CC BY
32
Статья поступила в редакцию 20.04.2015 г.
ОЦЕНКА РОЛИ КОЛИЧЕСТВЕННОЙ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ В ПРОГНОЗИРОВАНИИ ОСТЕОПОРОТИЧЕСКИХ ПЕРЕЛОМОВ ПОЗВОНКОВ
ASSESSMENT OF THE ROLE OF QUANTITATIVE COMPUTED TOMOGRAPHY IN PREDICTING OSTEOPOROTIC VERTEBRAL FRACTURES
Захаров И.С. Колпинский Г.И. Ушакова Г.А. Каган Е.С.
ГБОУ ВПО «Кемеровская государственная медицинская академия» Минздрава России,
ФГБОУ ВПО «Кемеровский государственный университет»
Минобрнауки России,
г. Кемерово, Россия
Zakharov I.S. Kolpinsky G.I. Ushakova G.A. Kagan E.S.
Kemerovo State Medical Academy,
Kemerovo State University, Kemerovo, Russia
Цель - на основании метода бинарной логистической регрессии оценить роль костной денситометрии, проведенной методом количественной компьютерной томографии в прогнозировании постменопаузальных остеопо-ротических переломов позвонков.
Материалы и методы исследования. В представленном исследовании проведена оценка минеральной плотности кости тел 11-1У поясничных позвонков методом количественной компьютерной томографии у женщин, находящихся в постменопаузальном периоде. КТ-остеоденситометрия проводилась 72 пациенткам, перенесшим компрессионные переломы тел позвонков, и 210 женщинам без переломов. Разработка прогностической модели осуществлялась на основании полученных результатов КТ-остео-денситометрии у женщин постменопаузального периода. В моделировании использовались показатели минеральной плотности трабекулярной и кортикальной костной ткани, индексы билатеральной асимметрии МПК 11-1У поясничных позвонков.
Результаты исследования. Ранжирование предикторной роли по уменьшению значимости имело следующую последовательность: индекс билатеральной асимметрии МПК трабекулярной кости, МПК трабекулярной кости, МПК кортикальной кости, индекс билатеральной асимметрии МПК кортикальной кости позвонков. Чувствительность созданной модели составила 77,8 % (Бе = 0,778), специфичность - 86,7 % (Бр = 0,867). При проведении 1ЮС-анализа выбранный порог классификации был - 0,371. С целью оптимизации работы практического врача на основе разработанной прогностической модели была создана прикладная программа для ЭВМ. Заключение. Использование статистического метода бинарной логистической регрессии позволило создать прогностическую модель для определения риска постменопаузальных остеопоротических переломов с использованием результатов КТ-остеоденситометрии.
Ключевые слова: остеопороз; минеральная плотность кости; количественная компьютерная томография; логистическая регрессия.
Objective - based on the method of binary logistic regression to assess the role of bone densitometry conducted by means of quantitative computed tomography in predicting postmenopausal osteoporotic vertebral fractures.
Materials and methods. Quantitative computed tomography was used for estimating bone mineral density in the lumbar vertebral bodies II-IV in the postmenopausal women. CT bone densitometry was conducted for 72 patients with compression fractures of the vertebral bodies and 210 women without fractures. The predictive model was developed on the basis of the results of CT bone densitometry in the postmenopausal women. The simulation was based on mineral density of the trabecular and cortical bone tissue and bilateral asymmetry indices of BMD in the lumbar vertebrae II-IV.
Results. Ranking of the predictor role for reducing the importance had the following sequence: the index of bilateral asymmetry of BMD in the trabecular bone, BMD in the trabecular bone, BMD in the cortical bone, BMD index of bilateral asymmetry in the cortical bone of the vertebrae. Sensitivity of the model was 77.8 % (Se = 0.778), specificity - 86.7 % (Sp = 0.867). During ROC analysis the selected classification threshold was 0.371. On the basis of the predictive model the applied computer program was developed for optimizing the activity of the practitioner. Conclusion. Use of the statistical method of binary logistic regression allowed creating the predictive model to assess the risk of postmenopausal osteoporotic fractures with use of the results of CT bone densitometry.
