骨质疏松症是一种在更年期后的女性和老年男性人群中非常常见的疾病，这种疾病会导致患病人群发生骨折的风险增加。如果我们能够准确地预测骨质疏松症患者发生骨折的风险，那么对于高风险人群而言，他们将能够在发生骨折之前就接受适当的治疗。这对于患者预防骨折的发生的意义是非常关键的。本文我们希望从由骨质疏松症引发的骨折的研究(Study of Osteoporotic Fracture(SOF)所提供的一个大样本数据出发，通过建立一种分类的算法来识别样本中的发生骨折的高风险个体。　　 我们提出了一种新的算法，这种算法与传统的生存分析中的阶梯式回归的方法是类似的。这种传统的方法是以受限制的平均生存时间为基础的。我们把这种新算法应用到SOF数据来建立一棵分类树。同时，我们还用旧的方法来分别建立另外两棵分类树，并用来与我们的结果作对比。这两棵分类树的建立分别是以log-rank检验统计量和Cox比例风险率模型中的martingale-type残差为基础的。　　 对这三棵分类树两两进行比较的结果显示，以我们提出的新方法为基础的分类规则提供了一种很好的阶段性的预测系统，这个系统不仅是有效的，而且也是稳定的。对于常见的通过运用多风险因素来提供强大而容易理解的分类过程的树结构生存分析而言，我们提出的这种方法也许可以完全去替代它。