Ein Abonnement von JoVE ist erforderlich, um diesen Inhalt anzuzeigen. Melden Sie sich an oder beginnen Sie noch heute mit einer kostenlosen Testphase.

Forschungsartikel

Entwicklung und interne Validierung eines explorativen Nomogramms zur Bestimmung der Last von zerebralen Mikroangiopathien unter Verwendung parodontaler Parameter

54 Aufrufe

⸱

DOI:

10.3791/71563

⸱

21. August 2026

 , 
1Department of Stomatology, Changzhou No.2 People's Hospital

In diesem Artikel

Zusammenfassung

Dieses Protokoll beschreibt die Entwicklung und interne Validierung eines explorativen Nomogramms, das parodontale Parameter und konventionelle Risikofaktoren integriert, um die Belastung durch zerebrale Kleingefäßerkrankungen für eine individualisierte Risikostratifizierung abzuschätzen.

Zusammenfassung

Die zerebrale Kleingefäßerkrankung (CSVD) ist eine wesentliche Ursache für Schlaganfall und kognitiven Verfall, doch der Beitrag der Parodontalerkrankung zur gesamten CSVD-Belastung bleibt unklar. Wir verfolgten das Ziel, ein exploratives klinisches Nomogramm zu entwickeln und intern zu validieren, das Parodontalparameter zur Abschätzung einer hohen CSVD-Belastung einbezieht. Insgesamt 234 Personen unterzogen sich einer Magnetresonanztomographie (MRT) zur Beurteilung der gesamten CSVD-Belastung (Score 0–4). Die Schwere der Parodontitis und die Anzahl der verbliebenen Zähne wurden erfasst. Die mittels Least-Absolute-Shrinkage-and-Selection-Operator-(LASSO-)Regression ausgewählten optimalen Prädiktoren wurden in eine multivariable logistische Regression eingegeben, um das Nomogramm zu erstellen, das hinsichtlich Diskriminierung, Kalibrierung und klinischer Nützlichkeit bewertet wurde. Eine Analyse mit eingeschränkten kubischen Splines zeigte einen linearen Dosis-Wirkungs-Zusammenhang zwischen Zahnverlust und hoher CSVD-Belastung (P für Nichtlinearität = 0,332). Die multivariable Analyse identifizierte fortgeschrittenes Alter und Hypertonie als unabhängige prognostische Faktoren; hingegen waren die Assoziationen von schwerer Parodontitis (P = 0,580) und starkem Zahnverlust (P = 0,112) abgeschwächt und nicht unabhängig mit einer hohen CSVD-Belastung assoziiert, nachdem sie angepasst worden waren. Das Nomogramm zeigte eine mäßige Diskriminierung (Fläche unter der Kurve = 0,675) und eine günstige, mittels Bootstrap validierte Kalibrierung (mittlerer absoluter Fehler = 0,038). Die Entscheidungskurvenanalyse deutete auf eine potenzielle klinische Nützlichkeit innerhalb ausgewählter Risikoschwellenwerte hin, obwohl die Interpretation aufgrund des Fehlens einer externen Validierung weiterhin als explorativ gilt. Obwohl schwere Parodontitis und Zahnverlust univariable Assoziationen mit einer hohen CSVD-Belastung zeigten, erwiesen sie sich nach multivaribaler Anpassung nicht als unabhängige Prädiktoren. Dieses explorative Nomogramm bietet einen vorläufigen visuellen Rahmen für die individuelle Risikostratifizierung und bedarf weiterer externer Validierung, bevor eine klinische Anwendung in Betracht gezogen werden kann.

Einleitung

Die zerebrale Kleingefäßerkrankung (CSVD) ist eine chronische und schleichende mikrovaskuläre Erkrankung des Gehirns, die weithin als führende vaskuläre Ursache für Schlaganfall, kognitiven Leistungsabfall und Bewegungsstörungen bei älteren Erwachsenen anerkannt wird1. Bisher wurden einzelne Magnetresonanztomographie-(MRT-)Marker der CSVD, darunter weiße Substanz-Hyperintensitäten (WMH), lakunäre Infarkte, zerebrale Mikroblutungen (CMBs) und erweiterte perivaskuläre Räume (EPVS), unabhängig voneinander bewertet. Diese neurobildgebenden Phänotypen treten jedoch häufig gemeinsam auf und werden durch gemeinsame pathologische Mechanismen verursacht, insbesondere durch endotheliale Dysfunktion und mikrovaskuläre Leckage2. Folglich empfehlen aktuelle Konsensusaussagen die Verwendung eines Gesamtbelastungsscores für die CSVD3. Dieses integrierte Maß erfasst den kumulativen Einfluss zerebraler mikrovaskulärer Schädigungen umfassender als einzelne bildgebende Marker und liefert einen besseren Indikator für die gesamte neurologische Verschlechterung4.