Keywords: osteoporosis; bone mineral density; quantitative computed tomography; logistic regression.
Остеопороз — метаболическое заболевание скелета, которое характеризуется снижением прочности кости и повышением риска
переломов [1]. Важными характеристиками остеопоротических изменений являются снижение минеральной плотности кости и
28
изменение микроструктурной архитектоники костной ткани. С увеличением возраста распространенность данной патологии неуклонно
политравма
Функциональная, инструментальная и лабораторная диагностика 28 - 32
растет [2]. В оценке риска остео-поротических изменений и переломов приоритетным направлением является создание прогностических моделей, основанных на современных методах статистической обработки. Определение вероятности переломов позволит снизить бремя материально-финансовых затрат, связанных с лечением и реабилитацией.
Существуют различные способы, позволяющие оценить риск формирования остеопоротических изменений и возникновения переломов. Широкое распространение получил метод прогнозирования переломов в ближайшие 10 лет (РИАХ), который основан на оценке таких факторов риска, как возраст, пол обследуемого, индекс массы тела, переломы в анамнезе, переломы у ближайших родственников, курение, прием глюкокортикоидов, ревматоидный артрит, прочие причины вторичного остеопороза, злоупотребление алкоголем и уровень минеральной плотности шейки бедренной кости [3]. Преимуществами представленного способа являются доступность, относительная простота оценки и экономическая составляющая. В то же время некоторые авторы приводят сведения о невысокой чувствительности и специфичности данного метода прогнозирования. Ретроспективное изучение риска переломов продемонстрировало чувствительность российской модели РИАХ, равную 42 % и специфичность — 74 % [4]. В другом исследовании площадь под ИОС-кривой модели РИАХ была 0,63 [0.56; 0.69], что является характеристикой среднего качества прогностической модели [5].
Ключевым критерием, на 7580 % определяющим механическую прочность кости, является уровень минеральной плотности костной ткани (МПК). Уменьшение МПК приводит к возрастанию риска переломов [6, 7].
Ведущее место в оценке МПК играют методы лучевой диагностики: двухэнергетическая рентгеновская абсорбциометрия (ДРА) и количественная компьютерная томография (ККР) [8, 9]. Важным преимуществом КР-остеоденсито-метрии является возможность раз-
дельной оценки МПК трабекуляр-ной и кортикальной костной ткани.
Увеличение частоты остеопоротических переломов требует поиска новых методологических решений, связанных с формированием прогностической модели.
Одним из перспективных методов статистического прогнозирования в медицине является метод логистической регрессии, определяющий связь между зависимой и несколькими независимыми переменными. Бинарная логистическая регрессия позволяет оценивать вероятность наступления события в зависимости от сочетания ряда факторов, например, риска развития остеопороза, возникновения перелома.
Цель настоящего исследования — на основании метода бинарной логистической регрессии оценить роль костной денситометрии, проведенной методом количественной компьютерной томографии в прогнозировании постменопаузальных остеопоротических переломов позвонков.
МАРРРИАЛ И МРРОДЫ ИССЛРДОВАНИЯ
В представленном исследовании проведена оценка минеральной плотности кости тел II-IV поясничных позвонков методом количественной компьютерной томографии у женщин, находящихся в по-стменопаузальном периоде. КТ-о-стеоденситометрия проводилась 72 пациенткам, перенесшим компрессионные переломы тел позвонков и 210 женщинам без переломов. Диагностика осуществлялась KP-сканером Somatom Pmotion в режиме «Osteo».
Разработка прогностической модели проводилась на основании полученных результатов трехмерной остеоденситометрии. Были выбраны показатели минеральной плотности трабекулярной и кортикальной костной ткани, а также индексы билатеральной асимметрии МПК II-IV поясничных позвонков. Для каждого из факторов вычислялись коэффициенты регрессии. О качестве созданной модели судили при помощи ROC-анализа [10] на основании величины площади под ROC-кривой (AUC, area under curve).
