Resumen
Antecedentes: El dolor lumbar (LBP) es uno de los síntomas más comunes de la osteoporosis (OP), pero el LBP causado por la osteoporosis puede ser fácilmente enmascarado por otras causas, lo que lleva a un diagnóstico erróneo. Sin embargo, actualmente no hay herramientas convenientes disponibles para identificar a los pacientes con dolor lumbar causado por la osteoporosis.
Métodos: Inscribimos consecutivamente a 769 pacientes diagnosticados con dolor lumbar en nuestro hospital desde enero de 2019 hasta marzo de 2024. Se excluyeron un total de 355 casos debido a los datos faltantes relevantes, dejando una cohorte de análisis final de 414 casos. El conjunto de datos se dividió aleatoriamente en un grupo de entrenamiento y un grupo de validación en una proporción de 7: 3 para su posterior análisis. En este análisis preliminar se seleccionaron para el análisis multivariado posterior. Se empleó al operador de contracción y selección menos absoluto (LASSO) para identificar los factores de riesgo asociados para la osteoporosis. Las variables independientes con P <0.05 en el análisis univariado se incluyeron en el análisis multivariado para construir el modelo de predicción. Una vez que se estableció la ecuación de regresión, se utilizó un nomograma para visualizar el modelo de predicción, mientras que la curva característica de operación del receptor (ROC) se trazó para evaluar su rendimiento, específicamente calculando el área bajo la curva (AUC) que representa la capacidad de discriminación del modelo. Para evaluar la bondad de ajuste, se generó una curva de calibración para evaluar la precisión de la calibración. Además, el análisis de la curva de decisión (DCA) sirvió para determinar el valor de la aplicación clínica de este modelo predictivo. El nivel de significación estadística se estableció en P <0.05.
Resultados: Sobre la base del lazo y la regresión multivariada de Cox, las once variables se asociaron significativamente con OP (es decir, género, edad, historia de fractura, historia del consumo de alcohol, historia de la artritis reumatoide, hematocrito, ancho de volumen de glóbulos rojos de la distribución del volumen de glóbulos rojos, porcentaje de lymfocitos, triglicéridos, iones de potasio y alanina de la aminotransferación). En conjuntos de entrenamiento y validación, los AUC y los índices C de los modelos de predicción OP fueron superiores a 0,8 (AUC: 0,914 para el entrenamiento; 0,833 para la validación), lo que indicó una excelente previsibilidad de los modelos. En general, las curvas de calibración coincidieron con la diagonal en dos modelos. DCA indicó que los modelos tenían un mayor beneficio clínico que otros factores de riesgo. Si bien confirmó la utilidad clínica del modelo, ya que superó las estrategias de ‘TRATE-ALL’ y ‘Treat-None’.
Conclusión: Después de la verificación, nuestros modelos de predicción de OP son confiables y pueden predecir la incidencia de osteoporosis, proporcionando una valiosa orientación para la estimación del pronóstico clínico y la administración individualizada de pacientes con LBP (una nueva forma de identificación temprana e intervención de pacientes con osteoporosis).
Palabras clave: Prefectura autónoma; lumbalgia; nomograma; osteoporosis; predicción.
