Роль искусственного интеллекта в оценке риска остеопороза при сахарном диабете 2 типа: Фармакологические аспекты и персонализированная терапия
DOI:
https://doi.org/10.52889/1684-9280-2026-77-5-jto071Ключевые слова:
сахарный диабет 2 типа, остеопороз, искусственный интеллект, машинное обучение, персонализированная медицина, риск переломовАннотация
Скелетная хрупкость при сахарном диабете 2 типа имеет важное клиническое значение, поскольку риск переломов может оставаться повышенным даже при сохраненной или увеличенной минеральной плотности костной ткани. Такое несоответствие усложняет скрининг, особенно когда традиционные инструменты прогнозирования переломов не учитывают специфические для сахарного диабета факторы, склонность к падениям и показатели качества кости. Дополнительное влияние оказывает сахароснижающая терапия, классы которой различаются по скелетным эффектам, а также быстрое развитие методов искусственного интеллекта для индивидуального прогнозирования риска.
Цель обзора: обобщение данных о риске переломов у взрослых с сахарным диабетом 2 типа, ограничениях существующих инструментов оценки, влиянии сахароснижающего лечения на костные исходы и возможной роли ИИ в персонализированной профилактике переломов.
Методы. Поиск выполнен по четырем заранее определенным тематическим блокам: “сахарный диабет и остеопороз или переломы”, “традиционная оценка риска переломов и трабекулярный костный индекс”, “сахароснижающая терапия и скелетные исходы” и “искусственный интеллект/машинное обучение и прогнозирование переломов”. Основной синтез охватывал публикации 2020–2026 годов. Рассмотрены 20 записей из отобранного библиографически проверенного реестра, из них 19 источников вошли в качественный анализ. Указанные показатели не отражают весь объем первоначальной выдачи поисковой базы, одна более ранняя знаковая когортная работа использована только для контекстного обсуждения.
Результаты. Современные данные подтверждают повышенную частоту переломов при сахарном диабете 2 типа и показывают, что минеральная плотность костной ткани и стандартные расчетные показатели могут неполно отражать скелетную уязвимость. Наиболее устойчивый неблагоприятный скелетный сигнал выявлен для тиазолидиндионов. Результаты по инкретиновой терапии чаще нейтральные или благоприятные, однако зависят от длительности лечения и дизайна исследований. Модели ИИ демонстрируют перспективную дискриминационную способность в отдельных выборках, но неоднородность конечных точек и недостаток внешней валидации пока не позволяют утверждать их универсальное превосходство над традиционными инструментами.
Выводы. Профилактика переломов при сахарном диабете 2 типа должна основываться на интегрированной оценке скелетных, метаболических и связанных с падениями факторов, а клиническое внедрение ИИ требует прозрачной отчетности, калибровки и внешней валидации.
Библиографические ссылки
1. Brandt, I. A. G., Starup-Linde, J., Andersen, S. S., & Viggers, R. (2024). Diagnosing osteoporosis in diabetes—A systematic review on bone mineral density and fractures. Current Osteoporosis Reports, 22(2), 223–244. https://doi.org/10.1007/s11914-024-00867-1
2. Farooqui, K. J., Mithal, A., Kerwen, A. K., & Chandran, M. (2021). Type 2 diabetes and bone fragility—An under-recognized association. Diabetes & Metabolic Syndrome: Clinical Research & Reviews, 15(3), 927–935. https://doi.org/10.1016/j.dsx.2021.04.017
3. Martínez-Montoro, J. I., García-Fontana, B., García-Fontana, C., & Muñoz-Torres, M. (2022). Evaluation of quality and bone microstructure alterations in patients with type 2 diabetes: A narrative review. Journal of Clinical Medicine, 11(8), Article 2206. https://doi.org/10.3390/jcm11082206
4. Cao, Y., Dong, B., Li, Y., Liu, Y., & Shen, L. (2025). Association of type 2 diabetes with osteoporosis and fracture risk: A systematic review and meta-analysis. Medicine, 104(6), e41444. https://doi.org/10.1097/MD.0000000000041444
5. Naderpour, S., Gillies, C., O’Riordan, P., Fahimfar, N., Karimi, Z., Khoramdad, M., Khavere, S., Kundu, M., Khunti, K., & Gharibzadeh, S. (2026). Association between type 2 diabetes and site-specific fracture risk: A systematic review and meta-analysis of cohort studies including over 13 million participants. Diabetic Medicine, 43(5), e70276. https://doi.org/10.1111/dme.70276
6. Agarwal, A., & Leslie, W. D. (2022). Fracture prediction tools in diabetes. Current Opinion in Endocrinology, Diabetes and Obesity, 29(4), 326–332. https://doi.org/10.1097/MED.0000000000000734
