2024盘点：骨质疏松性脊柱骨折的诊疗进展（一）

摘要：福祸相依：人口老龄化是当今全球关切的重大社会问题，人类在享受远超先祖的平均寿命、体验更加广阔的人生旅程的同时，伴随老龄而来的衰老性疾患正潜移默化、如影随形、暗藏杀机。骨质疏松症以及由此导致的脆性骨折——骨质疏松性脊柱骨折（OVCF）正扮演着这样的角色：幸福的痛

福祸相依：人口老龄化是当今全球关切的重大社会问题，人类在享受远超先祖的平均寿命、体验更加广阔的人生旅程的同时，伴随老龄而来的衰老性疾患正潜移默化、如影随形、暗藏杀机。骨质疏松症以及由此导致的脆性骨折——骨质疏松性脊柱骨折（OVCF）正扮演着这样的角色：幸福的痛苦，沉默的杀手。

迫在眉睫：我国已进入“老龄社会”，当前形势异常严峻：1、老龄化增速；2、老龄人口世界第一；3、人口自然增长率下降；4、未富先老；5、养老压力大，对社会稳定和经济发展影响巨大。

三高一低：OVCF发病率高，未诊率高，死亡率高，知晓率低。与高血压、糖尿病等慢性疾病不同，OVCF有其独有的特征、危害和诊疗困境，结合当前我国国情，OVCF防、诊、治、知工作任重道远。

后患无穷：OVCF发生后，患者活动减少致肌肉萎缩，骨量进一步丢失，再骨折发生率高，陷入骨折-卧床-骨量丢失-再骨折的恶性循环，许多患者因长期卧床并发症而死亡，“躺平=死亡”。

大数据显示，我国50岁及以上老年人群的椎体骨折发生率从2013年的85. 21／10万增加到2017年的152. 13／10万，增长了1. 79倍，且椎体骨折总的发病人数增加了4. 82倍，随年龄增加，发病率增高。预计2030年我国OVCF患者将达到8000万。椎体骨折后1年的超额死亡率从1.9%到42.0%不等[1]，4年死亡率高达49.4%，先前患有椎体骨折患者的死亡风险是未发生椎体骨折人群的1.78 倍[2]。发生一次椎体骨折后再发椎体骨折的风险是未发生过骨折病人的6-12倍。

可防可治：积极响应“健康骨骼”专项行动，倡导OVCF早诊早治，重心下沉，关口前移，普及认知，防治未病。OVCF微创治疗体系可快速止痛、改善功能，打断恶性循环，为骨质疏松的综合治疗赢得时间，显著降低并发症和死亡率，目前已经成为治疗OVCF的首选[3]。

世界卫生组织（World Health Organization，WHO）在1990年首次提出健康老龄化的概念。2021年，联合国大会宣布2021-2030年为“健康老龄化十年”，并将肌肉骨骼健康作为老年人健康状况的最重要指标之一[3]。我国是全球老年人口最多的国家，65岁以上人口数量已超过2亿，老龄化形势异常严峻。预计到2050年，我国将有5.33亿人罹患骨量减少或骨质疏松症，其基数庞大，影响面广，危害深远。骨质疏松性脊柱骨折（OVCF）是指患者在轻微外力或无明显外伤的情况下发生椎体骨折，属于脆性骨折，是骨质疏松症最常见的并发症，OVCF不仅发病率高，未诊率高，知晓率低，更为重要的是死亡率高，影响巨大，是经济发展、社会进步的巨大负担。随着椎体强化术（PVP/PKP）的问世，OVCF的治疗取得了天翻地覆的变化。

OVCF领域的相关研究发展日新月异，感谢骨科在线的邀请，感谢同行精彩绝伦、意义非凡的研究成果，本文将从OVCF领域相关的论文检索、指南共识、大数据研究、诊断进展（人工智能、影像组学）、治疗进展（手术治疗技术进展、加速康复及抗骨质疏松药物治疗）、Kümmell病与骨质疏松性脊柱骨折骨不连及相关危险因素等，对2024年骨质疏松性脊柱骨折领域取得的学术成果进行整理、盘点，为广大同行、医疗人员以及人民群众提供学习和参考，若有不足之处，恳请广大读者批评指正，感激不尽。

