第二节
骨质疏松症的分类和相关危险因素

一、原发性骨质疏松症

原发性骨质疏松症又分为绝经后骨质疏松症（Ⅰ型）、老年骨质疏松症（Ⅱ型）和特发性骨质疏松症（包括青少年型）3类。

绝经后骨质疏松症一般发生在妇女绝经后5～10年内。女性绝经后，雌激素迅速下降，RANKL/RANK信号通路被上调，骨的吸收显著增强，骨重建平衡被打破，导致骨量急速丢失，引发骨质疏松 ^［1］ 。

老年骨质疏松症一般指女性65岁后和男性70岁后发生的骨质疏松。人体衰老过程中，无论男性还是女性，性激素尤其是雌性激素的下降以及类固醇激素的相对升高，会严重破坏骨重建平衡，导致骨密度的降低；老年人维生素D的缺乏，加之肾功能减退活化维生素D生成减少，小肠吸收钙减少从而影响骨形成。总之，老年骨质疏松症病因复杂，多种因素导致它的发生。

特发性骨质疏松症病因不明确，多见于青年人，故又称青少年型骨质疏松症。该病骨代谢特点以低骨转换为主，高骨转换和尿钙过高较少见；往往骨吸收正常或轻微增加，由于成骨细胞功能障碍而骨形成减少。

二、继发性骨质疏松症

继发性骨质疏松症指由任何影响骨代谢的疾病和（或）药物导致的骨质疏松。目前发现，不少的慢性疾病能促使骨质疏松的发生，代谢性疾病如糖尿病、甲状旁腺功能亢进以及内分泌疾病例如库欣综合征等都能诱发骨质疏松症的发生。

（一）继发于慢性疾病的骨质疏松症

糖尿病性骨质疏松是在糖尿病基础上并发的骨质疏松。1型糖尿病已被广泛证实是继发性骨质疏松的重要因素，在2型糖尿病与骨质疏松之间生物学关系上，虽然更多研究报道2型糖尿病促使骨密度上升，却也增加了骨折风险；有个别报道指出，2型糖尿病患者较非糖尿病患者骨质疏松发病率明显升高 ^［6］ ，椎体骨折发生率明显上升 ^［7，8］ ，而绝经后糖尿病患者各种类型骨折风险增加20% ^［9］ 。糖尿病与后期并发的骨质疏松之间的关系已被不少研究者探讨，但其仍存在一定争议，而且糖尿病性骨质疏松复杂的机制远未被充分探讨，有待进一步更广泛而深入的研究。

甲状旁腺功能亢进也可并发骨质疏松，主要与体内甲状旁腺激素（PTH）升高有关。PTH是体内调节钙磷平衡、维持钙平衡的主要激素之一。血中过高的PTH增加了骨的吸收，使血钙升高，促进骨质疏松的形成。

库欣综合征也是诱发骨质疏松的一种重要内分泌疾病，主要与皮质醇水平和引起本综合征的原发病因有关。除原发病表现外本病亦兼有骨质疏松的表现，如骨密度降低、骨痛等。罕见报道可见本病仅仅表现为全身的骨痛甚至骨折，容易造成误诊。由于本病可发生于年轻人，须应注意原发病的诊断以及与特发性骨质疏松症的鉴别诊断。

另外，风湿性疾病如类风湿性关节炎、系统性红斑狼疮、强直性脊柱炎，慢性胃肠病如原发性胆汁性肝硬化、克罗恩病、胃大部切除术，肾脏疾病如肾功能衰竭，呼吸疾病如慢性阻塞性肺疾病，血液疾病如白血病、多发性骨髓瘤，以及一些遗传疾病如马方综合征、高胱氨酸尿症、卟啉病等在慢性病程中都可能促使骨质疏松的发生。

（二）药物相关性骨质疏松症

由于长期、大量应用影响骨代谢的药物导致的骨质疏松，即药源性骨质疏松症。糖皮质激素的摄入是诱发药源性骨质疏松症最常见的因素，摄入糖皮质激素达6个月以上就足以引起骨质疏松的发生 ^［4］ ，每天摄入2.5mg的泼尼松龙便足以增加骨质疏松骨折风险 ^［5］ 。目前学术界针对糖皮质激素性骨质疏松的发病机制进行了不同层次水平的探讨，而概括起来主要与促进破骨、抑制成骨相关。

此外，近年来有越来越多的药物被发现可诱发骨质疏松，如抗反转录病毒药、抗惊厥药、免疫抑制剂、袢利尿药、肝素、口服抗凝药、噻唑烷二酮类药物、甲状腺素及质子泵抑制剂等 ^［2，3］ 。

三、骨质疏松症的危险因素及风险评估

（一）骨质疏松症的危险因素

骨质疏松症发病的危险因素包括人种、高龄、家族史、不良生活习惯、营养失衡、患影响骨代谢疾病及影响骨代谢药物的摄入等。总体可归类为固有因素和非固有因素（表1-1）。

（二）骨质疏松症的风险评估

许多因素能够诱发骨质疏松，而且每个人易感性不同，因此对个体进行骨质疏松风险评估有利于及早防治措施的干预。本文推荐两种临床常用而敏感性较高又操作方便的简易评估方法作为初筛工具：

