基于牙周参数的脑小血管病负荷探索性列线图的开发与内部验证

摘要

本方案描述了一种探索性列线图的开发及内部验证过程，该列线图整合了牙周参数与传统危险因素，用于估算脑小血管病负担，实现个体化的风险分层。

摘要

脑小血管病（CSVD）是卒中和认知功能下降的主要原因，但牙周病对整体CSVD负担的贡献尚不明确。本研究旨在开发并进行内部验证一种探索性临床列线图，纳入牙周参数以评估较高的CSVD负担。共234名个体接受了磁共振成像（MRI）以评估总体CSVD负担（评分0–4）。记录牙周炎严重程度和保留牙齿数量。通过最小绝对收缩与选择算子（LASSO）回归筛选出最优预测因子，并将其纳入多变量逻辑回归模型以构建列线图，随后对该列线图的区分度、校准度及临床效用进行评估。限制性立方样条分析显示牙齿缺失与高CSVD负担之间存在线性剂量-反应关系（非线性检验P值 = 0.332）。多变量分析确定高龄和高血压为独立预后因素；然而，在校正后，重度牙周炎（P = 0.580）和重度牙齿缺失（P = 0.112）的关联减弱，且不再独立地与高CSVD负担相关。该列线图表现出中等程度的区分能力（曲线下面积 = 0.675）以及良好的自助法验证校准度（平均绝对误差 = 0.038）。决策曲线分析提示在选定的风险阈值范围内具有潜在临床效用，但由于缺乏外部验证，解释仍属探索性质。尽管重度牙周炎和牙齿缺失在单变量分析中与高CSVD负担相关，但在多变量校正后并非独立预测因子。这一探索性列线图为个体化风险分层提供了初步可视化框架，但在临床应用前仍需进一步的外部验证。

引言

脑小血管病（CSVD）是一种慢性且隐匿性的脑微血管疾病，被广泛认为是老年人群中卒中、认知功能下降和运动障碍的主要血管性病因¹。传统上，CSVD 的各个磁共振成像（MRI）标志物，包括白质高信号（WMH）、腔隙性梗死、脑微出血（CMBs）和扩大的血管周围间隙（EPVS），均被独立评估。然而，这些神经影像学表型常共同存在，并由共同的病理机制驱动，尤其是内皮功能障碍和微血管渗漏²。因此，近期的共识声明推荐采用总CSVD负荷评分系统³。这一整合性指标相较于单一影像标志物，能更全面地反映脑微血管损伤的累积影响，并为整体神经系统功能恶化提供更优的预测指标⁴。

脑小血管病（CSVD）的病因尚未完全明确；然而，慢性低度全身性炎症 increasingly 被认为是导致脑血管内皮损伤和血脑屏障破坏的关键因素⁵。在此背景下，牙周炎——一种由菌群失调的生物膜引发、影响牙齿支持组织的高发性炎症性疾病——在“口腔-脑轴”的框架下，已被视为神经血管疾病中一种潜在可干预的危险因素⁶。重度牙周炎不仅会导致牙槽骨进行性破坏并最终引发牙齿脱落，还可作为牙周致病菌和促炎性细胞因子的持续储存库⁷。这些炎症介质可进入全身循环，从而促进血管重塑和动脉粥样硬化形成⁸。

近期的流行病学研究已表明，重度牙周炎与缺血性卒中风险增加之间存在关联⁹。然而，关于其与脑小血管病（CSVD）累积负担之间关系的证据仍有限且零散。此外，牙齿缺失作为牙周病最终的临床后果，已被证实与认知功能下降及心血管死亡率相关¹⁰。但牙齿缺失与脑血管损伤之间的剂量-反应关系仍不明确。具体而言，尚不清楚在剩余牙齿数量达到某一临界阈值后，CSVD 风险是否随之增加，或该风险是否遵循连续线性的剂量-反应模式。

尽管牙周破坏与脑微血管损伤之间的关联在生物学上是合理的，但介导这一关联的全身免疫炎症机制仍需进一步阐明。传统的炎症生物标志物，包括单独的白细胞亚群计数和高敏C反应蛋白，可能无法充分反映临床环境中宿主免疫炎症反应的复杂性。全身免疫炎症指数（Systemic Immune-Inflammation Index, SII）是近年来出现的一种综合性炎症生物标志物¹¹，其通过外周血血小板、中性粒细胞和淋巴细胞计数计算得出。SII反映了全身炎症活性与免疫状态之间的平衡。升高的SII水平在多种脑血管疾病中已显示出预后价值，可用于预测急性脑卒中严重程度和不良功能结局，同时也与总体脑小血管病负荷、认知功能障碍以及牙周炎的分级诊断相关^12,13。由于牙周炎可引发慢性全身性炎症，联合评估SII与牙周参数可能有助于更好地识别隐匿性脑微血管损伤的高危个体。

