Opracowanie i wewnętrzna walidacja eksploracyjnego nomogramu obciążenia chorobą małych naczyń mózgowych z wykorzystaniem parametrów periodontologicznych

Podsumowanie

Niniejszy protokół opisuje opracowanie i wewnętrzną walidację eksploracyjnego nomogramu integrującego parametry periodontologiczne i konwencjonalne czynniki ryzyka w celu oszacowania obciążenia chorobą małych naczyń mózgowych dla zindywidualizowanej stratyfikacji ryzyka.

Streszczenie

Choroby małych naczyń mózgowych (CSVD) stanowią główną przyczynę udarów i pogorszenia funkcji poznawczych, jednak wpływ chorób dziąseł na całkowite obciążenie CSVD pozostaje niejasny. Naszym celem było opracowanie i wewnętrzna walidacja eksploracyjnego nomogramu klinicznego uwzględniającego parametry periodontologiczne w celu oszacowania wysokiego obciążenia CSVD. Łącznie 234 osoby poddały się badaniu za pomocą obrazowania rezonansu magnetycznego (MRI) w celu oceny całkowitego obciążenia CSVD (wynik 0–4). Odnotowano stopień zaawansowania periodontitis oraz liczbę zachowanych zębów. Optymalne predyktory wybrane za pomocą regresji LASSO (least absolute shrinkage and selection operator) wprowadzono do wieloczynnikowej regresji logistycznej w celu skonstruowania nomogramu, który oceniono pod kątem dyskryminacji, kalibracji i użyteczności klinicznej. Analiza za pomocą restrykcyjnych funkcji sklejanych (restricted cubic spline) wykazała liniową zależność dawka-odpowiedź między utratą zębów a wysokim obciążeniem CSVD (P dla nieliniowości = 0,332). Analiza wieloczynnikowa zidentyfikowała podeszły wiek i nadciśnienie tętnicze jako niezależne czynniki prognostyczne; jednak związki z ciężkim zapaleniem dziąseł (P = 0,580) i ciężką utratą zębów (P = 0,112) uległy osłabieniu i nie były niezależnie powiązane z wysokim obciążeniem CSVD po dokonaniu korekty. Nomogram wykazał umiarkowaną dyskryminację (pole pod krzywą = 0,675) oraz korzystną kalibrację zweryfikowaną metodą bootstrap (średni błąd bezwzględny = 0,038). Analiza krzywych decyzji sugerowała potencjalną użyteczność kliniczną w wybranych progach ryzyka, choć interpretacja pozostaje eksploracyjna ze względu na brak zewnętrznej walidacji. Mimo że ciężkie zapalenie dziąseł i utrata zębów wykazały powiązania w analizie jednowymiarowej z wysokim obciążeniem CSVD, nie były one niezależnymi predyktorami po korekcie wieloczynnikowej. Ten eksploracyjny nomogram zapewnia wstępną strukturę wizualizacji dla indywidualnej stratyfikacji ryzyka i wymaga dalszej walidacji zewnętrznej przed wdrożeniem klinicznym.

Wprowadzenie

Choroba małych naczyń mózgowych (CSVD) jest przewlekłym i podstępnym zaburzeniem mikronaczyniowym mózgu, powszechnie uznawanym za główną naczyniową przyczynę udarów, pogorszenia funkcji poznawczych oraz ograniczenia sprawności ruchowej u osób starszych¹. Historycznie poszczególne markery CSVD w obrazowaniu rezonansem magnetycznym (MRI), w tym hiperintensywności istoty białej (WMH), udary lakunarne, mikrokrawawienia mózgowe (CMBs) oraz poszerzone przestrzenie okołonaczyniowe (EPVS), oceniano niezależnie. Jednakże fenotypy te w obrazowaniu neurologicznym często współistnieją i są wynikiem wspólnych mechanizmów patologicznych, w szczególności dysfunkcji śródbłonka i nieszczelności mikronaczyniowej². W konsekwencji niedawne oświadczenia konsensusowe zalecają stosowanie systemu oceny całkowitego obciążenia CSVD³. Ta zintegrowana metryka w sposób bardziej kompleksowy odzwierciedla skumulowany wpływ uszkodzeń mikronaczyniowych mózgu niż poszczególne markery obrazowe i stanowi lepszy wskaźnik ogólnego pogorszenia stanu neurologicznego⁴.

Etiologia CSVD pozostaje nie w pełni poznana; jednak chroniczny, niskostopniowy stan zapalny w organizmie jest coraz częściej uznawany za kluczowy czynnik przyczyniający się do uszkodzenia śródbłonka mózgowego i rozszczelnienia bariery krew-mózg⁵. W tym kontekście paradontozę, powszechną chorobę zapalną wywołaną dysbiotycznym biofilmem, która dotyczy tkanek przyzębnych, uznano za potencjalnie modyfikowalny czynnik ryzyka chorób naczyniowo-mózgowych w ramach osi jama ustna–mózg⁶. Ciężka paradontoza prowadzi nie tylko do postępującego niszczenia kości jamistej i ostatecznej utraty zębów, ale służy również jako trwały rezerwuar patogenów przyzębnych i cytokin prozapalnych⁷. Mediatory zapalne te mogą przedostawać się do krążenia systemowego, przyczyniając się tym samym do przebudowy naczyń i aterogenezy⁸.

Niedawne badania epidemiologiczne wykazały powiązanie między ciężkim zapaleniem przyzębia a zwiększonym ryzykiem udaru niedokrwiennego⁹. Niemniej jednak dowody dotyczące związku tego stanu z skumulowanym obciążeniem CSVD pozostają ograniczone i rozproszone. Co więcej, utrata zębów, będąca ostatecznym klinicznym następstwem chorób przyzębia, została powiązana z pogorszeniem funkcji poznawczych oraz śmiertelnością z przyczyn sercowo-naczyniowych¹⁰. Jednakże zależność dawka-odpowiedź między utratą zębów a uszkodzeniem naczyniowo-mózgowym pozostaje słabo rozpoznana. W szczególności nie jest jasne, czy ryzyko CSVD wzrasta po przekroczeniu krytycznego progu liczby pozostałych zębów, czy też wykazuje ciągły, liniowy wzorzec zależności dawka-odpowiedź.

Choć związek między destrukcją tkanek periodontu a uszkodzeniem naczyniowym mózgu jest biologicznie prawdopodobny, systemowe mechanizmy immunologiczno-zapalne leżące u podstaw tej relacji wymagają dalszej charakterystyki. Konwencjonalne biomarkery stanu zapalnego, w tym liczby poszczególnych podgrup leukocytów oraz białko C-reaktywne wysokiej czułości, mogą nie oddawać w pełni złożoności immunologicznej odpowiedzi zapalnej organizatora w warunkach klinicznych. Systemowy indeks zapalenia immunologicznego (SII), obliczany na podstawie liczby płytek krwi, neutrofili i limfocytów obwodowych, pojawił się w ostatnim czasie jako kompleksowy biomarker zapalny¹¹. SII odzwierciedla równowagę między ogólnoustrojową aktywnością zapalną a stanem odpornościowym. Podwyższone poziomy SII wykazały wartość prognostyczną w szeregu zaburzeń naczyniowych mózgu poprzez przewidywanie ciężkości udaru niedokrwiennego i niekorzystnych wyników funkcjonalnych, a także zostały powiązane z całkowitym obciążeniem CSVD, upośledzeniem poznawczym oraz stopniem zaawansowania zapalenia przyzębia^12,13. Ponieważ zapalenie przyzębia wywołuje przewlekły systemowy stan zapalny, ocena SII wraz z parametrami periodontologicznymi może usprawnić identyfikację osób narażonych na utajone uszkodzenia naczyniowe mózgu.