在Web of Science、Pubmed数据库以“osteoporotic vertebral fraCTure”，“osteoporotic vertebral compression fracture”，“OVF”，“OVCF”，“kyphoplasty”，“vertebroplasty”等关键词检索，经过人工筛选后，2024年共发表OVCF领域相关论文675篇，其中N Engl J Med，JAMA Netw Open，J Bone Joint Surg Am，Spine J等中科院一区论文48篇，二区论文128篇。OVCF的相关研究中，单篇研究涉及病例数最高为637303例。据统计，2024年OVCF领域论文发表数量排名前五位的国家依次是：中国，美国，日本，韩国，德国。论文发表数量排名前五位的作者依次是：杨惠林（苏州大学附属第一医院），Shinji Takahashi（大阪都立大学），Hiroaki Nakamura（大阪都立大学），William D Leslie（加拿大马尼托巴省温尼伯市曼尼托巴大学），Yì Xiáng J Wáng（香港中文大学）。论文发表数量排名前五位的机构依次是：首都医科大学，苏州大学，多伦多大学，香港中文大学和哈佛医学院。

2024年，骨质疏松性脊柱骨折相关领域发表了指南与专家共识14部。指南共识聚焦于骨质疏松性脊柱骨折的诊断、预防、治疗、修复，涉及手术治疗、药物治疗、康复治疗，中西医诊疗、疼痛管理以及风险管理，涵盖内容全面细致，提供了最新的权威参考，以下为研究进展总结。

1、骨修复干预时机要尽早

OVCF急性期可采用椎体强化术治疗，在缓解疼痛、改善病人生活质量，避免卧床相关并发症等方面效果较好。OVCF若未经及时临床干预，将会产生急性骨量丢失和快速肌萎缩，甚至产生骨不连、脊柱后凸畸形，疼痛也将迁延成慢性腰痛。这表明对于急性症状性OVCF，早期及时进行微创手术治疗对病人康复和骨折愈合将会产生更积极影响[4]。

2、抗骨质疏松治疗既要规范、长期又要个体化

OVCF病人应当进行规范、长期、个体化抗骨质疏松治疗，以加速骨折愈合，降低再骨折风险。骨修复战略着眼于围手术期积极抗骨质疏松治疗，可有效减少OVCF病人术后骨丢失，促进骨折愈合同时有效预防再次骨折[5]。抗骨质疏松药物主要包括基本补充剂、抗骨吸收药物以及促进骨形成药物、中成药等[6]。药物治疗至少应坚持1年，在治疗前和停药前都须全面评估骨质疏松性骨折的发生风险，并对患者进行骨折风险分层管理，为骨质疏松的综合治疗赢得时间。

治疗个体化取决于开始治疗的具体适应证，包括是否近期发生过骨折，骨折的数量和部位，椎体骨折的严重程度、骨密度、年龄和其他骨折的高危因素。这些患者的治疗目标是快速和最大限度地降低骨折风险。患者基线T值≤-2.5时，建议最低治疗目标为T值＞-2.5，若患者合并骨折史等危险因素时，建议治疗目标的T值应更高，为-2.0甚至-1.5。若患者基线T值＞-2.5时，建议治疗目标为提升T值绝对值，全髋T值增加0.2，腰椎T值增加0.5。

3、成骨先行，序贯治疗

对于骨质疏松症的治疗，推荐根据患者的骨折史和骨密度T值选择合适的达标治疗方案。若患者合并椎体、骨盆或者髋部骨折病史，首先推荐促骨形成药物（如特立帕肽等）治疗，在治疗1-2年后评估治疗目标是否实现，后续达标后需要维持骨密度，推荐序贯骨吸收抑制剂（如地舒单抗、双膦酸盐等）进行治疗[7]。