尽管口腔-脑轴的研究日益受到关注，但现有文献仍存在若干方法学上的局限性。大多数研究仅聚焦于单个脑小血管病（CSVD）影像学标志物或单一的口腔健康参数，未能将牙周炎严重程度、其最终临床结局（牙齿缺失）以及全身免疫炎症反应整合到统一的评估体系中。更重要的是，临床实践需要实用的风险评估工具，然而目前仍缺乏基于口腔与全身炎症特征联合分析、用于识别CSVD高风险患者的可视化工具，例如列线图（nomograms）。现有的CSVD风险评估方法主要依赖于个别生物标志物或传统的 demographics 因素，可能无法充分反映全身性炎症与口腔健康之间的多因素相互作用。此外，构建可靠的预测模型需要稳健的变量筛选方法。传统方法（如逐步回归）在应用于高维临床数据集时可能不稳定，并易受相关预测变量的影响。最小绝对收缩与选择算子（least absolute shrinkage and selection operator, LASSO）回归通过系数惩罚机制减少过拟合，能够识别出对模型构建最具信息量的预测因子，从而应对上述挑战¹⁴。

鉴于上述知识空白，本研究设计了一项回顾性横断面研究，旨在实现两个主要目标。首先，我们拟通过限制性立方样条（RCS）分析，刻画残余牙数量与高负荷脑小血管病（CSVD）之间的剂量-反应关系，以评估潜在的非线性阈值效应及线性趋势。其次，我们尝试基于LASSO方法进行变量筛选，构建一个探索性临床列线图，并评估牙周参数在传统危险因素基础上对风险重新分类的增量贡献。我们假设，将牙周状况、牙齿缺失和全身免疫炎症指数（SII）整合到一个多维模型中，可为估算累积性脑小血管病负荷提供一种探索性可视化框架，并提升个体化风险分层的准确性。在临床实践中，所提出的列线图旨在作为一种快速、无创的辅助工具，帮助神经科医生识别可能从早期脑血管评估或多学科牙科评估中获益的患者。然而，由于该模型具有探索性质，判别能力有限，且缺乏外部验证，因此不应将其视为基于磁共振成像（MRI）诊断的替代手段。此外，在存在活动性急性感染、严重自身免疫性疾病或近期创伤的患者中，其应用可能受限，因为这些情况可能显著影响全身性炎症生物标志物，进而干扰风险评估的准确性。

方案

本项回顾性横断面关联研究连续纳入了2022年1月至2024年12月期间因头晕、头痛、脑卒中筛查或认知评估而入住常州第二人民医院神经内科的患者。由于本研究为回顾性、非干预性研究，且使用完全匿名化数据，因此免除了知情同意要求。本研究经常州第二人民医院临床医学技术伦理委员会批准（伦理审查批件号：[2023] YLJSA069），并按照机构指南开展。

研究设计与患者人群

最初评估了850名患者。排除标准严格定义如下：（1）缺乏完整的颅脑MRI序列（特别是缺少磁敏感加权成像[SWI]，无法准确评估微出血）；（2）缺乏详细的牙周探查记录或全口牙齿计数数据；（3）血常规数据不完整，无法计算全身免疫炎症指数（SII）；（4）有大面积脑卒中、脑肿瘤、创伤性脑损伤或中枢神经系统感染病史；（5）在过去一个月内存在活动性急性感染、严重自身免疫性疾病或恶性肿瘤，以尽量减少对全身炎症标志物的混杂影响。为确保数据完整性，采用完整病例分析方法，即缺失任何核心临床影像学参数的个体均被排除。经筛选后，共有234名符合条件的参与者纳入分析。该样本包含129例高负担事件，满足多变量建模稳定性所需“每变量事件数”（EPV）＞10的经验法则。

牙周状况与炎症的评估

两名经过校准的牙周病专家使用标准化的牙周探针进行所有临床口腔评估。

研究开始前，两名检查员均接受了标准化培训，且检查者间的一致性良好（Cohen’s κ = 0.82）。每个牙齿在六个位点测量探诊袋深度（PPD）和临床附着水平（CAL）。根据Tonetti等人¹⁵提出的2018年分类框架，将牙周病分为轻度/无、中度或重度。具体分类如下：（1）轻度/无牙周炎（包括牙周健康和I期牙周炎），定义为牙周附着丧失最严重位点的邻面临床附着水平（CAL）≤2 mm，探诊袋深度（PPD）≤4 mm，且无牙周炎相关的牙齿缺失；（2）中度牙周炎（II期牙周炎），定义为邻面CAL为3–4 mm，最大PPD ≤5 mm，且因牙周炎导致的牙齿缺失不超过四颗；（3）重度牙周炎（III/IV期牙周炎），定义为邻面CAL ≥5 mm，PPD ≥6 mm，和/或因牙周破坏导致四颗及以上牙齿缺失¹⁵。

每位参与者的留存牙数量也被记录下来。由于保持至少20颗功能牙是维持基本口腔功能和成功口腔老化的广泛接受的临床标准^16,17,18，原始牙数被转换为一个二分类变量：重度牙齿丧失（<20颗牙）与非重度牙齿丧失（≥20颗牙）。

