📄 medicine

Estimating height using ulna and tibia measurements in paediatric patients

本研究开发并验证了基于尺骨和胫骨测量值的身高预测方程，证明了其在健康儿童中具有极高的准确性，并在门诊临床人群中表现出合理的性能，尽管在患有复杂疾病的儿童中观察到了系统性的高估。

原作者： Alessia Salatto, Mary Fewtrell, Susan Hill, Jonathan Wells, Nara Lara-Pompa

发布于 2026-06-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Alessia Salatto, Mary Fewtrell, Susan Hill, Jonathan Wells, Nara Lara-Pompa

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，要测量一个因为生病而无法站直，或者脊柱弯曲得像个问号的孩子的身高。在医院里，了解一个孩子的准确身高就像在尝试打开一把锁之前，必须先知道钥匙的确切尺寸一样；这对于计算他们需要多少药物或食物至关重要。但如果孩子无法站立，通常使用的测量器（身高计）就没用了。

这篇论文是关于寻找一种更简单的新方法，利用孩子的胳膊和腿骨作为“尺子”来推测其身高。

问题所在：断掉的尺子

通常，医生通过让孩子站在墙边来测量身高。但对于患有严重疾病、脊柱问题或无法行走的孩子来说，这是不可能实现的。让父母去猜测身高，就像是在没有秤的情况下让别人猜一个西瓜有多重——这往往是不准确的。

解决方案：“骨骼尺子”

研究人员想出了一个聪明的办法：你的手臂和腿部的骨头是随着全身比例同步生长的。 如果你知道你的前臂（尺骨）或小腿（胫骨）有多长，你就可以通过数学方法推测出你的身高。

把它想象成一棵树。如果你知道某一根树枝有多长，你就能相当准确地推测出整棵树有多高，即使你因为云层遮挡而看不见树顶。

他们是如何做的：构建“配方”

团队分两步完成了这项工作：

创建配方（健康组）：
他们测量了来自英国的 833 名健康儿童 的数据。他们测量了这些儿童的实际身高，然后使用一种简单的、无弹性的卷尺（就像缝纫工具中常见的那种）测量了他们的前臂和胫骨长度。
- 发现： 他们发现，如果将骨骼长度与孩子的年龄和体重结合起来，就可以创建一个“配方”（数学公式）来非常准确地预测身高。
- 惊喜： 他们原以为男孩和女孩可能需要不同的配方。但一旦加入了“体重”这个变量，男孩和女孩就完美地符合同一个配方。这就像是意识到，无论你是一个瘦小的男孩还是一个瘦小的女孩，你的手臂与身高的比例都是一样的。
测试配方（医院组）：
他们将这些新配方应用于大奥蒙德街医院（Great Ormond Street Hospital）的两组患病儿童身上进行测试：
- A 组（复杂病例组）： 患有非常严重且复杂疾病的住院儿童。
- B 组（囊性纤维化组）： 患有肺部疾病但通常可以走动的营养脆弱型儿童。

测试结果如何？

1. 健康儿童（对照组）：
这些配方运作得非常出色。通过观察骨骼长度、年龄和体重，数学预测的身高高度准确地解释了约 87% 的身高差异。

2. 复杂病例组（“扭曲”的树）：
当他们将这些配方用于患有复杂疾病的儿童时，数学计算高估了他们的身高。

隐喻： 想象你在测量一棵被风暴吹弯的树。“骨骼尺子”说：“根据你的树枝长度，你应该有 10 英尺高。”但因为这棵树弯曲了，所以从地面起算的实际高度只有 8 英尺。
结果： 这些公式预测的儿童身高比实际测量值高出约 4 到 6 厘米。这表明对于这些儿童来说，他们的骨骼可能是正常的，但由于姿势问题，使他们在视觉上显得比基于骨骼“应该”有的身高要矮。

3. 囊性纤维化组（“坚挺”的树）：
对于这一组，结果要接近得多。

结果： 数学计算的结果非常接近真实身高，误差极小（平均不到 1 厘米）。
陷阱： 其中存在一个轻微的模式：数学计算出的矮个子孩子比实际稍高，而高个子孩子则比实际稍矮。这就像一根橡皮筋，在面对矮个子时拉伸得稍微多了一点，而在面对高个子时缩短了一点。

“群体智慧”实验

研究人员尝试了一种叫做“群体智慧”的技巧。他们将自己的新配方与另一项研究中的旧配方混合在一起，并取两者的平均值作为预测。

结果： 并没有起到什么帮助。这就像是询问三个人猜一个罐子里有多少颗软糖，然后取他们的平均值。有时确实会更接近一点，但误差范围（即偏离程度）依然很大。它并没有解决“扭曲的树”在复杂病例组中所面临的根本问题。

核心结论

对于健康儿童： 使用卷尺测量手臂或腿部是推测身高的一种极佳、快速且准确的方法。
对于患病儿童： 这是一个有用的工具，但你必须小心。
- 如果孩子有复杂的姿势问题，数学计算可能会显示他们比实际更高（因为他们的骨骼很长，但无法站直）。
- 如果孩子患有像囊性纤维化这样的疾病但可以站立，那么数学计算的效果非常好。

总结： 这项研究为医生提供了一个新的、简单的工具（卷尺），用于在常规测量方法失效时估算身高。然而，就像任何地图一样，它在它所绘制的地形中最准确。当“地形”（孩子的身体）因严重疾病而变得非常不同时，地图可能需要进行调整。研究人员警告说，虽然这对于群体患者非常有用，但对于单个非常严重的病例，使用该方法时需要谨慎。