1．国际骨质疏松基金会（IOF）基于以下因素的问卷测试

轻微跌倒致骨折史及父母类似病史、糖皮质药物服用史、身高下降情况、饮酒及饮酒量、吸烟及每日吸烟量、慢性胃肠病史、女性提前绝经和男性阳痿或性欲低下等。

2．亚洲人骨质疏松自我筛查工具（Osteoporosis Self-assessment Tool for Asians，OSTA）

OSTA基于亚洲8个国家和地区绝经后妇女的研究，筛选出11个与骨密度具有显著相关的风险因素，再经多变量回归模型分析，得出敏感性和特异性最佳的2项简易筛查指标——年龄和体重。具体评估方法见图1-3。

也可以根据年龄和体重快速评估风险级别（图1-4）。

四、骨质疏松性骨折的风险预测

1．骨折风险评估工具（fracture risk assessment tool，FRAX）

WHO推荐的骨折风险预测简易工具（FRAX○RR）可用于计算10年发生髋部骨折及任何重要的骨质疏松性骨折发生概率。FRAX○RR可以通过以下网址获得：http://www.shef.ac.uk/FRAX/。

该工具具体使用用法为基于以下危险因子进行预测（表1-2）：

在没有骨密度测定条件时，FRAX○RR也提供了仅用体重指数（BMI）和临床危险因素进行评估的计算方法。

目前尚无我国的依据FRAX结果计算的治疗阈值。临床上可参考其他国家的资料，如美国指南指出，依据FRAX计算出髋部骨折概率≥3％或任何重要的骨质疏松性骨折发生概率≥20％时，视为骨质疏松性骨折高危患者，而欧洲一些国家则将髋部骨折概率≥5％作为治疗阈值。我们在应用中可以根据个人情况酌情决定。

2．其他骨折风险评估工具

其他骨质疏松骨折风险评估工具有Ga rvan 量表（Ga rvan F ractu re Ri sk Calculator，加文骨折风险计算表）、Qfracture运算法则等。

Garvan 量表可以用于评估患者5~10年内的骨折风险，主要基于近一年内的骨折史和跌倒史、年龄和骨密度等情况进行风险评估。在骨密度缺失的情况下，可使用体重代替进行评估。由于Garvan量表分析的是近一年的骨折次数（1，2，＞2）和跌倒次数（1，2，＞2），它可比FRAX预测更多类型的骨折。另外，FRAX只能预测10年的骨折风险，而Garvan量表可预测5年或10年内的骨折风险。但Garvan量表计入的危险因素比FRAX少得多，如果患者具有其他危险因素则骨折风险或可被低估 ^［10］ 。另一局限是该量表只适用于60岁以上患者，并且只基于澳大利亚人群数据。

以人口基础为背景的骨折风险评估工具被验证研究多于1次的，除了FRAX、Garvan量表外，还有Qfracture运算法则。虽然Qfracture只在英国应用于3项研究，但准确度却较前二者高。其他评估工具还有FRAMO、FRC、FRISC、FRISK及Updated QFracture（2012），除了基于多人口/人种的验证研究较少外，还存在方法学上缺陷和偏倚的风险，故仍需高质量的研究来校正预测工具 ^［11］ 。

五、跌倒及其危险因素

骨折是骨质疏松的重要并发症，严重影响患者生活质量甚至增加死亡风险。而跌倒是骨质疏松骨折常见的直接原因，增加跌倒可能性的因素主要包括环境因素和自身健康状况（图1-4）。

参考文献

［1］RACHNER T D，KHOSLA S，HOFBAUER L C．Osteoporosis：now and the future［J］．The Lancet，2011，377：1276．

［2］MAZZIOTTI G，CANALIS E，GIUSTINA A．Drug-induced osteoporosis：mechanisms and clinical implications［J］．Am J Med，2010，123：877．

［3］张丽丽，傅晓敏，刘敏燕，等．药源性骨质疏松症综述［J］．中国药物应用与监测，2015：383．

［4］ADINOFF A D，HOLLISTER J R．Steroid-induced fractures and bone loss in patients with asthma［J］．N Engl J Med，1983，309：265．

［5］RIZZOLI R，BIVER E．Glucocorticoid-induced osteoporosis：who to treat with what agent？［J］．Nat Rev Rheumatol，2015，11：98．

［6］李桂英，吕波，邸彬，等．2型糖尿病骨质疏松的发病率及其相关因素分析［J］．中国骨质疏松杂志，2009：568．

［7］SCHWARTZ A V，HILLIER T A，SELLMEYER D E，et al．Older women with diabetes have a higher risk of falls：a prospective study［J］．Diabetes Care，2002，25：1749．

［8］WANG J，YOU W，JING Z，et al．Increased risk of vertebral fracture in patients with diabetes：a meta-analysis of cohort studies［J］．Int Orthop，2016，40：1299．

［9］HULL B，SMITH N R．Diabetes and Bone［J］．The American Journal of the Medical Sciences，2016，351：356．

［10］SANDHU S K，NGUYEN N D，CENTER J R，et al．Prognosis of fracture：evaluation of predictive accuracy of the FRAX algorithm and Garvan nomogram［J］．Osteoporos Int，2010，21：863．

［11］MARQUES A，FERREIRA R J，SANTOS E，et al．The accuracy of osteoporotic fracture risk prediction tools：a systematic review and meta-analysis［J］．Ann Rheum Dis，2015，74：1958． cG5leWJ1T8vhnhkV6b/M4MSxFfQsuif8Ij2u2vckpRAFcXb3IQAUn4aqC87atjdN