Pomimo rosnącego zainteresowania osią jama ustna-mózg, w aktualnej literaturze występuje kilka ograniczeń metodologicznych. Większość badań koncentrowała się na pojedynczych markerach obrazowych CSVD lub pojedynczych parametrach stanu zdrowia jamy ustnej, bez integrowania stopnia zaawansowania zapalenia przyzębia, jego ostatecznego skutku klinicznego (utraty zębów) oraz systemowych odpowiedzi immunologiczno-zapalnych w ramach jednolitej oceny. Co ważniejsze, praktyka kliniczna wymaga praktycznych narzędzi oceny ryzyka, jednak instrumenty wizualne, takie jak nomogramy służące do identyfikacji pacjentów z wysokim ryzykiem CSVD na podstawie połączonych profili zapalnych jamy ustnej i systemowych, pozostają ograniczone. Istniejące podejścia do oceny ryzyka CSVD opierają się głównie na poszczególnych biomarkerach lub konwencjonalnych czynnikach demograficznych, które mogą nie oddawać w pełni wieloczynnikowych interakcji między zapaleniem systemowym a zdrowiem jamy ustnej. Ponadto opracowanie niezawodnych modeli predykcyjnych wymaga solidnych metod selekcji zmiennych. Konwencjonalne podejścia, takie jak regresja krokowa, mogą być niestabilne w przypadku zastosowania do wielowymiarowych zbiorów danych klinicznych i mogą być podatne na wpływ skorelowanych predyktorów. Podejście oparte na regresji LASSO (least absolute shrinkage and selection operator) rozwiązuje te problemy poprzez zastosowanie penalizacji współczynników w celu ograniczenia przeuczenia modelu i zidentyfikowania najbardziej informacyjnych predyktorów do opracowania modelu¹⁴.

Motywując się tymi lukami w wiedzy, niniejsze retrospektywne badanie przekrojowe zostało zaprojektowane z dwoma głównymi celami. Po pierwsze, dążono do scharakteryzowania zależności dawka-odpowiedź między liczbą zachowanych zębów a wysokim obciążeniem CSVD, wykorzystując analizę ograniczonej kostki spełnieniowej (RCS) w celu oceny potencjalnych nieliniowych efektów progowych i trendów liniowych. Po drugie, podjęto próbę opracowania eksploracyjnego nomogramu klinicznego z wykorzystaniem selekcji zmiennych opartej na metodzie LASSO oraz ocenę przyrostowej reklasyfikacji ryzyka zapewnianej przez parametry periodontologiczne poza konwencjonalne czynniki ryzyka. Postawiono hipotezę, że zintegrowanie stanu periodontologicznego, utraty zębów oraz SII w modelu wielowymiarowym może dostarczyć eksploracyjnych ram wizualizacyjnych do szacowania skumulowanego obciążenia CSVD i poprawić indywidualną stratyfikację ryzyka. W praktyce klinicznej proponowany nomogram ma służyć jako szybkie, nieinwazyjne narzędzie pomocnicze wspierające neurologów w identyfikacji pacjentów, którzy mogą odnieść korzyść z wczesnej oceny naczyniowej mózgu lub wielodyscyplinarnej oceny stomatologicznej. Jednak ze względu na charakter eksploracyjny, umiarkowaną zdolność dyskryminacyjną oraz brak zewnętrznej walidacji, nomogram nie powinien być uważany za zamiennik diagnozy opartej na obrazowaniu rezonansem magnetycznym (MRI). Ponadto jego zastosowanie może być ograniczone u pacjentów z aktywnymi ostrymi infekcjami, ciężkimi chorobami autoimmunologicznymi lub niedawnymi urazami, ponieważ stany te mogą istotnie wpływać na systemowe biomarkery stanu zapalnego i oddziaływać na szacowanie ryzyka.

Protokół

W tej retrospektywnej, przekrojowej analizie korelacji wzięli udział kolejni pacjenci przyjęci do Oddziału Neurologii w Changzhou No. 2 People’s Hospital z powodu zawrotów głowy, bólów głowy, w celu przesiewowego badania w kierunku udaru lub oceny poznawczej w okresie od stycznia 2022 do grudnia 2024 roku. Ze względu na retrospektywny, nieinterwencyjny charakter badania oraz wykorzystanie w pełni zanonimizowanych danych, zrezygnowano z wymogu uzyskania świadomej zgody. Badanie zostało zatwierdzone przez Komisję Etyki Technologii Medycznych Klinicznych w Changzhou No. 2 People’s Hospital (numer zatwierdzenia IRB: [2023] YLJSA069) i przeprowadzono je zgodnie z wytycznymi instytucjonalnymi.

Projekt badania i populacja pacjentów

Wstępnie oceniono 850 pacjentów. Kryteria wykluczenia zostały ściśle określone następująco: (1) brak kompletnych sekwencji MRI czaszki (w szczególności brak obrazowania podatności magnetycznej [SWI], co uniemożliwiało dokładną ocenę mikrokrwawień); (2) brak szczegółowych zapisów z sondowania przyzębia lub danych dotyczących liczby zębów w całej jamie ustnej; (3) niepełne dane dotyczące morfologii krwi, uniemożliwiające obliczenie SII; (4) w wywiadzie rozległy udar, guz mózgu, uraz czaszkowo-mózgowy lub zakażenie ośrodkowego układu nerwowego; oraz (5) obecność aktywnej ostrej infekcji, ciężkiej choroby autoimmunologicznej lub nowotworu w ciągu ostatniego miesiąca, aby zminimalizować wpływ czynników zakłócających na systemowe markery stanu zapalnego. W celu zapewnienia spójności danych zastosowano podejście analizy przypadków kompletnych, w ramach którego wykluczono osoby z brakującymi podstawowymi parametrami kliniczno-radiologicznymi. Po przesiewie do analizy włączono 234 kwalifikujących się uczestników. Próbka ta, obejmująca 129 zdarzeń o dużym obciążeniu, spełniała zasadę kciuka dotyczącą liczby zdarzeń na zmienną (EPV) >10 dla stabilnego modelowania wielowymiarowego.

Ocena stanu i stanu zapalnego tkanek dziąsłowych

Wszelkie oceny kliniczne jamy ustnej zostały przeprowadzone przez dwóch skalibrowanych periodontologów przy użyciu standaryzowanej sondy periodontologicznej.

Przed rozpoczęciem badania obaj badacze przeszli szkolenie standaryzacyjne, a niezawodność międzyobserwatorowa była doskonała (κ Cohena = 0,82). Głębokość kieszonki dziąsłowej (PPD) oraz poziom przyczepu klinicznego (CAL) mierzono w sześciu punktach na każdym zębie. Na podstawie klasyfikacji z 2018 roku opisanej przez Tonetti i współpracowników¹⁵, chorobę przyzębia zaklasyfikowano jako łagodną/nieobecną, umiarkowaną lub ciężką. W szczególności uczestników podzielono w następujący sposób: (1) łagodne/nieobecne zapalenie przyzębia (obejmujące zdrowie przyzębia oraz zapalenie przyzębia stopnia I), zdefiniowane jako międzyprzestrzenny poziom przyczepu klinicznego (CAL) w miejscu największej utraty przyczepu ≤2 mm i głębokość kieszonki dziąsłowej (PPD) ≤4 mm, bez utraty zębów związanej z zapaleniem przyzębia; (2) umiarkowane zapalenie przyzębia (zapalenie przyzębia stopnia II), zdefiniowane jako międzyprzestrzenny CAL wynoszący 3–4 mm, maksymalne PPD ≤5 mm i utratę nie więcej niż czterech zębów z powodu zapalenia przyzębia; oraz (3) ciężkie zapalenie przyzębia (zapalenie przyzębia stopnia III/IV), zdefiniowane jako międzyprzestrzenny CAL ≥5 mm, PPD ≥6 mm i/lub utratę czterech lub więcej zębów z powodu destrukcji przyzębia¹⁵.