В процессе создания прогностической модели использовалось регрессивное уравнение:
у=а+Ь.хХ.+Ь,хХ,+ ...+Ь.хХ.,
^ 1 1 А А 11'
где у — зависимая переменная, принимающая два значения: 0 — нет перелома, 1 — есть перелом; а — константа; Ь. — коэффициенты регрессии; X. — переменные.
Расчет вероятности возникновения перелома проводился по формуле:
Р= 1 / (1+е-у),
где Р — прогностическая вероятность, е — экспонента, приближенное значение которой равно 2,718.
РРЗУЛЬРАРЫ
И ОБСУЖДРНИР
Полученные результаты КТ-о-стеоденситометрии подвергались статистической обработке, при этом вычислялись коэффициенты регрессии (табл. 1) и строились ИОС-кривые для каждого из факторов. При оценке результатов, представленных в таблице 1, можно сделать заключение, что вероятность переломов позвонков возрастает при уменьшении минеральной плотности трабекулярной и кортикальной костной ткани и нарастании индексов билатеральной асимметрии МПК.
После расчета коэффициентов регрессии была сформирована формула прогностической вероятности возникновения переломов позвонков:
Результаты проведенной статистической обработки подвергались ИОС-анализу с построением ИОС-кривых. Площадь под ИОС-крпвой созданной модели составила 0,894 [0,855; 0,932], что говорит о высокой прогностической способности (рис. 1).
На основании ИОС—анализа выбирался порог классификации, который равен 0,371. При данном пороге чувствительность созданной модели составила 77,8 % (Бе = 0,778), специфичность — 86,7 % (Бр = 0,867).
Оценка данных статистики Вальда дала следующие результаты: наиболее значимым предикто-
№ 4 [декабрь] 2015
29
Таблица 1
Показатели бинарной логистической регрессии
Table 1
The indices of binary logistic regression
Статистические показатели бинарной логистической регрессии Statistic values of binary logistic regression Показатели КТ-остеоденситометрии CT bone densitometry indices
МПКтраб. Trabecular BMD (XJ МПК корт. Cortical BMD (X2) ИА МПКтраб. Trabecular IA BMD (X3) ИА МПК корт. Cortical IA BMD (X4) Константа Constant
В, коэффициент В, regression coefficient -0.044 ± 0.02 -0.014 ± 0.007 3.443 ± 1.361 2.395 ± 1.187 -2.551
Примечание: МПК траб. и МПК корт. - минеральная плотность трабекулярной и кортикальной костной ткани; ИА МПК траб. И ИА МПК корт. - индексы билатеральной асимметрии минеральной плотности трабекулярной и кортикальной костной ткани поясничных позвонков.
Note: Trabecular and cortical BMD - mineral density of trabecular and cortical bone tissue; Trabecular and cortical IA - indices of bilateral assymetry of mineral density in trabecular and cortical bone tissue of lumbar vertebrae.
ром явился индекс билатеральной асимметрии МПК трабекулярной кости, затем по значимости следуют показатели МПК трабекулярной кости, МПК кортикальной кости и индекс билатеральной асимметрии МПК кортикальной кости (табл. 2).
При оценке площади под ИОС-кривыми (АиС) получены следующие результаты: АиС для минеральной плотности трабекулярной кости составила 0,862 [0,819; 0,905], для минеральной плотности кортикальной кости — 0,848 [0,799; 0,896], для индекса билатеральной асимметрии минеральной плотности трабекулярной
кости - 0,802 [0,741; 0,864], для индекса билатеральной асимметрии минеральной плотности кортикальной кости - 0,807 [0,752; 0,862] (рис. 2, 3).
На основании разработанной модели рассчитывались диапазоны качественной оценки риска наступления переломов. При прогностической вероятности, превышающей 0,5, женщина относилась к группе высокого риска возникновения переломов, при прогностической вероятности от 0,5 до 0,371 — к группе среднего риска, если прогностическая вероятность находилась ниже 0,371, риск считался низким.