关于全身性炎症，系统性免疫炎症指数（SII）基于入院时采集的空腹血样得出。静脉血样采集至含EDTA的试管中，并按照医院临床检验科的标准操作流程进行处理，随后使用全自动血细胞分析仪检测中性粒细胞、淋巴细胞和血小板计数。该指数的计算公式为：

为校正 SII 值高度偏斜的分布，在纳入统计分析前对其进行了自然对数转换（Log_SII）。

磁共振成像采集与总脑小血管病负荷

所有受试者均使用配备标准头部线圈的3.0 T磁共振成像（MRI）扫描仪进行标准化颅脑MRI检查。成像方案包括T1加权、T2加权、液体衰减反转恢复（FLAIR）和磁敏感加权成像（SWI）序列，层厚均为5 mm。标准成像参数设置如下：T1加权成像（重复时间[TR] = 2,000 ms，回波时间[TE] = 9 ms，视野[FOV] = 230 × 230 mm²，矩阵大小 = 256 × 256）；T2加权成像（TR = 4,500 ms，TE = 85 ms，FOV = 230 × 230 mm²，矩阵大小 = 256 × 256）；液体衰减反转恢复（FLAIR）成像（TR = 8,500 ms，TE = 120 ms，反转时间[TI] = 2,400 ms，FOV = 230 × 230 mm²，矩阵大小 = 256 × 256）；以及磁敏感加权成像（SWI）（TR = 28 ms，TE = 20 ms，翻转角 = 15°，FOV = 230 × 230 mm²，矩阵大小 = 256 × 256）。所有序列的层厚均为5 mm，层间距为1.0 mm。具体扫描仪型号见材料表。脑小血管病（CSVD）的影像学标志由两名对受试者临床资料不知情的神经影像医师独立评估。总体CSVD负荷评分的评估者间一致性较高（Cohen’s κ = 0.85）。任何分歧均由第三位高级医师共同协商达成一致。

根据既定的国际共识^1,3，通过评估四种神经影像学特征，将脑小血管病（CSVD）的累积负荷量化为0至4分的评分体系。以下每项MRI发现各计1分：（1）至少存在一个腔隙性梗死灶；（2）一个或多个脑微出血灶（CMBs）；（3）基底节区中度至重度扩大的血管周围间隙（EPVS，分级≥2）；（4）严重的脑白质高信号（WMH），定义为深部白质Fazekas评分≥2或脑室旁区域Fazekas评分3。诊断标准严格遵循《神经影像学血管改变报告标准》（STRIVE-1）国际共识¹。脑白质高信号（WMH）采用Fazekas量表进行分级¹⁹，基底节区扩大的血管周围间隙（EPVS）则采用Potter等人提出的经验证的4级视觉评分量表进行评估²⁰。在构建风险评估模型时，将CSVD总负荷评分≥2的患者归类为高CSVD负荷，因为该阈值始终与认知功能加速下降及死亡率相关^21,22,23。

协变量数据收集

患者的 demographic 特征和临床病史从机构的电子健康记录中提取。收集的变量包括年龄、性别、体重指数（BMI）、吸烟状况和饮酒情况。此外，还记录了每位参与者的 cardiometabolic 和血管合并症，包括血脂异常、糖尿病、高血压、冠状动脉疾病（CAD）、心肌梗死（MI）病史以及既往缺血性卒中史。

所有合并症均通过查阅住院病历中记录的医师诊断、用药史以及常规入院实验室和影像学检查结果，并依据既定的临床指南予以确认。高血压定义为收缩压≥140 mmHg、舒张压≥90 mmHg，或正在接受抗高血压治疗。糖尿病定义为空腹血浆葡萄糖浓度≥7.0 mmol/L、糖化血红蛋白（HbA1c）≥6.5%，或正在使用降糖药物。血脂异常定义为存在空腹血清脂质异常或正在接受降脂治疗。冠状动脉疾病（CAD）、心肌梗死（MI）病史以及既往缺血性脑卒中均通过电子健康记录系统中记载的临床病史及既往神经血管或心脏影像学报告予以确认。

统计分析与模型构建

在进行统计分析之前，采用Shapiro-Wilk检验评估连续变量的正态性。分类变量的描述性统计结果以例数（百分比）表示，并根据情况采用Pearson卡方检验或Fisher精确检验进行比较。符合正态分布的连续变量以均值±标准差表示，并采用Student t 检验进行组间比较；对于非正态分布的连续变量，则以中位数（四分位间距）表示，并采用Mann-Whitney U 检验进行比较。为探讨保留牙数量与高脑小血管病负荷风险之间可能存在的非线性剂量-反应关系，构建了一个校正了年龄、高血压和Log_SII的限制性立方样条（RCS）模型，该模型在牙齿数量分布的第5、35、65和95百分位数处设置4个节点。采用方差分析（ANOVA）对非线性关系进行正式检验，以判断阈值效应或连续线性趋势哪种更适于解释所观察到的关联。