Odnotowano również liczbę zachowanych zębów u każdego uczestnika. Ponieważ utrzymanie minimum 20 funkcjonalnych zębów jest powszechnie uznanym klinicznym punktem odniesienia dla zachowania podstawowych funkcji jamy ustnej i prawidłowego starzenia się organizmu w tym obszarze^16,17,18, całkowitą liczbę zębów przekształcono w zmienną binarną: znaczna utrata zębów (<20 zębów) versus brak znacznej utraty zębów (≥20 zębów).

W odniesieniu do zapalenia systemowego, wskaźnik SII obliczono na podstawie próbek krwi pobranych na czczo podczas przyjęcia do szpitala. Próbki krwi żylnej pobrano do probówek z EDTA i przetworzono zgodnie ze standardowym protokołem klinicznego laboratorium szpitalnego przed analizą przy użyciu automatycznego analizatora hematologicznego w celu uzyskania liczby neutrofili, limfocytów i płytek krwi. Wskaźnik obliczono według wzoru:

Aby uwzględnić silnie skośny rozkład wartości SII, przed włączeniem do analiz statystycznych zastosowano transformację logarytmiczną naturalną (Log_SII).

Akwizycja obrazów MRI i całkowite obciążenie CSVD

Wszyscy badani zostali poddani standaryzowanym badaniom MRI czaszki z wykorzystaniem skanera MRI 3,0 T wyposażonego w standardową cewkę głowową. Protokół obrazowania obejmował sekwencje T1-zależne, T2-zależne, FLAIR (fluid-attenuated inversion recovery) oraz SWI (susceptibility-weighted imaging) z grubością warstwy 5 mm. Standardowe parametry obrazowania skonfigurowano w następujący sposób: obrazowanie T1-zależne (czas repetycji [TR] = 2,000 ms, czas echa [TE] = 9 ms, pole widzenia [FOV] = 230 × 230 mm², rozmiar macierzy = 256 × 256); obrazowanie T2-zależne (TR = 4,500 ms, TE = 85 ms, FOV = 230 × 230 mm², rozmiar macierzy = 256 × 256); obrazowanie FLAIR (TR = 8,500 ms, TE = 120 ms, czas inwersji [TI] = 2,400 ms, FOV = 230 × 230 mm², rozmiar macierzy = 256 × 256); oraz obrazowanie SWI (TR = 28 ms, TE = 20 ms, kąt odchylenia = 15°, FOV = 230 × 230 mm², rozmiar macierzy = 256 × 256). Wszystkie sekwencje pozyskano przy grubości warstwy 5 mm i przerwie międzywarstwowej 1,0 mm. Konkretny model skanera wymieniono w Tabeli Materiałów. Markery obrazowe CSVD były niezależnie oceniane przez dwóch lekarzy neuroradiologów, którzy nie mieli dostępu do danych klinicznych uczestników. Wiarygodność międzyobserwatorowa dla całkowitej oceny obciążenia CSVD była wysoka (κ Cohena = 0,85). Wszelkie rozbieżności rozstrzygano drogą konsensusu z trzecim, starszym lekarzem prowadzącym.

Zgodnie z ustalonym międzynarodowym konsensusem^1,3, skumulowane obciążenie CSVD określono w skali od 0 do 4 poprzez ocenę czterech cech neuroobrazowych. Jeden punkt przypisywano za każdą z następujących zmian w MRI: (1) co najmniej jeden udar lakunarny; (2) jedno lub więcej mikrokrwawień mózgowych (CMBs); (3) umiarkowane lub ciężkie poszerzenie przestrzeni peryvaskularnych (EPVS) w jądrach podstawy (stopień ≥2); oraz (4) ciężkie hiperintensywności istoty białej (WMH), zdefiniowane jako wynik w skali Fazekasa ≥2 w głębokiej istocie białej lub 3 w obszarze okołokomorowym. Definicje diagnostyczne ściśle odpowiadały międzynarodowemu konsensusowi Standards for Reporting Vascular Changes on Neuroimaging (STRIVE-1)¹. Hiperintensywności istoty białej (WMH) oceniano według skali Fazekasa¹⁹, a poszerzone przestrzenie peryvaskularne (EPVS) w jądrach podstawy oceniano za pomocą zwalidowanej 4-punktowej wizualnej skali oceny opisanej przez Potter i wsp.²⁰. Do opracowania modelu oceny ryzyka pacjentów z całkowitym wynikiem obciążenia CSVD ≥2 zaklasyfikowano jako osoby z wysokim obciążeniem CSVD, ponieważ próg ten jest konsekwentnie wiązany z przyspieszonym pogorszeniem funkcji poznawczych oraz śmiertelnością^21,22,23.

Gromadzenie danych o współzmiennych

Demograficzne charakterystyki pacjentów oraz historia kliniczna zostały pobrane z instytucjonalnej elektronicznej dokumentacji medycznej. Zebrane zmienne obejmowały wiek, płeć, wskaźnik masy ciała (BMI), status palenia oraz spożycie alkoholu. Ponadto dla każdego uczestnika udokumentowano współistniejące schorzenia kardiometaboliczne i naczyniowe, w tym dyslipidemię, cukrzycę, nadciśnienie tętnicze, chorobę wieńcową (CAD), historię zawału mięśnia sercowego (MI) oraz przebyty niedokrwienny udar mózgu.

Wszystkie choroby współistniejące potwierdzono poprzez analizę diagnoz lekarskich udokumentowanych w szpitalnych kartach pacjentów, historii przyjmowanych leków oraz rutynowych badaniach laboratoryjnych i obrazowych przeprowadzonych przy przyjęciu, zgodnie z ustalonymi wytycznymi klinicznymi. Nadciśnienie tętnicze zdefiniowano jako ciśnienie skurczowe ≥140 mmHg, ciśnienie rozkurczowe ≥90 mmHg lub aktualne stosowanie leków przeciwnadciśnieniowych. Cukrzycę zdefiniowano jako stężenie glukozy w osoczu na czczo ≥7,0 mmol/L, hemoglobinę glikowaną (HbA1c) ≥6,5% lub stosowanie leków hipoglikemizujących. Dyslipidemię zdefiniowano jako nieprawidłowości w stężeniu lipidów w surowicy na czczo lub aktualną terapię hipolipidemiczną. CAD, przebyty zawał mięśnia sercowego (MI) oraz poprzedni udar niedokrwienny potwierdzono na podstawie udokumentowanej historii klinicznej oraz archiwalnych raportów z obrazowania naczyniowo-mózgowego lub kardiologicznego dostępnych w systemie elektronicznej dokumentacji medycznej.

Analiza statystyczna i opracowanie modelu

Przed analizą statystyczną normalność rozkładu zmiennych ciągłych oceniono za pomocą testu Shapiro-Wilka. Statystyki opisowe dla zmiennych kategoryjnych przedstawiono jako liczebności (procenty) i porównano przy użyciu testu chi-kwadrat Pearsona lub dokładnego testu Fishera, w zależności od zastosowania. Zmienne ciągłe o rozkładzie normalnym wyrażono jako średnie ± odchylenia standardowe i porównano za pomocą testu t Studenta, natomiast zmienne o rozkładzie nienormalnym wyrażono jako mediany z rozstępami międzykwartylnymi i porównano za pomocą testu U Manna-Whitneya. Aby zbadać potencjalne nieliniowe wzorce zależności dawka-odpowiedź między liczbą zachowanych zębów a ryzykiem wysokiego obciążenia CSVD, opracowano model RCS skorygowany o wiek, nadciśnienie tętnicze oraz Log_SII, wykorzystując cztery węzły umieszczone na 5., 35., 65. i 95. percentylu rozkładu liczby zębów. Formalne badanie nieliniowości przeprowadzono za pomocą analizy wariancji (ANOVA), aby ustalić, czy obserwowany związek lepiej wyjaśnia efekt progowy, czy ciągły trend liniowy.