С целью оптимизации работы практического врача на основе разработанной прогностической модели была создана прикладная программа для ЭВМ «Прогнозирование риска переломов позвонков» (рис. 4).
При применении компьютерной программы «на входе» вводится фамилия, имя, отчество, возраст обследуемой, затем — показатели КТ-остеоденситометрии: минеральная плотность кости (МПК) (Ц, Ь3, Ц), индексы билатеральной асимметрии МПК для трабекулярной и кортикальной костной ткани поясничных позвонков. После этого «на выходе» выдается прогно-
Рисунок 1
ROC-кривая прогностической модели Figure 1
ROC-curve of the predictive model
30
Рисунок 2
ROC-кривые МПК трабекулярной и кортикальной костной ткани поясничных позвонков Figure 2
ROC-curves of BMD in trabecular and cortical bone tissue of the lumbar vertebrae
.J
l/
1
r
au с м пн. 1|1и11.->з.чну Ù.IJÇ! hTIK -¡0|ТТ. = О.Е^Е
■tH :< w
1 - Eiihil>|ih4h-ii:i н
политравма
— KH : iMll" lu н
—FTI'm:\ KÎTÏ
0л ULUUH .l.'-Kf
Функциональная, инструментальная и лабораторная диагностика
28-32
Таблица 2 Показатели статистики Вальда Table 2 Wald statistic values
Статистические показатели бинарной логистической регрессии Statistical values of binary logistic regression Показатели КТ-остеоденситометрии Values of CT bone densitometry
МПКтраб. Trabecular BMD (XJ МПК корт. Cortical BMD (X2) ИА МПКтраб. Trabecular IA BMD (X3) ИА МПК корт. Cortical IA BMD (X4) Константа Constant
Wald, статистика Вальда Wald statistics 4.571 4.502 6.401 4.072 0.584
P, уровень значимости P, level of significance 0.033 0.034 0.011 0.044 0.445
Рисунок 3
ROC-кривые индексов билатеральной асимметрии МПК трабекулярной и кортикальной костной ткани поясничных позвонков Figure 3
ROC-curves of bilateral asymmetry indices of BMD in trabecular and cortical bone tissue of the lumbar vertebrae
Иц _Hhi:
■5 HI ¿Tip ¿Tb-'LH ULMYUbli-ll.' к'ПК -p?je. KiTl1 L11 ■ I h a: Цпййчрвль-сН
ULMYUb-I^H. к'ПК NOÏT IÏM LTCfir.l .Trtlttl
Рисунок 4
Внешний вид компьютерной программы «Прогнозирование риска переломов позвонков»-Figure 4
The visual appearance of the computer program «Prediction of risk of vertebral fractures»
1 -СПнИ.ИфНЧНОГ/П,
стическая вероятность выраженная в количественном и качественном эквивалентах. Делается заключение о степени риска возникновения остеопоротических переломов позвонков.
ЗАКЛЮЧЕНИЕ Метод бинарной логистической регрессии позволяет создавать прогностические модели оценки риска остеопоротических переломов с использованием результатов
КТ-остеоденситометрии. Своевременная оценка риска переломов будет способствовать осуществлению своевременных профилактических и корректирующих мероприятий.
ЛИТЕРАТУРА/REFERENCES:
1. NIH Consensus development conference on osteoporosis: prevention, diagnosis and therapy. JAMA. 2000; (287): 785-795.
2. Zakharov IS, Kolpinskiy GI, Ushakova GA, Ushakov AV, Van Wai Chan, Migal OV, et al. Prevalence of osteopenic syndrome in postmenopausal women. Medicine in Kuzbass. 2014; 13(3): 32-36. Russian (Захаров И.С., Колпинский Г.И., Ушакова Г.А., Ушаков А.В., Ван Вай-Чен, Мигаль О.В. и др. Распространённость остеопенического синдрома у женщин в постменопаузе // Медицина в Кузбассе. 2014. Т. 13, N° 3. С. 32-36.)
№ 4 [декабрь] 2015
Kanis JA, Oden A, Johansson H, Borgstrom F, Strom 0, McCloskey
EV. FRAX, a new tool for assessing fracture risk: clinical applica-
tions and intervention thresholds. Medicographia. 2010; 32(1):
33-40.