在存在相关预测变量的情况下进行变量筛选时，将所有基线变量纳入LASSO回归模型。通过10折交叉验证确定最优调参参数（λ），并根据最小二项偏差准则（λ_min）进行选择。保留具有非零系数的变量用于后续分析。随后将筛选出的变量纳入多变量逻辑回归模型，以估计其与较高脑小血管病负担相关性的比值比（OR）及95%置信区间（CI）。最终的多变量模型被用于构建一个探索性临床列线图，以实现个体化风险预测。

为了评估牙周参数的增量价值，将一个基线模型（包含年龄、高血压和Log_SII）与一个纳入牙周炎分级和牙齿数量的扩展模型进行了比较。模型性能通过多种互补的指标进行评估。采用受试者工作特征曲线下面积（AUC）评价模型的区分能力，并使用DeLong检验比较模型间的差异²⁴。在由最大Youden指数确定的最佳截断值下，还计算了敏感性、特异性、阳性预测值（PPV）和阴性预测值（NPV）。采用连续净重新分类改善（NRI）和综合判别改善（IDI）指标量化扩展模型提供的增量风险重新分类效果²⁵。校准性能通过使用rms包进行1,000次自助法重采样生成的校准图进行评估，并计算预测风险与实际观察风险之间的平均绝对误差。为校正潜在的过拟合问题并提供对模型性能的无偏估计，自助法验证中包含了乐观度校正，同时报告了经偏倚校正和表观的模型性能。采用决策曲线分析（DCA）通过估计在不同阈值概率范围内的净获益来评估模型潜在的临床实用性。所有统计分析和可视化均使用统计软件及rms、glmnet、pROC、PredictABEL和dcurves包完成。统计学显著性定义为双侧P值<0.05。

结果

研究设计与患者人群

在排除了因严重混杂性疾病或缺乏临床影像学数据的616名个体后，最终分析纳入了234名因神经系统评估而入院的合格参与者（图1）。根据总体脑小血管病（CSVD）评分，参与者被分为高负荷组（n = 129）和低负荷组（n = 105）。两组基线人口统计学和临床特征见表1。高CSVD负荷组参与者年龄大于低负荷组（67.71 ± 7.41岁 vs. 64.91 ± 7.74岁，P = 0.005），且高血压患病率更高（63.6% vs. 48.6%，P = 0.024）。高负荷组既往缺血性卒中的患病率也较高，但差异未达到统计学显著性（21.7% vs. 12.4%，P = 0.076）。在口腔健康参数方面，高负荷组重度牙周炎的患病率更高（52.7% vs. 16.2%，P < 0.001），平均探诊袋深度（PPD；4.88 mm vs. 2.54 mm，P < 0.001）和临床附着丧失水平（CAL；4.54 mm vs. 2.12 mm，P < 0.001）也更大。高负荷组保留的天然牙数目更少（18.39 ± 8.15 vs. 24.36 ± 6.21，P < 0.001）。此外，高负荷组的Log_SII值高于低负荷组（6.48 ± 0.52 vs. 6.27 ± 0.45，P = 0.001）。两组在吸烟状况、体重指数及性别分布上无显著差异。

图1．研究参与者筛选流程图。 本流程图展示了回顾性横断面研究中参与者的筛选过程。纳入2022年1月至2024年12月期间因头晕、头痛、脑卒中筛查或认知评估而连续入住中国常州第二人民医院神经内科的患者进行筛选。随后依次应用排除标准，并将最终入选的参与者分为脑小血管病（CSVD）低负荷组和高负荷组。请点击此处查看该图的放大版本。

变量	低 CSVD 负荷 (n = 105)	高 CSVD 负荷 (n = 129)	P 值
年龄（岁），均值 ± 标准差	64.91 ± 7.74	67.71 ± 7.41	0.005
男性，n (%)	49 (46.7)	69 (53.5)	0.358
体重指数（kg/m²），均值 ± 标准差	24.24 ± 2.92	23.62 ± 3.12	0.122
高血压，n (%)	51 (48.6)	82 (63.6)	0.024
糖尿病，n (%)	27 (25.7)	30 (23.3)	0.76
血脂异常，n (%)	55 (52.4)	59 (45.7)	0.358
冠状动脉疾病，n (%)	20 (19.0)	26 (20.2)	0.87
心肌梗死，n (%)	4 (3.8)	4 (3.1)	>0.999*
既往缺血性卒中，n (%)	13 (12.4)	28 (21.7)	0.076
牙周炎分级，n (%)			<0.001
健康/轻度	45 (42.9)	21 (16.3)
中度	43 (41.0)	40 (31.0)
重度	17 (16.2)	68 (52.7)
留存牙数目，均值 ± 标准差	24.36 ± 6.21	18.39 ± 8.15	<0.001
平均探诊袋深度（PPD，mm），中位数（四分位距）	2.54 (2.12–4.13)	4.88 (3.65–6.21)	<0.001
平均临床附着水平（CAL，mm），中位数（四分位距）	2.12 (0.89–3.76)	4.54 (3.12–6.45)	<0.001
Log_SII，均值 ± 标准差	6.27 ± 0.45	6.48 ± 0.52	0.001
高敏C反应蛋白（hs-CRP，mg/L），中位数（四分位距）	1.45 (0.76–2.54)	2.89 (1.56–4.32)	<0.001
同型半胱氨酸（Hcy，µmol/L），中位数（四分位距）	12.34 (9.87–15.65)	15.76 (12.45–19.82)	<0.001