Aby przeprowadzić selekcję zmiennych w obecności skorelowanych predyktorów, wszystkie zmienne wyjściowe wprowadzono do modelu regresji LASSO. Optymalny parametr strojenia (λ) określono za pomocą 10-krotnej walidacji krzyżowej i wybrano zgodnie z kryterium minimalnej dewiancji dwumianowej (λ_min). Do dalszych analiz zachowano zmienne o niezerowych współczynnikach. Wybrane zmienne wprowadzono następnie do wieloczynnikowego modelu regresji logistycznej w celu oszacowania ilorazów szans (ORs) oraz 95% przedziałów ufności (CIs) dla ich powiązań z wysokim obciążeniem CSVD. Końcowy model wieloczynnikowy wykorzystano następnie do opracowania eksploracyjnego nomogramu klinicznego służącego do zindywidualizowanej oceny ryzyka.

Aby ocenić wartość inkrementalną parametrów periodontologicznych, model bazowy (uwzględniający wiek, nadciśnienie tętnicze oraz Log_SII) porównano z modelem rozszerzonym, obejmującym stopień zaawansowania paradontozy oraz liczbę zębów. Wydajność modelu oceniono za pomocą kilku uzupełniających miar. Dyskryminację oceniono za pomocą powierzchni pod krzywą charakterystyki operacyjnej odbiornika (AUC), a różnice między modelami porównano testem DeLonga²⁴. Dla optymalnego punktu odcięcia, wyznaczonego na podstawie maksymalnego indeksu Youdena, obliczono również czułość, swoistość, dodatnią wartość predykcyjną (PPV) oraz ujemną wartość predykcyjną (NPV). Obliczono ciągły wskaźnik poprawy reklasyfikacji (NRI) oraz zintegrowaną poprawę dyskryminacji (IDI), aby ilościowo określić inkrementalną reklasyfikację ryzyka zapewnianą przez model rozszerzony²⁵. Kalibrację oceniono za pomocą wykresów kalibracyjnych wygenerowanych z 1 000 prób bootstrapowych zaimplementowanych za pomocą pakietu rms, a następnie obliczono średni błąd bezwzględny między ryzykiem przewidywanym a obserwowanym. Aby uwzględnić potencjalne nadmierne dopasowanie i zapewnić nieobciążoną ocenę wydajności modelu, walidacja bootstrapowa obejmowała korektę optymizmu, przy czym raportowano zarówno poprawioną pod kątem obciążenia, jak i pozorną wydajność modelu. Przeprowadzono analizę krzywej decyzyjnej (DCA) w celu oceny potencjalnej użyteczności klinicznej poprzez oszacowanie korzyści netto w zakresie prawdopodobieństw progowych. Wszystkie analizy statystyczne i wizualizacje wykonano przy użyciu oprogramowania statystycznego oraz pakietów rms, glmnet, pROC, PredictABEL i dcurves. Istotność statystyczną określono jako dwustronną wartość P <0,05.

Wyniki

Projekt badania i populacja pacjentów

Po wykluczeniu 616 osób ze względu na poważne choroby współistniejące lub brak danych kliniczno-radiologicznych, do końcowej analizy włączono 234 zakwalifikowanych uczestników przyjętych na badanie neurologiczne (Rycina 1). Uczestników podzielono według zagregowanych wyników CSVD na grupy o wysokim obciążeniu (n = 129) i niskim obciążeniu (n = 105). Bazowe cechy demograficzne i kliniczne obu grup przedstawiono w Tabeli 1. Uczestnicy z wysokim obciążeniem CSVD byli starsi od osób z niskim obciążeniem CSVD (67,71 ± 7,41 lat vs 64,91 ± 7,74 lat, P = 0,005) i wykazywali wyższą zapadalność na nadciśnienie tętnicze (63,6% vs 48,6%, P = 0,024). Zapadalność na przebyty udar niedokrwienny była również wyższa w grupie o wysokim obciążeniu, choć różnica ta nie osiągnęła istotności statystycznej (21,7% vs 12,4%, P = 0,076). W odniesieniu do parametrów zdrowia jamy ustnej, zapadalność na ciężkie przyzębie była wyższa w grupie o wysokim obciążeniu (52,7% vs 16,2%, P < 0,001), czemu towarzyszyła większa średnia głębokość sondowania kieszonki (PPD; 4,88 mm vs 2,54 mm, P < 0,001) oraz poziom przyczepu klinicznego (CAL; 4,54 mm vs 2,12 mm, P < 0,001). Uczestnicy w grupie o wysokim obciążeniu zachowali również mniej naturalnych zębów (18,39 ± 8,15 vs 24,36 ± 6,21, P < 0,001). Ponadto wartości Log_SII były wyższe w grupie o wysokim obciążeniu niż w grupie o niskim obciążeniu (6,48 ± 0,52 vs 6,27 ± 0,45, P = 0,001). Status palenia, wskaźnik masy ciała oraz rozkład płci nie różniły się istotnie między grupami.

Rycina 1. Schemat doboru uczestników badania. Schemat ilustrujący proces doboru uczestników do retrospektywnego badania przekrojowego. Przesiewowo wyłoniono kolejnych pacjentów przyjętych do Oddziału Neurologii w Changzhou No. 2 People’s Hospital między styczniem 2022 a grudniem 2024 roku z powodu zawrotów głowy, bólów głowy, w celu przesiewowego badania pod kątem udaru lub oceny funkcji poznawczych. Przed podzieleniem uczestników na grupy z niskim i wysokim obciążeniem chorobą małych naczyń mózgowych (CSVD) sekwencyjnie zastosowano kryteria wykluczenia. Kliknij tutaj, aby zobaczyć powiększoną wersję tej ryciny.

Zmienna	Niskie obciążenie CSVD (n = 105)	Wysokie obciążenie CSVD (n = 129)	P wartość
Wiek (lata), średnia ± SD	64.91 ± 7.74	67.71 ± 7.41	0.005
Płeć męska, n (%)	49 (46.7)	69 (53.5)	0.358
Wskaźnik masy ciała (kg/m²), średnia ± SD	24.24 ± 2.92	23.62 ± 3.12	0.122
Nadciśnienie tętnicze, n (%)	51 (48.6)	82 (63.6)	0.024
Cukrzyca, n (%)	27 (25.7)	30 (23.3)	0.76
Dyslipidemia, n (%)	55 (52.4)	59 (45.7)	0.358
Choroba wieńcowa, n (%)	20 (19.0)	26 (20.2)	0.87
Zawał mięśnia sercowego, n (%)	4 (3.8)	4 (3.1)	>0.999*
Przebyty udar niedokrwienny, n (%)	13 (12.4)	28 (21.7)	0.076
Stopień zapalenia przyzębia, n (%)			<0.001
Zdrowy/Łagodny	45 (42.9)	21 (16.3)
Umiarkowany	43 (41.0)	40 (31.0)
Ciężki	17 (16.2)	68 (52.7)
Liczba zachowanych zębów, średnia ± SD	24.36 ± 6.21	18.39 ± 8.15	<0.001
Średnia głębokość kieszonki w sondowaniu (PPD, mm), mediana (IQR)	2.54 (2.12–4.13)	4.88 (3.65–6.21)	<0.001
Średni kliniczny poziom przyczepu (CAL, mm), mediana (IQR)	2.12 (0.89–3.76)	4.54 (3.12–6.45)	<0.001
Log_SII, średnia ± SD	6.27 ± 0.45	6.48 ± 0.52	0.001
Wysokoczułe białko C-reaktywne (hs-CRP, mg/L), mediana (IQR)	1.45 (0.76–2.54)	2.89 (1.56–4.32)	<0.001
Homocysteina (Hcy, µmol/L), mediana (IQR)	12.34 (9.87–15.65)	15.76 (12.45–19.82)	<0.001