本年度大数据盘点主要聚焦于药物治疗相关的评估，包括N Engl J Med、Spine J等权威杂志，研究涵盖双膦酸盐和地舒单抗等药物。研究评估主要针对药物预防早期绝经后妇女椎体骨折、降低经皮椎体强化术后再骨折风险、OVCF经过手术治疗的患者停药后的临床结果，以及丹麦OVCF的发病率统计，凸显了骨质疏松性脊柱骨折对社会经济的影响。

老年妇女每12至18个月使用一次唑来膦酸钠可预防骨折，且对骨密度和骨转换的影响持续超过5年，但是唑来膦酸钠能否预防早期绝经后妇女椎体骨折的发生尚不清楚。来自新西兰奥克兰大学和美国斯坦福大学的科研团队在N Engl J Med杂志发表重要研究[8]。该研究进行了一项为期10年的前瞻性、双盲、随机、安慰剂对照试验，涉及早期绝经后妇女（50至60岁），共1054位患者，参与者被随机分配在基线和5年时接受5mg剂量的唑来膦酸钠输注（唑来膦酸-唑来膦酸组），在基线时接受5mg剂量的唑来膦酸钠输注，在5年时接受安慰剂输注（唑来膦酸-安慰剂组），或者在基线和5年时同时接受安慰剂输注（安慰剂-安慰剂组）。分别在基线、5年和10年拍摄脊柱X线片。主要终点指标是椎体骨折，对其进行半定量评估。研究结果表明，每5年或每10年接受一次唑来膦酸治疗可显著降低早期绝经后女性的椎体骨折风险。这种间歇性治疗策略为关注骨质疏松风险的女性提供了一种临床可行的治疗选择。

OVCF患者人数逐年增加，不仅给患者的身心健康带来严重影响，而且对家庭社会也带来沉重负担。经皮椎体强化术作为治疗OVCF的有效手段，可以达到疼痛的即刻缓解和伤椎的稳定，让患者短期内重新投入社会活动中。然而，我们强化的是发生骨质疏松骨折的椎体，事实上，其他椎体也都是骨质疏松的椎体，因此，术后再次发生椎体骨折的风险一定存在。苏州大学附属第一医院团队在Orthop Surg杂志发文[9]，进行了地舒单抗用于降低经皮椎体强化术后再骨折风险的真实世界研究，从MarketScan和Optum数据库中分别纳入了13451和21420名患者。研究结果表明，围绝经期或绝经后妇女椎体强化术后骨质疏松性骨折再发的风险较高，椎体强化术后继续地舒单抗治疗与骨质疏松椎体再骨折的风险较低相关。因此，地舒单抗可作为椎体强化术后骨质疏松患者的一种切实有效的治疗选择。该研究的优势有：1、它利用了大量真实世界的人群，排除标准有限，反映了当前医疗保健实践中的患者概况；2、该研究在两个独立的数据库中进行，实现了研究结果在不同数据库中的可重复性；3、该研究不仅描述了椎体强化术后大量未满足的医疗需求，而且还评估了在真实世界中应用地舒单抗治疗骨质疏松骨折的有效性，以及显著减少再骨折的可行性，为脊柱外科医生的实践提供证据。

另外，中国台湾学者在Spine J杂志发表了一项基于人群的回顾性队列研究：《手术治疗骨质疏松性椎体压缩性骨折患者停用地舒单抗或双膦酸盐后的临床结果》[10]。该研究共纳入2858例患者：地舒单抗组1123例，双膦酸盐组1735例。研究结果表明：对于需要住院治疗和手术干预的OVCF患者，持续接受地舒单抗治疗的患者发生骨质疏松性骨折的风险低于接受双膦酸盐或非持续性地舒单抗治疗的患者。然而停用地舒单抗仍会增加后续骨折的风险。因此，对于使用地舒单抗的患者来说，坚持治疗至关重要。

