L’osteoporosi è una malattia scheletrica sistemica caratterizzata da una diminuzione della resistenza dell’osso che porta ad un aumento del rischio di frattura. Le fratture osteoporotiche rappresentano un notevole problema per la sanità pubblica, che verosimilmente diventerà sempre maggiore con l’aumentare dell’età media della popolazione.
L’osteoporosi è asintomatica fino a che non intervenga una frattura, ma può essere facilmente diagnosticata con l’analisi densitometrica dell’osso. I fattori di rischio che determinano fragilità scheletrica sono ben conosciuti e la loro importanza nel determinare le fratture è stata ben valutata da numerosi ed ampi studi epidemiologici.
Talvolta, soprattutto nei Paesi in cui l’accesso alla densitometria ossea non è agevole, lo studio dei fattori di rischio per osteoporosi aiuta a selezionare gli individui che dovranno essere sottoposti a screening densitometrico per validare il sospetto diagnostico.
Nonostante ciò,l’osteoporosi resta una malattia sottodiagnosticata e sottotrattata, tanto che la maggior parte delle risorse sanitarie nell’ambito della patologia metabolica ossea sono utilizzate per esaminare donne con basso rischio di frattura e solo un terzo delle donne con 3 o più fattori di rischio sono avviate allo screening densitometrico.
Allo scopo di selezionare in maniera sempre più precisa le persone a rischio di osteoporosi e/o di frattura sono stati sviluppati numerosi algoritmi che, attribuendo a ciascun fattore di rischio un determinato peso, riescono teoricamente a quantificare individualmente il rischio di presentare osteoporosi o di fratturarsi nell’arco dei successivi 5 o 10 anni.
L’accuratezza di tali algoritmi dovrebbe essere validata su popolazioni diverse da quelle che hanno contribuito alla loro formulazione, utilizzando metodi statistici rigorosi su un numero adeguato di individui.
Purtroppo pochi studi rispondono a questi criteri e solo questi sono stati oggetto di analisi in questo articolo, il cui scopo non era tanto quello di stabilire quale fosse il migliore nel predire la presenza di osteoporosi o il rischio di fattura, quanto quello di esaminare la loro effettiva utilità nella pratica medica quotidiana e di vedere se la maggiore complessità potesse in qualche modo influenzare l’accuratezza della predittività.
L’accuratezza predittiva dei singoli algoritmi era valutata mediante il calcolo dell’area sotto la curva ROC (Receiver Operating Characteristic), che valutava la sensibilità (ossia la probabilità che un individuo positivo al test fosse effettivamente malato) e la specificità (ossia la probabilità che un individuo sano risultasse negativo al test) del metodo.
L’ipotesi di partenza era che gli algoritmi più complessi potessero in qualche maniera essere i migliori predittori. Sono stati identificati 48 algoritmi di varia complessità, di cui solo 20 validati esternamente con adeguate metodiche statistiche. Nove algoritmi valutavano il rischio di avere una bassa BMD (*), mentre 13 valutavano il rischio di frattura (**).
Il valore discriminante di T-score per separare le donne con bassa o normale massa ossea era pari a – 2 DS in alcuni studi o -2,5 in altri. Il numero dei fattori di rischio presi in considerazione variava da 1 a 6. Il numero di pazienti in esame nei singoli studi oscillava da 493 a 8254 e l’area sotto la curva variava da 0.64 a 0.80.
Per quanto riguarda la predizione del rischio di frattura, la maggior parte degli studi di validazione era di tipo prospettico, mentre 5 erano di tipo retrospettivo.
Il numero dei fattori di rischio considerati era, in media, superiore a quello del primo gruppo ed oscillava da 1 a 31. Il periodo medio di follow-up variava da 1.7 a 13.4 anni e il numero delle pazienti prese in esame variava da 1170 a 1.117.982.
L’area sotto la curva (AUC) oscillava in tutti gli studi da 0.62 a 0.80, e non vi era una differenza sostanziale fra algoritmi che utilizzavano pochi fattori di rischio e algoritmi più complessi, che invece ne utilizzavano un maggior numero. Nonostante le migliori performance fossero ottenute dal Qfracture, un algoritmo che, nella sua versione aggiornata, comprende 31 fattori di rischio, è necessario tuttavia tenere presente che l’utilizzo pratico di queste metodiche dipende non soltanto dalla loro accuratezza, ma anche dalla loro semplicità d’uso e dalla facilità di identificare i singoli fattori di rischio, specie quando il dato è riportato dagli stessi pazienti.
Il FRAX, che utilizza 11 fattori di rischio (Età, BMI, precedenti fratture, familiarità, glucocorticoidi, fumo, Alcol, Osteoporosi secondarie, Artrite reumatoide, sesso, BMD) ha la stessa attendibilità del Garvan, che invece ne utilizza solo 5 (età, precedenti fratture, cadute, sesso, BMD) (AUC del FRAX: da 0.62 a 0.69; AUC del Garvan: da 0.63 a 0.69).
La conclusione è che nessuno degli algoritmi utilizzato è nettamente migliore degli altri e che, nella maggior parte dei casi, gli algoritmi che utilizzano pochi fattori di rischio hanno la stessa validità degli algoritmi più complessi.
Note
(*) ABONE = Age Body size No Estrogen; BWC = Body Weight Criterion; NOF= National Osteoporosis Foundation; OPERA = Osteoporosis Prescreening Risk Assessment; ORAI= Osteoporosis Risk Assessmnet Instrument; OSIRIS = Osteoporosis Index of Risk; OST = Osteoporosis Self-assessmenti Tool; OSTA = Osteoporosis Screeng Tool fos Asians; SCORE = Simple Calculated Risk Estimation Score
(**) ABONE = Age BOdy size No Estrogen; BWC = Body Weight Criterion; EPESE = Esatablished Populationd for Epidemiologic Studies of the Eledrly; SOF = Study of Osteoporotic Fractures; FRAMO = Fracture and Mortality; FRAX = WHO Fracture Risk Assessment Tool; FRISC = Fracture and Immobilization Score; Garvan = Garvan Fracture Risk calculator; OC = Osteoporosis Canada; ORAI= Osteoporosis Risk Assessmnet Instrument; OST = Osteoporosis Self-assessmenti Tool; SCORE = Simple Calculated Risk Estimation Score; Qfracture)
Bibliografia
Rubin KH1, Friis-Holmberg T, Hermann AP, Abrahamsen B, Brixen K.
Risk assessment tools to identify women with increased risk of osteoporotic fracture: complexity or simplicity? A systematic review. J Bone Miner Res. 2013 Aug;28(8):1701-17. doi: 10.1002/jbmr.1956.