表1： 根据脑小血管病（CSVD）负荷划分的研究人群基线特征。连续变量以均值±标准差（SD）或中位数（四分位间距[IQR]）表示，视情况而定。分类变量以例数（百分比）表示。* 由于单元格频数较小，采用Fisher确切概率法计算P值。除非另有说明，其余分类变量的比较均采用Pearson卡方检验。缩略语：BMI，体重指数；CAL，临床附着水平；CAD，冠状动脉疾病；CSVD，脑小血管病；DM，糖尿病；Hcy，同型半胱氨酸；hs-CRP，高敏C反应蛋白；HTN，高血压；IQR，四分位间距；Log_SII，全身免疫-炎症指数的自然对数；MI，心肌梗死；PPD，探诊袋深度；SD，标准差；SII，全身免疫-炎症指数。

牙周状况与炎症的评估

根据牙周炎分级的总体脑小血管病（CSVD）负担评分分布情况见图2。随着牙周炎严重程度的增加，CSVD评分较高的参与者比例也随之上升，Cochran-Armitage检验显示该趋势具有统计学意义（P < 0.001）。进一步采用限制性立方样条（RCS）分析评估留存牙齿数量与高CSVD负担可能性之间的关联（图3）。在对年龄、高血压和Log_SII进行校正后，正式检验支持线性剂量-反应模式，而非非线性阈值效应（非线性检验的P值 = 0.332）。随着留存牙齿数量的减少，出现高CSVD负担的估计概率逐步升高。然而，由于在最低牙齿数量范围内的置信区间较宽，其估计值应谨慎解读。

图2。根据牙周炎分级的脑部小血管病（CSVD）总体负担分布情况。 堆积柱状图显示了健康/轻度、中度和重度牙周炎在CSVD总体负担评分（0–4）中的比例分布。Cochran-Armitage趋势检验表明，随着CSVD负担增加，牙周炎严重程度呈显著上升趋势（趋势性 P 值 <0.001）。请点击此处查看该图的放大版本。

图3．保留牙齿数量与脑部小血管病（CSVD）高负荷之间关联的限制性立方样条分析。 限制性立方样条（RCS）模型显示了在调整年龄、高血压及全身免疫-炎症指数自然对数（Log_SII）后，保留牙齿数量与CSVD高负荷的对数优势比之间的关联。实心红线表示估计的对数优势比，阴影区域表示95%置信区间（CI）。非线性检验无统计学意义（非线性检验的P值 = 0.332），提示呈线性关联。由于低牙齿数量时置信区间较宽，因此对该范围内的估计值应谨慎解读。请点击此处查看该图的放大版本。

统计分析与模型构建

在基线参数中，采用带10折交叉验证的最小绝对收缩与选择算子回归（least absolute shrinkage and selection operator regression）进行变量筛选（补充图1）。该过程保留了年龄、高血压、牙周炎分级和残留牙齿数量作为核心特征。在随后的多变量逻辑回归模型（表2）中，年龄（比值比 [OR] = 1.06，95% 置信区间 [CI]：1.02–1.10，P = 0.008）和高血压（OR = 2.02，95% CI：1.16–3.55，P = 0.014）与较高的脑小血管病（CSVD）负荷独立相关。重度牙周炎（OR = 1.73，95% CI：0.25–12.19，P = 0.580）和残留牙齿数量（OR = 0.94，95% CI：0.87–1.01，P = 0.112）未达到统计学显著性，表明在进行多变量校正后，其关联性减弱。这些牙周参数仍保留在最终模型中作为探索性分析特征。重度牙周炎与高CSVD负荷之间关联的亚组分析结果见于补充图2。该关联的方向在预先设定的各亚组中总体一致。具体而言，女性中的OR为1.88（95% CI：0.19–18.57），男性中为1.76（95% CI：0.12–25.14）；合并高血压参与者中为2.44（95% CI：0.21–28.53），无高血压者中为1.48（95% CI：0.11–19.34）；年龄≥65岁者中为2.12（95% CI：0.23–19.82），年龄＜65岁者中为1.45（95% CI：0.10–21.05）。在性别（P_interaction = 0.916）、高血压状态（P_interaction = 0.627）和年龄（P_interaction = 0.684）方面均未观察到具有统计学意义的交互作用，表明在这些探索性亚组分析中无证据显示效应修饰作用。

变量	比值比 (OR)	95% 置信区间 (CI)	P 值
年龄	1.06	1.02–1.10	0.008
高血压	2.02	1.16–3.55	0.014
Log_SII	0.35	0.07–1.81	0.214
保留牙数	0.94	0.87–1.01	0.112
牙周炎分级
健康/轻度（参考）	1	—	—
中度	1.41	0.51–3.90	0.51
重度	1.73	0.25–12.19	0.58