日本朝日总医院研究团队在Geriatr Gerontol Int杂志发表了一项全国性数据库研究，利用日本国家健康保险理赔和特定健康检查数据库的医疗保险数据，探讨了在真实世界中是否药物治疗与继发性椎体骨折（SVF）之间的关系[11]。该研究分析了637303位女性患者资料，2年SVF发病率为73.5/10000（n=4687）。共有288733例（45.3%）患者在初次骨折登记后未接受抗骨质疏松药物治疗，属于无药物治疗组。结果显示服用药物的患者发生SVF的风险低于未服用药物的患者。该研究显示将近30万例、接近一半的初次骨质疏松椎体骨折的患者未服用抗骨质疏松药物，提示抗骨质疏松治疗认知、重视、规范任重道远。

Spine杂志刊登了一项来自欧洲学者研究团队的基于多个国家登记处关联数据的队列研究，该研究描述丹麦OVCF患者的社会人口学和健康特征，以及近十年的发病率，并确定与没有椎体骨折的匹配队列相比的差异。研究分析了20262名VCF患者资料，结果表明 OVCF发病率从2010年的86/10万人增加到2018年的142/10万人。2018年，区域发病率为每10万人中有120至154人患病。超过20%的患者在骨折前正在工作，77%的患者提前退休或领取养老金。OVCF患者比对照组有更多的合并症，如心脑血管疾病、慢性肺部疾病等。在过去十年中，医院诊断的OVCF发病率有所上升，但存在地区差异。值得注意的是，超过20%的OVCF患者仍是尚未退休者，这凸显了OVCF对社会经济的影响[12]。

2024年骨质疏松性脊柱骨折的诊断进展继续聚焦于人工智能和影像组学研究。最新研究有助于实现骨折风险评估和实行个性化治疗、提高椎体骨折的诊断准确性和预测能力、有效鉴别急性症状性OVCF、自动准确地对OVCF椎体进行分割和鉴别、预测脊柱再骨折或相邻椎体骨折等。

1、人工智能

骨质疏松性骨折是老年人健康的主要挑战。尽管已有安全有效的抗骨质疏松治疗方法，但这些治疗方法在骨折高风险人群中应用不足，亟需更好的病例诊断方法和骨折风险评估策略。Lancet Diabetes Endocrinol杂志刊登观点论文，描述人工智能（AI）和机器学习（ML）有望通过从医疗记录、成像和可穿戴设备中提取数据的有用特征，增强对骨折高风险个体的识别。AI-ML可以实现椎体骨折和骨质疏松症的自动机会筛查，以家庭为基础的监测和针对生活方式因素的干预，并整合多模式特征来进行骨折预测，最终有助于改善骨折风险评估和实行个性化治疗。AI-ML算法的临床整合可改变骨质疏松症的管理，提供更个性化的方法来减轻骨质疏松性骨折的负担[13]。

随着椎体骨折患病率的增加，准确的诊断是必不可少的。来自英国伦敦的研究团队在Sci Rep杂志发表了一项meta分析研究，通过系统回顾和荟萃分析评估了人工智能在诊断和预测椎体骨折方面的有效性。该研究通过对主要数据库的全面搜索，选择了利用人工智能进行椎体骨折诊断和预后研究。在最初确定的14161项研究中，纳入了79项，其中40项进行了荟萃分析。诊断模型按病理分为：非病理性椎体骨折、骨质疏松性椎体骨折和椎体压缩性骨折。结果发现，AI技术在提高椎体骨折的诊断和预测方面显示出较大的潜力和优势，具有很高的准确性。然而，观察到的异质性和研究偏差需要进一步研究。未来应侧重于标准化人工智能模型，并在不同的数据集上验证，以确保临床效用[14]。