Die Ätiologie der CSVD ist noch nicht vollständig verstanden; zunehmend wird jedoch chronische systemische Entzündung in niedrigem Grad als wesentlicher Faktor für zerebrale endotheliale Schädigungen und die Störung der Blut-Hirn-Schranke anerkannt5. In diesem Zusammenhang hat sich die Parodontitis, eine weit verbreitete, durch dysbiotische Biofilme ausgelöste Entzündungserkrankung des zahnbefördernden Gewebes, im Rahmen der orofazialen Achse als potenziell beeinflussbarer Risikofaktor für neurovaskuläre Erkrankungen herauskristallisiert6. Schwere Parodontitis führt nicht nur zu fortschreitendem Knochenabbau im Alveolarfortsatz und letztlich zum Zahnverlust, sondern stellt auch eine anhaltende Quelle für parodontale Pathogene und proinflammatorische Zytokine dar7. Diese entzündungsfördernden Mediatoren können in den systemischen Kreislauf gelangen und so zur Gefäßremodellierung und Atherogenese beitragen8.

Neuere epidemiologische Studien haben einen Zusammenhang zwischen schwerer Parodontitis und einem erhöhten Risiko für ischämischen Schlaganfall9 gezeigt. Dennoch bleibt die Evidenz bezüglich ihres Zusammenhangs mit der kumulativen Belastung durch CSVD begrenzt und fragmentiert. Außerdem wurde der Verlust von Zähnen, die letztendliche klinische Folge einer Parodontalerkrankung, mit kognitivem Verfall und kardiovaskulärer Mortalität in Verbindung gebracht10. Der Dosis-Wirkungs-Zusammenhang zwischen Zahnverlust und zerebrovaskulärer Schädigung ist jedoch weiterhin unzureichend verstanden. Insbesondere ist unklar, ob das Risiko für CSVD ansteigt, sobald eine kritische Schwelle an verbliebenen Zähnen erreicht ist, oder ob ein kontinuierlicher linearer Dosis-Wirkungs-Verlauf vorliegt.

Obwohl die Assoziation zwischen parodontaler Zerstörung und zerebraler mikrovaskulärer Schädigung biologisch plausibel ist, müssen die systemischen immuninflammatorischen Mechanismen, die dieser Beziehung zugrunde liegen, weiter charakterisiert werden. Herkömmliche inflammatorische Biomarker, einschließlich isolierter Leukozyten-Teilgruppenzahlen und hochsensitivem C-reaktivem Protein, erfassen möglicherweise nicht ausreichend die Komplexität der immuninflammatorischen Wirtsantwort in klinischen Settings. Der systemische Immun-Inflammations-Index (SII), berechnet aus peripheren Thrombozyten-, Neutrophilen- und Lymphozytenzahlen, hat sich kürzlich als umfassender inflammatorischer Biomarker11 etabliert. Der SII spiegelt das Gleichgewicht zwischen systemischer inflammatorischer Aktivität und Immunstatus wider. Erhöhte SII-Werte haben einen prognostischen Wert bei einer Reihe von zerebrovaskulären Erkrankungen gezeigt, indem sie Schweregrad des akuten Schlaganfalls und ungünstige funktionelle Ergebnisse vorhersagen, und wurden zudem mit der gesamten CSVD-Belastung, kognitiver Beeinträchtigung sowie der graduierten Diagnose der Parodontitis assoziiert12,13. Da Parodontitis eine chronische systemische Entzündung hervorruft, könnte die gleichzeitige Bewertung des SII zusammen mit parodontalen Parametern die Identifizierung von Personen mit erhöhtem Risiko für inapparente zerebrale mikrovaskuläre Schädigungen verbessern.