Tabela 1: Charakterystyka wyjściowa populacji badawczej w zależności od obciążenia chorobą małych naczyń mózgowych (CSVD). Zmienne ciągłe przedstawiono jako średnią ± odchylenie standardowe (SD) lub medianę (rozstęp międzykwartylowy [IQR]), zgodnie z odpowiedniością. Zmienne kategorialne przedstawiono jako liczbę (procent). * Wartość P obliczona za pomocą dokładnego testu Fishera ze względu na małą liczebność komórek. Wszystkie pozostałe porównania kategorialne wykonano przy użyciu testu chi-kwadrat Pearsona, chyba że wskazano inaczej. Skróty: BMI, wskaźnik masy ciała; CAL, kliniczny poziom przyczepu; CAD, choroba wieńcowa; CSVD, choroba małych naczyń mózgowych; DM, cukrzyca; Hcy, homocysteina; hs-CRP, białko C reaktywne wysokiej czułości; HTN, nadciśnienie tętnicze; IQR, rozstęp międzykwartylowy; Log_SII, logarytm naturalny systemowego indeksu immunozapalnego; MI, zawał mięśnia sercowego; PPD, głębokość kieszonki dziąsłowej; SD, odchylenie standardowe; SII, systemowy indeks immunozapalny.

Ocena stanu przyzębia i stanu zapalnego

Rozkład całkowitych wyników obciążenia CSVD w zależności od stopnia zaawansowania zapalenia przyzębia przedstawiono na Rysunku 2. Odsetek uczestników z wyższymi wynikami CSVD wzrastał wraz ze wzrostem stopnia nasilenia zapalenia przyzębia, a test Cochran-Armitage wykazał istotną tendencję (P < 0,001). Zależność między liczbą zachowanych zębów a prawdopodobieństwem wysokiego obciążenia CSVD oceniono dodatkowo za pomocą analizy RCS (Rysunek 3). Po skorygowaniu o wiek, nadciśnienie tętnicze oraz Log_SII, test formalny wsparł liniowy wzorzec zależności dawka-odpowiedź zamiast nieliniowego efektu progowego (P dla nieliniowości = 0,332). Szacowane prawdopodobieństwo wysokiego obciążenia CSVD zwiększało się progresywnie wraz ze spadkiem liczby zachowanych zębów. Jednak szacunki dla najniższej liczby zębów należy interpretować ostrożnie ze względu na szersze przedziały ufności.

Rycina 2. Rozkład całkowitego obciążenia mózgową chorobą małych naczyń (CSVD) w zależności od stopnia zaawansowania zapalenia dziąseł. Skumulowany wykres słupkowy przedstawiający proporcjonalny rozkład zapalenia dziąseł w stopniu zdrowym/lekkim, umiarkowanym i ciężkim w zależności od wyników całkowitego obciążenia CSVD (0–4). Test trendu Cochrana-Armitage'a wykazał istotny wzrost nasilenia zapalenia dziąseł wraz ze wzrostem obciążenia CSVD (P dla trendu <0,001). Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rycina 3. Analiza za pomocą ograniczonych splajnów sześciennych związku między liczbą zachowanych zębów a wysokim obciążeniem mózgową chorobą małych naczyń (CSVD). Model ograniczonych splajnów sześciennych (RCS) przedstawiający związek między liczbą zachowanych zębów a logarytmem szans na wystąpienie wysokiego obciążenia CSVD po skorygowaniu o wiek, nadciśnienie tętnicze oraz logarytm naturalny systemowego indeksu immunologiczno-zapalnego (Log_SII). Czerwona linia ciągła reprezentuje szacowany logarytm szans, a obszar zacieniowany reprezentuje 95% przedział ufności (CI). Test nieliniowości nie był istotny statystycznie (P dla nieliniowości = 0,332), co potwierdza liniowy charakter związku. Szacunki dla najniższej liczby zębów należy interpretować ostrożnie ze względu na szersze przedziały ufności. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Analiza statystyczna i opracowanie modelu

Do wyboru zmiennych spośród parametrów wyjściowych wykorzystano regresję LASSO (least absolute shrinkage and selection operator) z 10-krotną walidacją krzyżową (Rysunek uzupełniający 1). W wyniku tej procedury jako kluczowe cechy zachowano wiek, nadciśnienie tętnicze, stopień zaawansowania paradontozy oraz liczbę zachowanych zębów. W późniejszym wieloczynnikowym modelu regresji logistycznej (Tabela 2) wiek (iloraz szans [OR] = 1,06, 95% przedział ufności [CI]: 1,02–1,10, P = 0,008) oraz nadciśnienie tętnicze (OR = 2,02, 95% CI: 1,16–3,55, P = 0,014) były niezależnie powiązane z wysokim obciążeniem CSVD. Ciężka paradontoza (OR = 1,73, 95% CI: 0,25–12,19, P = 0,580) oraz liczba zachowanych zębów (OR = 0,94, 95% CI: 0,87–1,01, P = 0,112) nie osiągnęły istotności statystycznej, co wskazuje, że ich powiązania uległy osłabieniu po korekcie wieloczynnikowej. Parametry periodontologiczne te zachowano w modelu końcowym jako eksploracyjne cechy profilowania. Analizy podgrup dotyczące związku między ciężką paradontozą a wysokim obciążeniem CSVD przedstawiono na Rysunku uzupełniającym 2. Kierunek związku był ogólnie spójny we wszystkich wcześniej określonych podgrupach. Konkretnie, wartości OR wynosiły 1,88 (95% CI: 0,19–18,57) u kobiet i 1,76 (95% CI: 0,12–25,14) u mężczyzn; 2,44 (95% CI: 0,21–28,53) u uczestników z nadciśnieniem tętniczym i 1,48 (95% CI: 0,11–19,34) u osób bez nadciśnienia; oraz 2,12 (95% CI: 0,23–19,82) u uczestników w wieku ≥65 lat i 1,45 (95% CI: 0,10–21,05) u osób w wieku <65 lat. Nie zaobserwowano statystycznie istotnych interakcji dla płci (P_interaction = 0,916), statusu nadciśnienia tętniczego (P_interaction = 0,627) ani wieku (P_interaction = 0,684), co wskazuje na brak dowodów na modyfikację efektu w tych eksploracyjnych analizach podgrup.

Zmienna	Iloraz szans (OR)	95% przedział ufności (CI)	Wartość P
Wiek	1.06	1.02–1.10	0.008
Nadciśnienie tętnicze	2.02	1.16–3.55	0.014
Log_SII	0.35	0.07–1.81	0.214
Liczba zachowanych zębów	0.94	0.87–1.01	0.112
Stopień zaawansowania paradontozy
Zdrowy/Łagodny (Referencyjny)	1	—	—
Umiarkowany	1.41	0.51–3.90	0.51
Ciężki	1.73	0.25–12.19	0.58

Tabela 2: Wieloczynnikowa analiza regresji logistycznej czynników związanych z wysokim obciążeniem mózgową chorobą małych naczyń (CSVD). Zmienne uwzględnione w wieloczynnikowym modelu regresji logistycznej wybrano przy użyciu regresji LASSO (least absolute shrinkage and selection operator). Jako kategorię referencyjną przyjęto stan zdrowy/łegkie zapalenie przyzębia. Iloraz szans (OR) dla liczby zachowanych zębów reprezentuje zmianę szansy wystąpienia wysokiego obciążenia CSVD związaną z każdym dodatkowym zachowanym zębem. Skróty: CI, przedział ufności; CSVD, mózgowa choroba małych naczyń; LASSO, least absolute shrinkage and selection operator; Log_SII, logarytm naturalny systemowego indeksu immunozapalnego; OR, iloraz szans.