表2： 与脑小血管病（CSVD）高负荷相关因素的多变量逻辑回归分析。 多变量逻辑回归模型中包含的变量通过最小绝对收缩与选择算子（LASSO）回归筛选获得。以健康/轻度牙周炎作为参照类别。保留牙数的比值比（OR）表示每多保留一颗牙齿，出现CSVD高负荷的比值变化。缩写：CI，置信区间；CSVD，脑小血管病；LASSO，最小绝对收缩与选择算子；Log_SII，全身免疫-炎症指数的自然对数；OR，比值比。

基于最终的多变量模型构建了一个临床列线图，作为个体化脑小血管病（CSVD）风险评估的探索性可视化框架（图4）。该列线图展示了年龄、高血压、Log_SII、牙周炎分级和残留牙数目对高CSVD负荷估计概率的贡献。为了评估牙周参数可能带来的增量价值，将包含年龄、高血压和Log_SII的基线模型与额外纳入牙周炎分级和残留牙数目的扩展模型进行了比较（表3）。受试者工作特征分析显示，扩展模型的AUC为0.688（95% CI：0.621–0.755），基线模型的AUC为0.656（95% CI：0.587–0.726）；根据DeLong检验，两者差异无统计学意义（P = 0.263）（图5A）。扩展模型的连续净重新分类改善（NRI）为0.454（P < 0.001），IDI为0.052（P < 0.001）。通过1,000次自助法重采样评估校准度。校准图显示估计事件概率与实际观察概率之间具有良好一致性，平均绝对误差为0.038（图5B）。决策曲线分析（DCA）表明，在选定的阈值概率范围内，扩展模型具有潜在的净获益（图6）。然而，由于AUC的提升未达到统计学显著性且未进行外部验证，这一表观获益应谨慎解读。

指标	基线模型	扩展模型	P 值 / 改进程度
AUC（95% CI）	0.656（0.587–0.726）	0.688（0.621–0.755）	0.263（DeLong）
灵敏度	—	0.512	—
特异度	—	0.8	—
阳性预测值（PPV）	—	0.759	—
阴性预测值（NPV）	—	0.571	—
连续净重分类改善指数（NRI）	—	0.454	<0.001
综合判别改善指数（IDI）	—	0.052	<0.001

表3： 基线模型与扩展模型之间预测性能的比较。 基线模型包含年龄、高血压和Log_SII。扩展模型额外纳入了牙周炎分级和余留牙数目。采用受试者工作特征曲线下面积（AUC）评估模型的区分能力，并使用DeLong检验比较AUC之间的差异。根据Youden指数最大值确定的最佳截断点，计算灵敏度、特异度、阳性预测值（PPV）和阴性预测值（NPV）。采用连续净重新分类改善（NRI）和综合判别改善（IDI）评估扩展模型的增量预测性能。缩写：AUC，受试者工作特征曲线下面积；CI，置信区间；IDI，综合判别改善；Log_SII，全身免疫-炎症指数的自然对数；NPV，阴性预测值；NRI，净重新分类改善；PPV，阳性预测值。

图4．用于估算脑小血管病（CSVD）高负荷概率的列线图。 该列线图基于最终的多变量逻辑回归模型构建。要估算个体出现CSVD高负荷的概率，请找到该患者每个预测因子对应的数值，在“Points”（评分）轴上获取相应的分数，将各项分数相加得到总分，再将总分映射到概率刻度上，以估计其CSVD高负荷的预测风险。请点击此处查看此图的放大版本。

图 5．预测模型的区分能力与校准。 （A）受试者工作特征（ROC）曲线比较基础模型与扩展模型。采用受试者工作特征曲线下面积（AUC）评估模型的区分能力，模型间的差异通过DeLong检验进行评价。（B）使用1,000次自助重采样生成的扩展模型的校准图。图中同时显示了表观校准曲线、偏倚校正后的校准曲线和理想校准曲线，以及置信界限（CL）。校准性能通过预测概率与观测概率之间的平均绝对误差进行评估。请点击此处查看本图的放大版本。

图6。预测模型的决策曲线分析。 决策曲线分析（DCA）比较了基线模型与扩展模型在不同阈值概率范围内的净获益情况。“全部治疗”和“不治疗任何人”策略作为参考曲线显示。 请点击此处查看该图的放大版本。

总体而言，研究结果表明牙周病严重程度、牙齿缺失与高负荷脑小血管病（CSVD）之间存在显著的未经调整的关联，同时残余牙数量减少与CSVD风险增加之间呈线性关系。然而，在进行多变量调整后，重度牙周炎和残余牙数量与高负荷CSVD之间并无独立关联。这些发现支持在初步风险可视化模型中探索性地使用牙周参数，但不支持将其解释为独立预测因子，也不支持将列线图作为临床可用的筛查工具。

数据可用性：

本研究中报告结果所依据的去识别化个体参与者数据集作为补充表1提供，并随本稿件一同提交。

补充图1. 使用最小绝对收缩与选择算子（LASSO）回归进行变量选择。 调优参数（λ）通过基于二项偏差的10折交叉验证进行优化。垂直虚线表示对应于最小准则值和一标准误（1-SE）准则的最优λ值。请点击此处下载该文件。