骨质疏松性脊柱骨折有着患病率高，漏诊率高，未治率高，死亡率高等特点。如何提高OVCF诊断的准确率，早期有效地干预疾病进展，成为了众多研究的热点。目前，人工智能中的机器学习技术在诊断和预测椎体骨折方面显示出较大的潜力。上海市第十人民医院团队开发并验证了一种基于X线影像数据的深度学习放射组学模型，用于预测和分类OVCF，研究纳入了多家医院的病例，采用ResNet-50模型架构进行深度迁移学习，并结合放射组学特征，以MRI显示的骨髓水肿作为急性症状性OVCF的金标准，结果显示该模型在鉴别急性症状性OVCF方面表现较为出色[15,16]。

尽管深度学习在诊断脊柱疾病方面显示出巨大的潜力，但目前还缺乏在CT图像上对胸腰椎骨折进行自动分割和分类的AI模型。因此，来自中山大学孙逸仙纪念医院的研究团队开发了一种深度学习模型，用于胸腰椎CT扫描中压缩性骨折的自动分割，该研究发表于Eur Spine J杂志[17]。该训练数据集包括238个椎体，结果表明，深度学习模型可以自动准确地对压缩性骨折椎体进行分割，从而帮助临床医生做出临床决策。

AI模型预测脊柱再骨折的研究仅限于骨密度、X线和一些常规的实验室指标，有其自身的局限性。此外，缺乏与骨质疏松症相关的具体指标和能反映骨质量的影像学因素，如计算机断层扫描（CT）。Orthop Surg杂志刊登了一项来自山东大学齐鲁医院团队的研究，该研究建立了一种基于骨转换标记物和CT的预测模型，以识别脊柱再骨折患者。对383例患者的CT影像及临床资料进行分析预测，研究结果显示T-P1NT是再骨折的独立危险因素。该研究的3D-FULL模型在预测脊柱再骨折高危人群方面表现更好。该模型具有自动分割和自动检测的特点，可以应用于真实世界转化[18]。

目前，对腰椎压缩性骨折患者是否同时患有骨质疏松症难以及时准确地判断，因此，云南省第一人民医院团队利用T1序列MRI影像建立了一种预测模型，以准确判断腰椎压缩性骨折患者是否同时患有骨质疏松症。该研究结果发表在Spine J杂志上，他们开发的NaiveBayes机器学习算法可以预测骨质疏松，有助于减少患者的辐射暴露，加快了向医务人员提供重要骨质疏松症数据的速度，优化了骨质疏松性腰椎压缩骨折患者的治疗选择，有望显著提高诊断精度和患者预后[19]。

为了建立全面有效的OVCF风险预测模型，上海市第十人民医院研究团队在Eur Spine J杂志发文，通过整合人口特征，骨密度和CT资料，利用ResNet-50进行机器学习，构建了一种OVCF的风险预测模型，结果证实骨密度、椎旁肌的CT值和椎旁肌的横截面积是OVCF的独立危险因素，且模型具有很好的预测应用价值[20]。

临床工作中，OVCF经常需要与其他椎体疾病进行鉴别。因此，首都医科大学附属北京潞河医院团队开发了一种基于深度学习的诊断系统，利用CT图像对多种椎体疾病进行诊断。系统可准确识别OVCF、陈旧性椎体骨折、Kümmell病等脊柱疾病。该研究采用两阶段深度学习模型，通过大规模数据训练，实现了高准确率的疾病诊断，具有快速、准确的优势，为临床椎体疾病的诊断提供了新的技术手段[21]。

部分患者在OVF后会出现功能障碍，这就使得功能评估和预测尤为重要。Sci Rep杂志近期刊登了来自日本的一项研究，该研究利用机器学习方法建立OVF入院后新发功能障碍的预测模型，并比较其性能。在训练数据集中，作者开发了三种机器学习模型（随机森林、梯度增强决策树和深度神经网络）和一个传统模型（逻辑回归），并比较了这些模型的预测性能。共有31306名患者被纳入研究队列。结果显示，在测试数据集中，所有模型都表现出良好的判别能力，梯度增强决策树优于传统模型。该团队成功开发了OVF入院后新发功能障碍的预测模型，有助于在这个OVF患病率不断上升的时代制定有效的治疗计划[22]。