Na podstawie końcowego modelu wieloczynnikowego opracowano kliniczny nomogram jako eksploracyjną ramę wizualizacyjną do indywidualnej oceny ryzyka CSVD (Rysunek 4). Nomogram ilustruje wpływ wieku, nadciśnienia tętniczego, Log_SII, stopnia zaawansowania zapalenia przyzębia oraz liczby zachowanych zębów na szacowane prawdopodobieństwo wysokiego obciążenia CSVD. Aby ocenić potencjalną wartość dodaną parametrów przyzębia, model bazowy obejmujący wiek, nadciśnienie tętnicze i Log_SII porównano z modelem rozszerzonym, który dodatkowo uwzględniał stopień zaawansowania zapalenia przyzębia oraz liczbę zachowanych zębów (Tabela 3). Analiza charakterystyki operacyjnej odbiornika (ROC) wykazała AUC wynoszące 0,688 (95% CI: 0,621–0,755) dla modelu rozszerzonego i 0,656 (95% CI: 0,587–0,726) dla modelu bazowego; różnica ta nie była istotna statystycznie według testu DeLonga (P = 0,263) (Rysunek 5A). Model rozszerzony wykazał ciągłą poprawę reklasyfikacji netto (NRI) na poziomie 0,454 (P < 0,001) oraz IDI wynoszące 0,052 (P < 0,001). Kalibrację oceniono za pomocą 1 000 prób bootstrapowych. Wykres kalibracji wykazał zgodność między szacowanym a obserwowanym prawdopodobieństwem zdarzeń, przy średnim błędzie bezwzględnym wynoszącym 0,038 (Rysunek 5B). DCA wskazała na potencjalną korzyść netto dla modelu rozszerzonego w wybranych progach prawdopodobieństwa (Rysunek 6). Należy jednak ostrożnie interpretować tę pozorną korzyść, ponieważ poprawa AUC nie była istotna statystycznie, a nie przeprowadzono walidacji zewnętrznej.

Metryka	Model bazowy	Model rozszerzony	Wartość P / Poprawa
AUC (95% CI)	0.656 (0.587–0.726)	0.688 (0.621–0.755)	0.263 (DeLong)
Czułość	—	0.512	—
Swoistość	—	0.8	—
Dodatnia wartość predykcyjna (PPV)	—	0.759	—
Ujemna wartość predykcyjna (NPV)	—	0.571	—
Ciągła poprawa reklasyfikacji netto (NRI)	—	0.454	<0.001
Zintegrowana poprawa dyskryminacji (IDI)	—	0.052	<0.001

Tabela 3: Porównanie wydajności predykcyjnej modelu bazowego i modelu rozszerzonego. Model bazowy obejmował wiek, nadciśnienie tętnicze oraz Log_SII. Model rozszerzony dodatkowo uwzględniał stopień zaawansowania paradontozy oraz liczbę zachowanych zębów. Dyskryminację modelu oceniano za pomocą pola pod krzywą charakterystyki operacyjnej odbiornika (AUC), a różnice między wartościami AUC porównywano testem DeLonga. Czułość, swoistość, dodatnia wartość predykcyjna (PPV) i ujemna wartość predykcyjna (NPV) zostały obliczone przy użyciu optymalnego punktu odcięcia wyznaczonego przez maksymalny indeks Youdena. Ciągła poprawa reklasyfikacji netto (NRI) oraz zintegrowana poprawa dyskryminacji (IDI) zostały wykorzystane do oceny przyrostowej wydajności predykcyjnej modelu rozszerzonego. Skróty: AUC, pole pod krzywą charakterystyki operacyjnej odbiornika; CI, przedział ufności; IDI, zintegrowana poprawa dyskryminacji; Log_SII, logarytm naturalny systemowego wskaźnika immunologiczno-zapalnego; NPV, ujemna wartość predykcyjna; NRI, poprawa reklasyfikacji netto; PPV, dodatnia wartość predykcyjna.

Rycina 4. Nomogram do szacowania prawdopodobieństwa wysokiego obciążenia chorobą małych naczyń mózgowych (CSVD). Nomogram opracowany na podstawie końcowego wieloczynnikowego modelu regresji logistycznej. Aby oszacować prawdopodobieństwo wysokiego obciążenia CSVD u danej osoby, należy odnaleźć wartość każdego predyktora dla pacjenta, przypisać odpowiadającą mu liczbę punktów na osi „Points”, zsumować poszczególne wyniki w celu uzyskania całkowitej liczby punktów, a następnie przenieść wynik całkowity na skalę prawdopodobieństwa, aby oszacować przewidywane ryzyko wysokiego obciążenia CSVD. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rysunek 5. Dyskryminacja i kalibracja modeli predykcyjnych. (A) Krzywe charakterystyki operacyjnej odbiornika (ROC) porównujące model bazowy i model rozszerzony. Dyskryminację modelu oceniono za pomocą pola pod krzywą charakterystyki operacyjnej odbiornika (AUC), a różnice między modelami ewaluowano za pomocą testu DeLonga. (B) Wykres kalibracji modelu rozszerzonego wygenerowany przy użyciu 1 000 bootstrapowych prób ponownych. Widoczne są krzywe kalibracji: pozorna, skorygowana o obciążenie oraz idealna, wraz z granicami ufności (CL). Wydajność kalibracji oceniono za pomocą średniego błędu bezwzględnego między prawdopodobieństwami przewidywanymi a obserwowanymi. Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.

Rysunek 6. Analiza krzywych decyzyjnych modeli predykcyjnych. Analiza krzywych decyzyjnych (DCA) porównująca korzyść netto modelu bazowego i modelu rozszerzonego dla zakresu prawdopodobieństw progowych. Strategie „Treat All” (lecz wszystkich) i „Treat None” (nie lecz nikogo) przedstawiono jako krzywe referencyjne. Aby wyświetlić powiększoną wersję tego rysunku, kliknij tutaj.

Ogólnie wyniki wykazały istotne nieskorygowane powiązania między stopniem zaawansowania chorób dziąseł, utratą zębów a wysokim obciążeniem CSVD, wraz z liniową zależnością między zmniejszającą się liczbą zachowanych zębów a zwiększającym się ryzykiem CSVD. Niemniej jednak, ciężkie zapalenie dziąseł oraz liczba zachowanych zębów nie były niezależnie powiązane z wysokim obciążeniem CSVD po korekcie wielowymiarowej. Otrzymane wyniki wspierają eksploracyjne wykorzystanie parametrów periodontologicznych w ramach wstępnego modelu wizualizacji ryzyka, lecz nie potwierdzają ich interpretacji jako niezależnych predyktorów ani nie potwierdzają roli nomogramu jako narzędzia przesiewowego umożliwiającego podjęcie działań klinicznych.

Dostępność danych:

Zanonimizowany zbiór danych na poziomie uczestników, stanowiący podstawę wyników przedstawionych w niniejszym badaniu, został dostarczony jako Tabela uzupełniająca 1 i został przesłany wraz z niniejszym manuskryptem.

Rycina uzupełniająca 1. Wybór zmiennych przy użyciu regresji LASSO (least absolute shrinkage and selection operator). Parametr strojenia (λ) zoptymalizowano za pomocą 10-krotnej walidacji krzyżowej w oparciu o dewiancję dwumianową. Pionowe linie przerywane wskazują optymalne wartości λ odpowiadające kryterium minimum oraz kryterium jednego błędu standardowego (1-SE).Kliknij tutaj, aby pobrać ten plik.

Rycina uzupełniająca 2. Analiza podgrup w zakresie związku między ciężkim zapaleniem przyzębia a wysokim obciążeniem zmian w mózgowych małych naczyniach krwionośnych (CSVD). Wykres leśny przedstawiający ilorazy szans (ORs) oraz 95% przedziały ufności (CIs) dla związku między ciężkim zapaleniem przyzębia a wysokim obciążeniem CSVD w określonych wcześniej podgrupach. Pionowa przerywana linia oznacza OR równy 1,0.Kliknij tutaj, aby pobrać ten plik.