补充图2. 重度牙周炎与高负荷脑小血管病（CSVD）关联的亚组分析。 森林图显示了在预定义的各个亚组中，重度牙周炎与高CSVD负荷之间关联的比值比（OR）及其95%置信区间（CI）。垂直虚线表示OR为1.0。请点击此处下载该文件。

补充表1：支持本研究中分析结果的去标识化个体参与者数据集。 该数据集包含匿名的人口统计学特征、血管风险因素、牙周检查变量、实验室检测指标、磁共振成像（MRI）结果、脑小血管病（CSVD）负荷评分以及用于统计分析的评估者间一致性评估变量。各变量定义与“方案”部分所述一致。请点击此处下载该文件。

讨论

本研究探讨了牙周组织破坏、存留牙数与脑小血管病（CSVD）累积负荷之间的关系，并据此构建了一个探索性临床列线图。尽管单变量分析显示重度牙周炎、牙齿缺失与高CSVD负荷之间存在关联，但在调整了年龄、高血压等传统心血管危险因素后，多变量逻辑回归分析表明，重度牙周炎（P = 0.580）和存留牙数（P = 0.112）与高CSVD负荷之间并无独立关联。因此，在本队列中，这些牙周参数不应被视为高CSVD负荷的独立预测因子。相反，其观察到的关联在多变量校正后减弱。以往关于口腔健康与脑血管疾病关系的研究主要关注单一神经影像学标志物，例如腔隙性梗死或脑白质高信号负荷²⁶。相比之下，本研究依据当前神经影像学建议及脑小血管病的概念框架，采用总的CSVD负荷评分作为主要结局指标，从而更全面地评估弥漫性脑微血管损伤^1,3,27。

RCS分析的一个显著发现是，未观察到具有统计学意义的非线性关联（非线性检验的P值 = 0.332），这支持了保留牙数量减少与高脑小血管病负荷概率增加之间存在连续的线性关系，而非明显的阈值效应。用于分层的20颗保留牙的阈值是根据已确立的临床标准（功能性牙列和成功口腔老龄化的标准）选定的，而非来源于样条分析^16,17,18。关键的是，用于二分类分层的20颗保留牙阈值是在数据分析前预先设定的。该截断值基于临床共识中对功能性牙列和成功口腔老龄化的定义（例如，世界卫生组织“8020”倡议），代表了通常认为维持基本口腔功能所需的最低牙齿数量，而非基于当前数据集得出。由于牙齿缺失和慢性牙周病与口腔功能受损及全身健康状况相关，它们仍是重要的公共卫生问题²⁸。新兴证据还提示口腔-脑轴之间可能存在双向关系，即脑小血管病本身可能与牙周状况加速恶化相关²⁹。为了优化预测变量的选择，采用坐标下降优化法实施了LASSO回归模型³⁰。与传统的逐步回归方法相比，LASSO提供了一种正则化框架，在同时考虑相关临床变量时可提高模型稳定性并减少过拟合³¹。LASSO变量筛选后保留的变量随后被纳入多变量逻辑回归模型，用于列线图的构建。尽管Log_SII未被自动化的LASSO变量筛选过程保留，但由于其作为脑血管疾病和牙周炎中系统性炎症标志物的明确临床相关性，研究预先设定将其作为临床协变量，明确纳入基线和扩展预测模型中。该策略确保了对系统性炎症状态进行校正的同时，评估牙周变量的额外预测价值。由于LASSO是一种预测性变量筛选技术，而非因果推断方法，因此单个变量的纳入或排除不应被解释为存在或多不存在多重共线性或因果重要性的证据。

从生物学角度来看，重度牙周炎被定义为一种局部的生态失衡感染，可能引发全身性炎症反应³²。已有研究表明，牙周治疗可降低全身性炎症标志物，并改善外周血管内皮功能，这支持了口腔健康与血管功能之间存在关联的观点³³。牙周致病菌（如Porphyromonas gingivalis）及其脂多糖成分可能在咀嚼或口腔卫生操作过程中进入体循环，且已在神经组织中检测到细菌成分的存在³⁴。长期的全身性暴露于这些炎症刺激物，被认为可能是导致内皮功能障碍和血脑屏障受损的机制之一，而这些病理过程已被认为与脑小血管病的发生发展相关³⁵。为评估所构建预测模型的临床实用性，本研究采用决策曲线分析（DCA）来评价在不同阈值概率下可能带来的净收益³⁶。尽管DCA提示该模型相较于默认策略可能存在一定优势，但其反映的是理论模型性能，尚不能确立其在真实世界中的临床获益或对患者结局的实际改善。为促进报告的透明性，并便于独立评估与重复验证，本探索性工作流程的开发与报告遵循了《个体预后或诊断多变量预测模型透明报告规范》（Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis, TRIPOD）声明³⁷。该报告框架具有相关性，是因为慢性轻度口腔炎症被认为可能与参与脑神经退行性病变的全身代谢通路相互作用³⁸。模型评估过程中纳入了既定的验证指标以及额外的预测性能评价指数³⁹。更广泛而言，这一方法体现了局部黏膜炎症可能带来的全身性影响⁴⁰。然而，鉴于该模型的区分能力有限（AUC = 0.688），根据DeLong检验，其AUC相较于基线模型未显示出统计学显著提升（P = 0.263），且口腔健康相关变量的置信区间较宽，因此所提出的列线图应严格视为一种初步的、探索性的可视化框架，而非适用于常规神经科临床实践的可操作工具。