Trotz wachsenden Interesses an der orofazialen Achse weist die aktuelle Literatur mehrere methodische Einschränkungen auf. Die meisten Studien konzentrierten sich auf einzelne bildgebende Marker der CSVD oder isolierte Parameter der Mundgesundheit, ohne Schweregrad der Parodontitis, ihre endgültige klinische Konsequenz (Zahnverlust) und systemische immuninflammatorische Reaktionen in eine einheitliche Bewertung einzubeziehen. Noch wichtiger ist, dass die klinische Praxis praktische Risikobewertungsinstrumente erfordert, visuelle Werkzeuge wie Nomogramme zur Identifizierung von Patienten mit hohem Risiko für CSVD auf der Grundlage kombinierter oraler und systemischer inflammatorischer Profile jedoch begrenzt sind. Bestehende Ansätze zur Risikobewertung von CSVD stützen sich hauptsächlich auf einzelne Biomarker oder konventionelle demografische Faktoren, die möglicherweise die multifaktoriellen Wechselwirkungen zwischen systemischer Entzündung und oraler Gesundheit nicht ausreichend erfassen. Darüber hinaus erfordert die Entwicklung zuverlässiger Vorhersagemodelle robuste Methoden zur Variablenselektion. Herkömmliche Ansätze wie die schrittweise Regression können bei Anwendung auf hochdimensionale klinische Datensätze instabil sein und von korrelierten Prädiktoren beeinflusst werden. Der Ansatz der Regression mit der Methode der kleinsten absoluten Schrumpfung und Selektion (LASSO) begegnet diesen Herausforderungen, indem er eine Koeffizientenstrafung anwendet, um Überanpassung zu reduzieren und die informativsten Prädiktoren für die Modellentwicklung zu identifizieren14.

Angesichts dieser Wissenslücken wurde diese retrospektive Querschnittsstudie mit zwei primären Zielsetzungen konzipiert. Erstens zielten wir darauf ab, die Dosis-Wirkungs-Beziehung zwischen der Anzahl erhaltener Zähne und einer hohen CSVD-Belastung mithilfe einer Analyse mit eingeschränkten kubischen Splines (RCS) zu charakterisieren, um mögliche nichtlineare Schwelleneffekte und lineare Trends zu bewerten. Zweitens strebten wir die Entwicklung eines explorativen klinischen Nomogramms unter Verwendung einer Variablenselektion basierend auf LASSO an und beurteilten die zusätzliche Risikoreklassifizierung, die durch parodontale Parameter über herkömmliche Risikofaktoren hinausgeht. Wir vermuteten, dass die Integration des parodontalen Status, des Zahnverlusts und des SII in ein mehrdimensionales Modell einen explorativen visuellen Rahmen zur Abschätzung der kumulativen CSVD-Belastung liefern und die individuelle Risikostratifizierung verbessern könnte. In der klinischen Praxis soll das vorgeschlagene Nomogramm als schnelles, nicht-invasives unterstützendes Werkzeug dienen, das Neurologen dabei hilft, Patienten zu identifizieren, die von einer frühen zerebrovaskulären Untersuchung oder einer zahnmedizinischen Beurteilung durch ein interdisziplinäres Team profitieren könnten. Aufgrund seines explorativen Charakters, der bescheidenen Diskriminierungsleistung und des Fehlens einer externen Validierung sollte das Nomogramm jedoch nicht als Ersatz für eine auf Magnetresonanztomographie (MRT) basierende Diagnose betrachtet werden. Zudem kann seine Anwendung bei Patienten mit aktiven akuten Infektionen, schweren Autoimmunerkrankungen oder jüngeren Traumata eingeschränkt sein, da diese Zustände systemische entzündliche Biomarker erheblich beeinflussen und die Risikoschätzung beeinträchtigen können.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

Diese retrospektive, querschnittsanalytische Assoziationsstudie schloss aufeinanderfolgende Patienten ein, die zwischen Januar 2022 und Dezember 2024 zur Abklärung von Schwindel, Kopfschmerzen, Schlaganfallvorsorge oder kognitiver Beurteilung in die Abteilung für Neurologie des Zweiten Volkskrankenhauses von Changzhou aufgenommen wurden. Die informierte Einwilligung wurde aufgrund des retrospektiven, nicht-interventionellen Charakters der Studie sowie der Verwendung vollständig anonymisierter Daten nicht eingeholt. Die Studie wurde vom Ethikkomitee für klinische medizinische Technologien des Zweiten Volkskrankenhauses von Changzhou genehmigt (IRB-Zulassungs-ID: [2023] YLJSA069) und gemäß den institutionellen Richtlinien durchgeführt.