2、影像组学

相邻椎体骨折（AVF）的风险评估值得进一步探索。虽然影像组学在脊柱医学领域得到了广泛应用，但其在评估经皮椎体强化术（PVA）后患者AVF风险方面的应用仍然有限。来自上海东方医院的研究团队在Eur Spine J杂志上发表研究，利用影像组学和临床危险因素的机器学习算法开发和验证预测模型，以评估PVA后AVF的风险。该研究选择9个最佳影像组学特征组成影像组学模型，同时确定5个临床特征用于临床模型。结果表明，影像组学和使用术后CT图像的机器学习建模在评估PVA后AVF风险方面能力显著[23]。

临床工作中，许多腰椎OVCF患者可能还伴有胸椎骨折，若是出现漏诊，仅治疗腰椎骨折可能会导致胸椎骨折恶化或术后症状未愈。来自苏州大学附属第二医院的研究团队在J Neurointerv Surg杂志发表研究，探讨了腰椎OVCF患者椎体强化术（包括经皮椎体成形术和经皮椎体后凸成形术）前进行胸椎MRI的必要性。该研究纳入了700例患者，其中96例（13.71%）新发胸椎骨折伴腰椎骨折，结果表明，腰椎OVCF患者术前进行胸椎MRI检查至关重要，这有助于避免遗漏胸椎骨折，防止损伤恶化，并确保更好的疗效[24]。

椎体脆性骨折的发生率在老年人群中达到高峰，识别椎体脆性骨折高危人群并及时采取预防措施至关重要。在以人群为基础的研究中， DXA的T值评分已被证明可以预测脆性骨折。同时，有研究报道基于MRI的椎体骨质量（VBQ）评分，与DXA T值评分相比，对脆性骨折有更好的预测性。因此，来自中国台湾的科研团队进行了一项研究，结果发表在Neurosurgery杂志。该研究探讨了VBQ评分与DXA T值评分之间的相关性，并验证VBQ评分对OVCF经骨水泥强化术后继发骨折风险的影响。结果表明，在接受骨水泥强化术治疗的OVCF患者中，VBQ评分与DXA T值评分显著相关，可以作为继发脆性骨折可靠的预测指标[25]。

另外，Eur Radiol杂志刊登了一项来自安徽医科大学的meta分析报道。该研究旨在确定Hounsfield单位（HU）值、椎体骨质量（VBQ）评分、双能X线（DXA）测量的骨密度（BMD）和定量计算机断层扫描（QCT）的有效性，以区分有无椎体骨折。研究结果表明，HU值、VBQ评分、QCT测量BMD、DXA测量BMD四种方法均能有效区分椎体脆性骨折患者。其中，QCT测量的骨密度在鉴别椎体骨折方面表现更为优秀。VBQ评分和HU值在区分老年患者椎体骨折方面具有相当的效应[26]。

磁共振成像虽然是诊断OVCF的金标准，但由于其可及性和成本效益，X射线成像，特别是正位和侧位视图的使用仍然较为普遍。来自韩国的研究团队在Sci Rep杂志发表回顾性研究，评估基于正位图像的深度学习的性能与使用横向图像的性能是否具有可比性。该研究分析了两所三级教学医院的X线图像，采用基于EfficientNet-B5算法对OVCF组和非OVCF组进行分类。结果表明，使用正位X线图像的EfficientNet-B5算法与侧位图像相比，在OVCF和非OVCF分类方面具有相当的功效[27]，有助于提高OVCF的确诊率。

[1] Sattui SE, Saag KG. Fracture mortality: associations with epidemiology and osteoporosis treatment. Nat Rev Endocrinol, 2014, 10: 592-602.doi：10.1038/nrendo.2014.125.