Tabela uzupełniająca 1. Zanonimizowany zbiór danych na poziomie uczestników wspierający analizy przedstawione w niniejszym badaniu. Zbiór danych obejmuje zanonimizowane cechy demograficzne, naczyniowe czynniki ryzyka, zmienne badania periodontologicznego, pomiary laboratoryjne, wyniki obrazowania metodą rezonansu magnetycznego (MRI), wyniki oceny obciążenia mózgu chorobą małych naczyń mózgowych (CSVD) oraz zmienne oceny międzyobserwatorowej wykorzystane do analiz statystycznych. Definicje zmiennych odpowiadają tym opisanym w sekcji Protokół.Kliknij tutaj, aby pobrać ten plik.

Dyskusja

Niniejsze badanie miało na celu przeanalizowanie związku między destrukcją tkanek okresu, liczbą zachowanych zębów a skumulowanym obciążeniem CSVD, co doprowadziło do opracowania eksploracyjnego nomogramu klinicznego. Chociaż analizy jednowymiarowe wykazały powiązania między ciężkim zapaleniem dziąseł, utratą zębów a wysokim obciążeniem CSVD, wielowymiarowa regresja logistyczna wykazała, że ciężkie zapalenie dziąseł (P = 0.580) oraz liczba zachowanych zębów (P = 0.112) nie były niezależnie powiązane z wysokim obciążeniem CSVD po skorygowaniu o konwencjonalne czynniki ryzyka sercowo-naczyniowego, w tym wiek i nadciśnienie tętnicze. W związku z tym parametry te nie powinny być interpretowane jako niezależne predyktory wysokiego obciążenia CSVD w tej kohorcie. Przeciwnie, zaobserwowane korelacje uległy osłabieniu po korekcie wielowymiarowej. Poprzednie badania analizujące związek między zdrowiem jamy ustnej a chorobą naczyniową mózgu koncentrowały się głównie na poszczególnych markerach neuroobrazowania, takich jak udary lakunarne lub obciążenie hiperintensywnością istoty białej²⁶. W przeciwieństwie do nich, w niniejszym badaniu jako główny punkt końcowy przyjęto całkowity wynik obciążenia CSVD, zgodnie ze współczesnymi zaleceniami w zakresie neuroobrazowania i aktualnymi ramami koncepcyjnymi dotyczącymi choroby drobnych naczyń mózgowych, co zapewniło bardziej kompleksową ocenę rozproszonych uszkodzeń mikro naczyniowych mózgu^1,3,27.

Istotnym wynikiem analizy RCS był brak statystycznie znaczącego nieliniowego związku (P dla nieliniowości = 0,332), co potwierdza ciągłą liniową zależność między zmniejszającą się liczbą zachowanych zębów a rosnącym prawdopodobieństwem wysokiego obciążenia CSVD, zamiast wyraźnego efektu progowego. Próg 20 zachowanych zębów zastosowany do stratyfikacji wybrano zgodnie z uznanymi kryteriami klinicznymi dla funkcjonalnego uzębienia i pomyślnego starzenia się jamy ustnej, a nie na podstawie analizy sklejanych (splajnów)^16,17,18. Co kluczowe, próg 20 zachowanych zębów wykorzystany do stratyfikacji binarnej został określony przed analizą danych. Punkt odcięcia ten wybrano w oparciu o uznany konsensus kliniczny dotyczący funkcjonalnego uzębienia i pomyślnego starzenia się jamy ustnej (np. inicjatywa WHO „8020”), aby reprezentował minimalną liczbę zębów powszechnie uznawaną za niezbędną do zachowania podstawowych funkcji jamy ustnej, a nie na podstawie aktualnego zbioru danych. Utrata zębów i przewlekła choroba przyzębia pozostają istotnymi problemami zdrowia publicznego ze względu na ich powiązania z upośledzeniem funkcji jamy ustnej i zdrowiem ogólnoustrojowym²⁸. Pojawiające się dowody sugerują również potencjalnie dwukierunkową relację w obrębie osi jama ustna-mózg, w której choroba małych naczyń mózgowych może sama w sobie wiązać się z przyspieszonym pogorszeniem stanu przyzębia²⁹. Aby zoptymalizować wybór predyktorów, zastosowano model regresji LASSO z wykorzystaniem optymalizacji spadku współrzędnych (coordinate descent optimization)³⁰. W porównaniu z konwencjonalnymi podejściami regresji krokowej, LASSO zapewnia strukturę regularyzacji, która może poprawić stabilność modelu i zredukować przeuczenie w przypadku jednoczesnego uwzględnienia skorelowanych zmiennych klinicznych³¹. Zmienne zachowane po selekcji LASSO zostały następnie wprowadzone do wieloczynnikowego modelu regresji logistycznej w celu opracowania nomogramu. Chociaż Log_SII nie został zachowany przez zautomatyzowaną procedurę wyboru zmiennych LASSO, został on celowo włączony jako predefiniowana współzmienna kliniczna zarówno do podstawowego, jak i rozszerzonego modelu predykcyjnego ze względu na jego uznaną istotność kliniczną jako markeru stanu zapalnego w chorobie naczyniowej mózgu i zapaleniu przyzębia. Podejście to zapewniło korektę o ogólnoustrojowy stan zapalny, umożliwiając jednocześnie ocenę przyrostowego wkładu zmiennych przyzębia. Ponieważ LASSO jest techniką wyboru zmiennych predykcyjnych, a nie metodą wnioskowania przyczynowego, włączenie lub wykluczenie poszczególnych zmiennych nie powinno być interpretowane jako dowód na obecność lub brak współliniowości lub istotności przyczynowej.

Pod względem biologicznym ciężkie zapalenie przyzębia definiuje się jako miejscową infekcję dysbiotyczną, która może przyczyniać się do ogólnoustrojowych odpowiedzi zapalnych³². Wykazano, że terapia periodontologiczna redukuje ogólnoustrojowe markery zapalne i poprawia funkcję śródbłonka obwodowego, co potwierdza związek między zdrowiem jamy ustnej a funkcją naczyniową³³. Patogeny periodontalne, w tym Porphyromonas gingivalis, oraz ich komponenty lipopolisacharydowe mogą przedostawać się do krążenia systemowego podczas żucia lub zabiegów higieny jamy ustnej, a komponenty bakteryjne wykryto w tkankach neuronalnych³⁴. Przewlekła ogólnoustrojowa ekspozycja na te bodźce zapalne została zaproponowana jako jeden z mechanizmów, które mogą przyczyniać się do dysfunkcji śródbłonka i uszkodzenia bariery krew-mózg – procesów uwikłanych w patogenezę choroby małych naczyń mózgowych³⁵. Aby ocenić użyteczność kliniczną powstałego modelu predykcyjnego, przeprowadzono analizę DCA w celu oceny potencjalnej korzyści netto dla zakresu prawdopodobieństw progowych³⁶. Chociaż DCA sugerowała potencjalne korzyści w porównaniu ze strategiami domyślnymi, reprezentuje ona teoretyczną wydajność modelu i nie ustanawia rzeczywistej korzyści klinicznej ani poprawy wyników u pacjentów. W celu zapewnienia przejrzystego raportowania oraz ułatwienia niezależnej oceny i replikacji, opracowanie i opis tego eksploracyjnego schematu postępowania przebiegało zgodnie z wytycznymi Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD)³⁷. Niniejsze ramy raportowania są istotne, ponieważ postawiono hipotezę, że przewlekły, niskostopniowy stan zapalny jamy ustnej oddziałuje z ogólnoustrojowymi szlakami metabolicznymi zaangażowanymi w neurodegenerację mózgu³⁸. Ewaluacja modelu objęła uznane miary walidacyjne wraz z dodatkowymi wskaźnikami wydajności predykcyjnej³⁹. W szerszym ujęciu podejście to odzwierciedla potencjalne ogólnoustrojowe skutki miejscowego stanu zapalnego błon śluzowych⁴⁰. Niemniej jednak, biorąc pod uwagę umiarkowaną zdolność dyskryminacyjną modelu (AUC = 0.688), brak statystycznie istotnej poprawy AUC w porównaniu z modelem bazowym według testu DeLonga (P = 0.263) oraz szerokie przedziały ufności dla zmiennych dotyczących zdrowia jamy ustnej, zaproponowany nomogram należy interpretować ściśle jako wstępne, eksploracyjne narzędzie wizualizacyjne, a nie jako klinicznie stosowalne narzędzie w rutynowej praktyce neurologicznej.