7. Jain, R. K., Liu, J. Y., Grant, R. W., Haider, S., Huang, E. S., Laiteerapong, N., Lipska, K. J., Lo, J. C., Moffet, H. H., Parker, M. M., & Karter, A. J. (2025). Biases in the performance of FRAX without BMD in predicting fracture risk in a multiethnic population with diabetes: The Diabetes and Aging Study. Journal of Bone and Mineral Research, 40(4), 478–491. https://doi.org/10.1093/jbmr/zjaf012
8. Kamrul-Hasan, A. B. M., Bhattacharya, S., Ganakumar, V., Nagendra, L., Dutta, D., Aalpona, F. T. Z., & Pappachan, J. M. (2025). Trabecular bone score in type 2 diabetes mellitus: An updated systematic review and meta-analysis. Journal of Clinical Densitometry, 28(4), 101602. https://doi.org/10.1016/j.jocd.2025.101602
9. Trandafir, A.-I., Sima, O.-C., Gheorghe, A.-M., Ciuche, A., Cucu, A.-P., Nistor, C., & Carsote, M. (2023). Trabecular bone score (TBS) in individuals with type 2 diabetes mellitus: An updated review. Journal of Clinical Medicine, 12(23), 7399. https://doi.org/10.3390/jcm12237399
10. Santos Monteiro, S., da Silva Santos, T., Fonseca, L., & Dores, J. (2023). Evaluation of usage of a fracture risk assessment by FRAX tool in adults with type 2 diabetes mellitus. Cureus, 15(2), e35205. https://doi.org/10.7759/cureus.35205
11. Zhang, Y. S., Zheng, Y. D., Yuan, Y., Chen, S. C., & Xie, B. C. (2021). Effects of anti-diabetic drugs on fracture risk: A systematic review and network meta-analysis. Frontiers in Endocrinology, 12, 735824. https://doi.org/10.3389/fendo.2021.735824
12. Tsai, W.-H., Kong, S.-K., Lin, C.-L., Cheng, K.-H., Cheng, Y.-T., Chien, M.-N., Lee, C.-C., & Tsai, M.-C. (2022). Risk of fracture caused by anti-diabetic drugs in individuals with type 2 diabetes: A network meta-analysis. Diabetes Research and Clinical Practice, 192, 110082. https://doi.org/10.1016/j.diabres.2022.110082
13. Saadi, M. S. S., Das, R., Ullas, A. M., Powell, D. E., Wilson, E., Myrtziou, I., Rakieh, C., & Kanakis, I. (2024). Impact of different anti-hyperglycaemic treatments on bone turnover markers and bone mineral density in type 2 diabetes mellitus patients: A systematic review and meta-analysis. International Journal of Molecular Sciences, 25(14), 7988. https://doi.org/10.3390/ijms25147988
14. Zhang, Y., Chen, G., Wang, W., Yang, D., Zhu, D., & Jing, Y. (2025). Association of glucagon-like peptide-1 receptor agonists use with fracture risk in type 2 diabetes: A meta-analysis of randomized controlled trials. Bone, 192, 117338. https://doi.org/10.1016/j.bone.2024.117338
15. Oh, S. A., Park, S. E., & Kim, E. (2025). Evaluation of bone health and fracture risk in type 2 diabetes: A network meta-analysis of anti-diabetic treatments versus placebo. Archives of Pharmacal Research, 48(6), 563–575. https://doi.org/10.1007/s12272-025-01552-2
16. Li, Z., Zhao, W., Lin, X., & Li, F. (2023). AI algorithms for accurate prediction of osteoporotic fractures in patients with diabetes: An up-to-date review. Journal of Orthopaedic Surgery and Research, 18(1), Article 956. https://doi.org/10.1186/s13018-023-04446-5
17. Sadat-Ali, M., Alzahrani, B. A., Alqahtani, T. S., Alotaibi, M. A., Alhalafi, A. M., Alsousi, A. A., & Alasiri, A. M. (2025). Accuracy of artificial intelligence in prediction of osteoporotic fractures in comparison with dual-energy X-ray absorptiometry and the Fracture Risk Assessment Tool: A systematic review. World Journal of Orthopedics, 16(4), 103572. https://doi.org/10.5312/wjo.v16.i4.103572
18. Shi, Y., Fang, J., Li, J., Yu, K., Zhu, J., & Lu, Y. (2026). Fracture risk prediction in diabetes patients based on Lasso feature selection and machine learning. Computer Methods in Biomechanics and Biomedical Engineering, 29(3), 511–527. https://doi.org/10.1080/10255842.2024.2400325
19. Chu, S., Jiang, A., Chen, L., Zhang, X., Shen, X., Zhou, W., Ye, S., Chen, C., Zhang, S., Zhang, L., Chen, Y., Miao, Y., & Wang, W. (2023). Machine learning algorithms for predicting the risk of fracture in patients with diabetes in China. Heliyon, 9(7), e18186. https://doi.org/10.1016/j.heliyon.2023.e18186
20. Giangregorio, L. M., Leslie, W. D., Lix, L. M., & Majumdar, S. R. (2012). FRAX underestimates fracture risk in patients with diabetes. Journal of Bone and Mineral Research, 27(2), 301–308. https://doi.org/10.1002/jbmr.556
21. Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., McGuinness, L. A., Stewart, L. A., Thomas, J., Tricco, A. C., Welch, V. A., Whiting, P., & Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71
22. Shen, Y., Shi, Q., Zou, X., Meng, W., Tian, H., Du, L., & Li, S. (2024). Time-dependent risk of fracture in adults with type 2 diabetes receiving anti-diabetic drug: A one-stage network meta-analysis. Diabetes/Metabolism Research and Reviews, 40(2), e3780. https://doi.org/10.1002/dmrr.3780
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