为确保所提出工作流程的可重复性和成功实施，并可能影响所报告模型的性能，需注意若干方法学步骤。首先，牙周检查应高度标准化，由经过校准的检查人员根据2018年EFP/AAP分类框架¹⁵，对每颗牙齿的六个位点进行全口探诊深度和临床附着水平的测量。其次，神经影像的可重复性依赖于标准化的3.0 T磁共振成像采集协议，包括液体衰减反转恢复（FLAIR）和磁敏感加权成像（SWI）序列，以及基于共识且经过验证的脑小血管病（CSVD）总体负荷评分标准¹。第三，血液采集和实验室处理应标准化，采用空腹静脉血样本并遵循一致的标本处理程序，以确保系统性免疫-炎症指数（Log_SII）自然对数计算的可靠性。其他可能有助于实施的措施包括使用电子牙科病历记录以减少人工数据录入错误，以及采用标准化流程处理缺失数据。

尽管考虑了上述方法学因素，但仍需承认存在若干局限性。单中心、回顾性横断面设计限制了关于因果关系的结论。此外，尽管纳入的129例高脑小血管病（CSVD）负荷事件满足了模型稳定构建所需的“事件数与变量数之比”标准，但相对较小的样本量限制了多变量分析的统计效能。该模型也未校正若干潜在的混杂因素，包括口腔卫生习惯（如刷牙和使用牙线的频率）以及既往牙周治疗史，这两者均可能影响牙周健康状况。此外，无法排除反向因果关系的可能性，因为患有严重脑小血管病或卒中后残疾的患者可能出现认知功能下降、运动功能受损及手部灵巧性降低，从而可能削弱其口腔卫生维护能力⁴¹，并减少常规牙科护理的使用⁴²。因此，重度牙周炎在一定程度上可能是神经血管功能损害的结果，而非其病因。最后，由于采用回顾性设计，无法采集龈下菌斑样本进行16S核糖体RNA测序或宏基因组分析，从而限制了对口腔微生物组与循环炎症介质或淀粉样相关生物标志物之间潜在关联的探讨⁴³。缺乏独立的外部验证队列仍是一项主要局限，所提出模型在其他人群中的可推广性尚未得到证实。未来有必要开展多中心前瞻性研究，进行正式的样本量估算，实施外部验证，并整合更多生物学标志物。

总之，重度牙周炎以及保留牙齿少于20颗在单变量分析中与较高的脑小血管病（CSVD）负荷存在显著关联；然而，在进行多变量校正后，这些关联减弱，在本队列中未发现其与高CSVD负荷存在独立关联。所提出的临床列线图整合了牙周参数与传统危险因素，为个体化风险可视化提供了一个初步的、非侵入性、探索性框架，而非经过临床验证的筛查工具。在考虑用于常规临床应用之前，尚需在独立队列中进行外部验证。尽管需要纵向研究以明确口腔健康与CSVD之间的因果关系，但维持牙周健康和保留功能性牙列仍是未来针对年龄相关脑血管疾病开展多学科研究的重要方向。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
全自动血液分析仪	Sysmex	XN-1000	用于获取外周血细胞计数，以计算全身免疫炎症指数（SII）。
EDTA 血液采集管（K2 EDTA）	Becton, Dickinson and Company	367841	用于空腹静脉血采集。
电子病历系统（EMR）	卫宁健康科技集团	Winning EMR v6.0	用于提取患者人口学和临床信息。
磁共振成像（MRI）扫描仪（3.0 T）	西门子医疗	MAGNETOM Prisma 3.0T	用于标准化颅脑磁共振成像检查。
MRI 头部线圈	西门子医疗	64通道头颈部线圈	MRI 采集所用的标准头部线圈。
牙周探针（UNC-15）	Hu-Friedy	PCPUNC15	用于测量牙周探诊深度（PPD）和临床附着水平（CAL）。
R 软件包：dcurves	CRAN	Version 0.4.0	用于决策曲线分析（DCA）。
R 软件包：glmnet	CRAN	Version 4.1-8	用于最小绝对收缩与选择算子（LASSO）回归及变量筛选。
R 软件包：pROC	CRAN	Version 1.18.5	用于受试者工作特征（ROC）曲线分析及 DeLong 检验。
R 软件包：PredictABEL	CRAN	Version 1.2-4	用于计算连续净重分类改善度（NRI）和综合判别改善度（IDI）。
R 软件包：rms	CRAN	Version 6.7-1	用于限制性立方样条（RCS）分析、列线图构建及自助法校准。
用于统计计算的 R 软件	R Foundation for Statistical Computing	Version 4.3.1	用于所有分析的统计计算环境。