[2] Schousboe JT, Lix LM, Morin SN, et al. Associations of clinically recognized vs unrecognized vertebral fracture with mortality. Bone, 2021, 145: 115868.doi：10.1016/j.bone.2021.115868.

[3] 杨惠林. 健康老龄化十年,聚焦骨质疏松症. 中华骨与关节外科杂志, 2022, 15: 652-655.doi：10.3969/j.issn.2095-9958.2022.09.02.

[4] 陈建, 李青青, 顾军, et al. 老年骨质疏松性胸腰段椎体骨折伴后凸畸形诊疗指南（2024版）. 中华创伤杂志, 2024, 40: 961-973.doi：10.3760/cma.j.cn501098-20240724-00446.

[5] van den Bergh JP, Geusens P, Appelman-Dijkstra NM, et al. The Dutch multidisciplinary guideline osteoporosis and fracture prevention, taking a local guideline to the international arena. Arch Osteoporos, 2024, 19: 23.doi：10.1007/s11657-024-01378-3.

[6] 中国老年学和老年医学学会老年病学分会骨科专家委员会, 中华医学会骨科学分会青年骨质疏松学组, 中国医师协会骨科医师分会骨质疏松学组, et al. 骨质疏松性椎体压缩骨折骨修复策略专家共识(2024版). 临床外科杂志, 2024, 32: 442-448.doi：10.3969/j.issn.1005-6483.2024.04.031.

[7] Cosman F, Lewiecki EM, Eastell R, et al. Goal-directed osteoporosis treatment: ASBMR/BHOF task force position statement 2024. J Bone Miner Res, 2024, 39: 1393-1405.doi：10.1093/jbmr/zjae119.

[8] Bolland MJ, Nisa Z, Mellar A, et al. Fracture Prevention with Infrequent Zoledronate in Women 50 to 60 Years of Age. N Engl J Med, 2025, 392: 239-248.doi：10.1056/NEJMoa2407031.

[9] Zou J, Zhang Y, Niu J, et al. A Real-world Study of Denosumab For Reducing Refracture Risk after Percutaneous Vertebral Augmentation. Orthop Surg, 2024, 16: 1849-1860.doi：10.1111/os.14087.

[10] Huang CC, Hung CC, Chen HM, et al. Real world clinical outcomes when discontinuing denosumab or bisphosphonates in patients with surgically managed osteoporotic vertebral compression fractures: a population-based cohort study. Spine J, 2024, 24: 2366-2376.doi：10.1016/j.spinee.2024.08.020.

[11] Nakatoh S, Fujimori K, Ishii S, et al. Association between pharmacotherapy and secondary vertebral fracture managed with a brace in a real-world setting: A nationwide database study in Japan. Geriatr Gerontol Int, 2024, 24: 390-397.doi：10.1111/ggi.14853.

[12] Andersen MO, Andresen AK, Frolich JS, et al. Patients with Osteoporotic Vertebral Fractures in Denmark 2010-2018: A National Registry Analysis. Spine (Phila Pa 1976), 2024.doi：10.1097/BRS.0000000000005220.

[13] Hong N, Whittier DE, Gluer CC, et al. The potential role for artificial intelligence in fracture risk prediction. Lancet Diabetes Endocrinol, 2024, 12: 596-600.doi：10.1016/S2213-8587(24)00153-0.

[14] Namireddy SR, Gill SS, Peerbhai A, et al. Artificial intelligence in risk prediction and diagnosis of vertebral fractures. Sci Rep, 2024, 14: 30560.doi：10.1038/s41598-024-75628-2.

[15] Zhang J, Xia L, Liu J, et al. Exploring deep learning radiomics for classifying osteoporotic vertebral fractures in X-ray images. Front Endocrinol (Lausanne), 2024, 15: 1370838.doi：10.3389/fendo.2024.1370838.