Nikitinskaya OA, Toroptsova NV. Assessment of fractures risk using
the FRAX tool (A ten-year retrospective study). Bulletin of Clin-
ical Medicine. 2014; (32): 50-55. Russian (Никитинская O.A.,
Торопцова H.B. Оценка риска переломов с использованием
модели FRAX (ретроспективное десятилетнее исследование) //
Альманах клинической медицины. 2014. № 32. С. 50-55.)
Tremollieres FA, Pouilles J-M, Drewniak N, Laparra J, Ribot CA, Dar-
gent-Molina P. Fracture risk prediction using BMD and clinical risk
factors in early postmenopausal women: sensitivity of the WHO
FRAX tool. JBMR. 2010; 25(5): 1002-1009.
Marshall D, Johnell O, Wedel H. Meta-analysis of how well mea-
sures of bone mineral density predict occurrence of osteoporotic
fractures. Br. Med. J. 1996; 312: 1254-1259.
Nguyen T, Sambrook P, Kelly P, Jones G, Lord S, Freund J, et al.
Prediction of osteoporotic fractures by postural instability and bone
density. BMJ. 1993; 307(6912): 1111-1115.
ACR-SPR-SSR practice parameter for the performance of quanti-
tative computed tomography (QCT) bone densitometry. Available
at: http://www.acr.0rg/~/media/ACR/D0cuments/PGTS/guidelines/
QCT.pdf Res. 32 - 2013, Amended 2014 (Res. 39).
Zakharov IS. Imaging diagnosis of osteoporosis - current state of
problems. Polytrauma. 2015; (1): 69-73. Russian (Захаров И.С.
Лучевая диагностика остеопороза - современное состояние
проблемы //Политравма. 2015. № 1. С. 69-73.)
10. Hanley JA, McNeil BJ. The meaning and use of the area under
a receiver operating characteristic (ROC) curve. Radiology. 1982;
143(1): 29-36.
Сведения об авторах: Information about authors:
Захаров И.С., к.м.н., доцент кафедры акушерства и гинекологии Zakharov I.S., candidate of medical science, docent, chair of
№ 1 ГБОУ ВПО «Кемеровская государственная медицинская акаде- obstetrics and gynecology № 1, Kemerovo State Medical Academy,
мия» Минздрава России, г. Кемерово, Россия. Russia.
Колпинский Г.И., д.м.н., профессор кафедры лучевой диагно- Kolpinsky G.I., MD, PhD, professor, chair of radial diagnostics,
стики, лучевой терапии и онкологии, ГБОУ ВПО «Кемеровская госу- radiotherapy and oncology, Kemerovo State Medical Academy,
дарственная медицинская академия» Минздрава России, г. Кемеро- Kemerovo, Russia.
во, Россия.
Ушакова Г.А., д.м.н., профессор, заведующая кафедрой акушер- Ushakova G.A., MD, PhD, professor, head of chair of obstetrics
ства и гинекологии № 1, ГБОУ ВПО «Кемеровская государственная and gynecology № 1, Kemerovo State Medical Academy, Kemerovo,
медицинская академия» Минздрава России, г. Кемерово, Россия. Russia.
Каган Е.С., к.т.н., доцент кафедры автоматизации исследований Kagan E.S., candidate of technical science, docent, chair of research
и технической кибернетики, ФГБОУ ВПО «Кемеровский государ- automation and technical cybernetics, Kemerovo State University,
ственный университет» Минобрнауки России, г. Кемерово, Россия. Kemerovo, Russia.
Адрес для переписки: Address for correspondence:
Захаров И.С., ул. Ворошилова, 22а, г. Кемерово, Россия, 650029 Zakharov I.S., Voroshilova St., 22a, Kemerovo, Russia, 650029
L Тел: +7 (3842) 46-51-62 Tel: +7 (3842) 46-51-62
E-mail: [email protected] E-mail: [email protected]
m
политравма