Kilka kroków metodologicznych ma kluczowe znaczenie dla powtarzalności i skutecznego wdrożenia proponowanego schematu postępowania i może wpływać na zgłoszoną wydajność modelu. Po pierwsze, badania periodontologiczne powinny być wysoko zestandaryzowane, a skalibrowani badacze powinni przeprowadzać pomiary głębokości kieszonek dziąsłowych oraz poziomu przyczepu klinicznego w całym jamie ustnej w sześciu punktach na ząb, zgodnie z ramami klasyfikacji EFP/AAP z 2018 roku¹⁵. Po drugie, powtarzalność obrazowania neurologicznego zależy od zestandaryzowanych protokołów akwizycji obrazów z rezonansu magnetycznego 3.0 T, w tym sekwencji fluid-attenuated inversion recovery (FLAIR) oraz susceptibility-weighted imaging (SWI), wraz z walidowanymi, opartymi na konsensusie kryteriami oceny całkowitego obciążenia chorobą małych naczyń mózgowych (CSVD)¹. Po trzecie, pobieranie krwi i przetwarzanie laboratoryjne powinny być zestandaryzowane z wykorzystaniem próbek krwi żylnej pobranych na czczo oraz spójnych procedur postępowania z próbkami, aby zapewnić wiarygodne obliczenie logarytmu naturalnego Systemowego Indeksu Immunologiczno-Zapalnego (Log_SII). Dodatkowe środki, które mogą usprawnić wdrożenie, obejmują elektroniczną dokumentację stomatologiczną w celu ograniczenia błędów przy ręcznym wprowadzaniu danych oraz zestandaryzowane procedury postępowania z brakującymi danymi.

Pomimo tych rozważań metodologicznych należy uznać kilka ograniczeń. Jednoośrodkowy, retrospektywny charakter badania przekrojowego uniemożliwia wyciągnięcie wniosków dotyczących przyczynowości. Ponadto, choć uwzględnienie 129 zdarzeń z wysokim obciążeniem CSVD spełniło kryterium liczby zdarzeń na zmienną niezbędne do opracowania stabilnego modelu, stosunkowo mała liczebność próby ograniczyła moc statystyczną analiz wielowymiarowych. Model nie uwzględniał również kilku potencjalnych czynników zakłócających, w tym praktyk higieny jamy ustnej (np. częstotliwości szczotkowania zębów i nitkowania) oraz wcześniejszego leczenia periodontologicznego, z których oba mogą wpływać na stan tkanek okołowierzchołkowych. Ponadto nie można wykluczyć odwrotnej przyczynowości, ponieważ pacjenci z zaawansowanym CSVD lub niepełnosprawnością po udarze mogą wykazywać zaburzenia funkcji poznawczych, motorycznych i sprawności manualnej, co potencjalnie upośledza praktyki higieny jamy ustnej⁴¹ i ogranicza korzystanie z rutynowej opieki stomatologicznej⁴². W konsekwencji zaawansowane zapalenie przyzębia może w części stanowić następstwo, a nie przyczynę uszkodzeń naczyniowo-nerwowych. Na koniec, retrospektywny charakter badania uniemożliwił pobranie próbek płytki poddziasłowej do sekwencjonowania 16S rRNA lub profilowania metagenomicznego, co ograniczyło badanie potencjalnych zależności między mikrobiomem jamy ustnej a krążącymi mediatorami zapalnymi lub biomarkerami związanymi z amyloidem⁴³. Brak niezależnej zewnętrznej kohorty walidacyjnej pozostaje istotnym ograniczeniem, a możliwości generalizacji proponowanego modelu na inne populacje nie ustalono jeszcze. Wskazane jest przeprowadzenie w przyszłości wieloośrodkowych badań prospektywnych z formalną oceną liczebności próby, zewnętrzną walidacją oraz włączeniem dodatkowych markerów biologicznych.

Podsumowując, ciężki przebieg zapalenia przyzębia oraz zachowanie mniej niż 20 zębów wykazały istotne powiązania jednowymiarowe z dużym obciążeniem CSVD; jednak powiązania te uległy osłabieniu po korekcie wielowymiarowej i w tej kohorcie nie były niezależnie powiązane z dużym obciążeniem CSVD. Zaproponowany nomogram kliniczny, który integruje parametry przyzębia z konwencjonalnymi czynnikami ryzyka, stanowi wstępne, nieinwazyjne i eksploracyjne ramy dla indywidualnej wizualizacji ryzyka, a nie klinicznie zwalidowane narzędzie przesiewowe. Przed rozważeniem rutynowego zastosowania klinicznego wymagana jest walidacja zewnętrzna w niezależnych kohortach. Chociaż niezbędne są badania podłużne, aby wyjaśnić związek przyczynowo-skutkowy między zdrowiem jamy ustnej a CSVD, utrzymanie zdrowia przyzębia i zachowanie funkcjonalnego uzębienia pozostają ważnymi obszarami przyszłych wielodyscyplinarnych badań nad związanymi z wiekiem chorobami naczyniowo-mózgowymi.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Automatyczny analizator hematologiczny	Sysmex	XN-1000	Służy do wyznaczania liczby komórek krwi obwodowej w celu obliczenia systemowego indeksu zapalno-immunologicznego (SII).
Probówki do pobierania krwi z EDTA (K2 EDTA)	Becton, Dickinson and Company	367841	Służą do pobierania krwi żylnej na czczo.
System Elektronicznej Dokumentacji Medycznej (EDM)	Winning Health Technology Group	Winning EMR v6.0	Służy do wyodrębniania danych demograficznych i klinicznych pacjentów.
Skaner do obrazowania rezonansem magnetycznym (MRI) (3,0 T)	Siemens Healthineers	MAGNETOM Prisma 3.0T	Służy do przeprowadzania standaryzowanych badań rezonansu magnetycznego czaszki.
Cewka MRI do głowy	Siemens Healthineers	64-channel Head/Neck Coil	Standardowa cewka do głowy używana podczas akwizycji obrazów MRI.
Sonda periodontologiczna (UNC-15)	Hu-Friedy	PCPUNC15	Służy do pomiaru głębokości kieszonki periodontologicznej (PPD) oraz poziomu przyczepu klinicznego (CAL).
Pakiet R: dcurves	CRAN	Version 0.4.0	Służy do analizy krzywych decyzyjnych (DCA).
Pakiet R: glmnet	CRAN	Version 4.1-8	Służy do regresji LASSO (least absolute shrinkage and selection operator) oraz selekcji zmiennych.
Pakiet R: pROC	CRAN	Version 1.18.5	Służy do analizy krzywej ROC (receiver operating characteristic) oraz testów DeLonga.
Pakiet R: PredictABEL	CRAN	Version 1.2-4	Służy do obliczania ciągłego wskaźnika poprawy reklasyfikacji (NRI) oraz zintegrowanego wskaźnika poprawy dyskryminacji (IDI).
Pakiet R: rms	CRAN	Version 6.7-1	Służy do analizy ograniczonych splajnów sześciennych (RCS), konstruowania nomogramów oraz kalibracji metodą bootstrap.
Oprogramowanie R do obliczeń statystycznych	R Foundation for Statistical Computing	Version 4.3.1	Środowisko obliczeń statystycznych wykorzystane we wszystkich analizach.