[16] Zhang J, Xia L, Tang J, et al. Constructing a Deep Learning Radiomics Model Based on X-ray Images and Clinical Data for Predicting and Distinguishing Acute and Chronic Osteoporotic Vertebral Fractures: A Multicenter Study. Acad Radiol, 2024, 31: 2011-2026.doi：10.1016/j.acra.2023.10.061.

[17] Chen J, Liu S, Li Y, et al. Deep learning model for automated detection of fresh and old vertebral fractures on thoracolumbar CT. Eur Spine J, 2024.doi：10.1007/s00586-024-08623-w.

[18] Zhu X, Liu D, Liu L, et al. Fully Automatic Deep Learning Model for Spine Refracture in Patients with OVCF: A Multi-Center Study. Orthop Surg, 2024, 16: 2052-2065.doi：10.1111/os.14155.

[19] Nian S, Zhao Y, Li C, et al. Development and validation of a radiomics-based model for predicting osteoporosis in patients with lumbar compression fractures. Spine J, 2024, 24: 1625-1634.doi：10.1016/j.spinee.2024.04.016.

[20] Zhang J, Xia L, Zhang X, et al. Development and validation of a predictive model for vertebral fracture risk in osteoporosis patients. Eur Spine J, 2024, 33: 3242-3260.doi：10.1007/s00586-024-08235-4.

[21] Wang Y, Su F, Lu Q, et al. Deep learning-driven diagnosis of multi-type vertebra diseases based on computed tomography images. Quant Imaging Med Surg, 2024, 14: 800-813.doi：10.21037/qims-23-685.

[22] Masuda S, Fukasawa T, Inokuchi S, et al. Early prediction of functional impairment at hospital discharge in patients with osteoporotic vertebral fracture: a machine learning approach. Sci Rep, 2024, 14: 31139.doi：10.1038/s41598-024-82359-x.

[23] Yang J, Zhang SB, Yang S, et al. CT-based radiomics predicts adjacent vertebral fracture after percutaneous vertebral augmentation. Eur Spine J, 2024.doi：10.1007/s00586-024-08579-x.

[24] Zhang Y, Tang W, Niu Y, et al. The need for thoracic magnetic resonance imaging before vertebral augmentation surgery in patients with lumbar vertebral fractures. J Neurointerv Surg, 2024.doi：10.1136/jnis-2024-022043.

[25] Yeh YC, Chen MZ, Hu YH, et al. Vertebral Bone Quality Score as a Predictor of Subsequent Fractures After Cement Augmentation for Osteoporotic Vertebral Compression Fracture. Neurosurgery, 2024.doi：10.1227/neu.0000000000003282.

[26] Ma HY, Zhang RJ, Zhou LP, et al. Comparative effectiveness of four techniques for identifying vertebral fragility fractures among elderly patients. Eur Radiol, 2024.doi：10.1007/s00330-024-11292-4.

[27] Kim C, Kang M, Yuh WT, et al. Comparative efficacy of anteroposterior and lateral X-ray based deep learning in the detection of osteoporotic vertebral compression fracture. Sci Rep, 2024, 14: 28388.doi：10.1038/s41598-024-79610-w.

杨惠林

教授，主任医师，博士生导师。苏州大学附属第一医院骨科主任、大外科主任，苏州大学骨科研究所所长，国家重点学科及国家临床重点专科学科带头人，享国务院特殊津贴。

国务院学位委员会学科评议组成员（第六、七届），首届国家杰出医师，全国先进工作者（全国劳模）。中华医学会理事会理事，中华医学会骨科学分会常委、微创外科学组组长，中国康复医学会骨质疏松与康复专业委员会主任委员，中国老年保健协会骨科微创分会主任委员，国际脊柱创新发展学会（ISASS）国际主席及亚太主席，亚太微创脊柱外科学会（PASMISS）主席（第十九届）。

连续多年入选“全球前2%顶尖科学家”，“Elsevier中国高被引学者”榜单。以第一完成人获国家科技进步二等奖2项，省部级科学技术一等奖5项，何梁何利科学与技术进步奖。