技术摘要：利用儿童尺骨与胫骨长度估算身高

问题陈述
准确的身高（HT）测量是儿科临床评估的基石，对于计算体重指数（BMI）、药物剂量的体表面积（BSA）以及监测生长发育至关重要。然而，对于非步行儿童、存在骨骼畸形或患有神经肌肉疾病的患者，标准的立姿身高计测量往往不可靠或无法实施。虽然存在替代方法，但这些方法通常依赖于特定的亚群、僵硬的设备或复杂的影像学技术（如 DXA），从而限制了其普适性和在常规临床环境中的实用性。因此，需要一种简单、低成本且准确的方法，用于在无法进行直接测量的多样化儿科人群中估算身高。

研究方法
本研究采用了两阶段方法，包括推导预测方程及其在临床队列中的后续验证。

推导阶段： 利用来自健康英国儿童的匿名数据开发预测方程。
- 队列： 700 名儿童（4–14 岁）提供了尺骨测量数据，133 名儿童（10–17 岁）提供了胫骨测量数据。
- 测量： 使用标准化技术对站立身高、体重和节段长度进行重复测量。使用不可拉伸的卷尺测量尺骨（鹰嘴至腕骨茎突）和胫骨（内侧膝关节线至内踝）长度，以确保临床可行性。
- 统计分析： 使用多元线性回归模型进行身高预测。模型测试了将年龄、性别和体重作为额外预测因子的有效性。使用调整后的 $R^2$ 来评估拟合优度。
验证阶段： 将推导出的方程在圣玛丽医院（GOSH）的两个临床队列中进行了测试：
- BodyBasics (BB) 队列： $n=17$ 名患有复杂疾病和/或慢性疾病的儿童，通常为非步行或存在姿势异常。
- 囊性纤维化 (CF) 队列： $n=58$ 名临床状态稳定、主要能行走的确诊囊性纤维化儿童。
- 分析： 使用 Bland–Altman 分析（平均偏差和 95% 一致性界限）评估测量身高与预测身高之间的一致性。相关系数评估线性关系，并测试了比例偏差。此外，还探索了“群体智慧”法，即通过平均新方程与先前已发表模型（Gauld 等）的预测值来进行计算。

核心贡献

开发了针对英国人群的特定方程： 本研究提供了专门针对基于卷尺测量的尺骨和胫骨长度的新型身高预测方程，这些方程是基于大规模健康的英国儿童群体定制的。
简化的测量方案： 不同于以往依赖刚性人体测量仪或影像学的研究，本研究验证了使用简单的不可拉伸卷尺的可行性，增强了在常规临床实践中的实用性。
变量优化： 研究表明，虽然性别在单独作用时是一个显著的预测因子，但在模型中加入年龄和体重后，性别变得不再显著。这使得可以为每个骨骼节段创建统一的方程，而非性别特异性方程。
对比验证： 新方程经过了两个不同临床群体（复杂/慢性疾病组 vs. 步行/营养脆弱组）以及现有模型（Gauld 等）的严格对比验证。

结果

推导性能： 在健康儿童中，基于尺骨和胫骨的方程均显示出强大的预测准确性。纳入年龄和体重后，调整后的 $R^2$ $R^{2}$ 从约 0.79（仅骨骼长度）提升至 0.87。在最终模型中，性别并非显著的预测因子。
- 尺骨方程 (4–14 岁)： $HT (cm) = 53.722 + 2.438 \times U + 1.837 \times A + 0.367 \times WT$
- 胫骨方程 (10–17 岁)： $HT (cm) = 58.602 + 2.075 \times T + 1.219 \times A + 0.226 \times WT$
临床验证 (BB 队列)： 两种方程均一致地高估了复杂疾病儿童的身高（尺骨平均偏差 +4.0 cm，胫骨平均偏差 +6.1 cm）。虽然相关性呈中等到高度相关，但一致性界限较宽，且未检测到比例偏差，这表明存在系统性高估，可能由于该组人群难以获得可靠的站立身高所致。
临床验证 (CF 队列)： 基于胫骨的模型显示出极小的整体系统误差（平均偏差 +0.8 cm），但表现出显著的比例偏差。该模型倾向于高估较矮儿童的身高，而低估较高儿童的身高。
聚合预测： 将新方程与 Gauld 等人的预测相结合（“群体智慧”法），在某些情况下降低了平均偏差，但并未显著改善一致性界限或消除系统误差。

意义与声明
本文声称，基于卷尺的尺骨和胫骨测量为估算健康儿童身高提供了实用的工具，并且在步行临床人群（如 CF 队列）中表现良好。研究强调，由于这些方法成本低且对设备要求极低，因此在日常实践中具有可行性。

然而，作者对临床应用保持了谨慎的态度。他们指出，在 BB 队列（复杂疾病儿童）中观察到的系统性高估，强调了在更大规模、更具异质性的队列中进行进一步验证的必要性，特别是对于那些无法进行直接身高测量的群体。作者警告说，虽然这些方程对于群体水平的评估非常有用，但在用于个体患者评估时应谨慎对待，特别是对于体型比例发生改变或存在疾病相关生长障碍的儿童。研究结论认为，虽然新方程通常能提供比以往模型更接近测量身高的估计值，但它们并未完全解决个体层面的不精确问题。