其次本研究为横断面研究，无法验证RDW 与骨质疏松症的因果关系，因此下一步应开展前瞻性的研究工作。最后，本研究仅验证了RDW 作为骨质疏松症预测因子的可能性，但是骨质疏松症的发病不会只是基于某一因素，而是应综合考虑诸如性别、年龄等其他相关危险因素，最终建立适合我国人群的骨质疏松症早期筛查模型。

综上所述，RDW与骨质疏松症的发病可能存在一定的相关性，但是仍需要开展前瞻性、大样本的临床研究工作及相应的基础研究工作来进一步验证RDW对骨质疏松症的预测价值。

利益冲突所有作者均声明不存在利益冲突