Studienaufbau und Patientenpopulation

Zunächst wurden 850 Patienten evaluiert. Die Ausschlusskriterien wurden streng wie folgt definiert: (1) unvollständige Schädel-MRT-Sequenzen (insbesondere fehlende susceptibility-gewichtete Bildgebung [SWI], was eine genaue Beurteilung von Mikroblutungen verhinderte); (2) fehlende detaillierte parodontale Sondierungsbefunde oder Angaben zur Vollgebiss-Zahlanzahl; (3) unvollständige Blutbildbefunde, die eine Berechnung des SII verhinderten; (4) Anamnese eines massiven Schlaganfalls, eines Hirntumors, einer traumatischen Hirnverletzung oder einer Infektion des zentralen Nervensystems; sowie (5) Vorliegen einer aktiven akuten Infektion, einer schweren Autoimmunerkrankung oder einer Malignität innerhalb des letzten Monats, um störende Einflüsse auf systemische inflammatorische Marker zu minimieren. Zur Sicherstellung der Datenintegrität wurde ein Complete-Case-Analyseansatz verwendet, bei dem Personen, bei denen irgendein zentrales klinisch-radiologisches Parameter fehlte, ausgeschlossen wurden. Nach der Selektion wurden 234 berechtigte Teilnehmer in die Analyse eingeschlossen. Diese Stichprobe, bestehend aus 129 Hochlast-Ereignissen, erfüllte das Verhältnis von Ereignissen pro Variable (EPV) >10 Faustregeln für stabile multivariable Modellierung.

Beurteilung des parodontalen Status und der Entzündung

Zwei kalibrierte Parodontologen führten alle klinischen oralen Beurteilungen mit einer standardisierten Parodontaltaschenmesssonde durch.

Vor der Studie absolvierten beide Untersucher eine Standardisierungsschulung, und die Übereinstimmung zwischen den Untersuchern war ausgezeichnet (Cohens κ = 0,82). Die Taschentiefe bei der Befundung (PPD) und das klinische Attachmentniveau (CAL) wurden an sechs Stellen pro Zahn gemessen. Basierend auf dem von Tonetti et al.15 beschriebenen Klassifikationsrahmen aus dem Jahr 2018 wurde die Parodontalerkrankung als leicht/unauffällig, moderat oder schwer eingestuft. Konkret wurden die Teilnehmer wie folgt kategorisiert: (1) Leichte/unauffällige Parodontitis (einschließlich parodontaler Gesundheit und Parodontitis Stadium I), definiert als interdentales klinisches Attachmentniveau (CAL) an der Stelle des größten Attachmentverlusts ≤2 mm und Befundungstaschentiefe (PPD) ≤4 mm, ohne zahnverlustbedingte Folgen der Parodontitis; (2) Moderate Parodontitis (Parodontitis Stadium II), definiert als interdentales CAL von 3–4 mm, maximale PPD ≤5 mm und nicht mehr als vier Zähne verloren aufgrund der Parodontitis; und (3) Schwere Parodontitis (Parodontitis Stadium III/IV), definiert als interdentales CAL ≥5 mm, PPD ≥6 mm und/oder Verlust von vier oder mehr Zähnen aufgrund parodontaler Zerstörung15.

Die Anzahl der erhaltenen Zähne wurde ebenfalls für jeden Teilnehmer dokumentiert. Da das Vorhandensein von mindestens 20 funktionellen Zähnen als weit verbrecheter klinischer Maßstab für die Erhaltung der grundlegenden Mundfunktion und eines erfolgreichen oralen Alterns gilt16,17,18, wurde die absolute Zahl der Zähne in eine binäre Variable umgewandelt: schwerer Zahnverlust (<20 Zähne) versus nicht-schwerer Zahnverlust (≥20 Zähne).

Bezüglich der systemischen Entzündung wurde der SII aus nüchternen Blutproben berechnet, die bei der Aufnahme gesammelt wurden. Venöse Blutproben wurden in EDTA-Röhrchen gesammelt und gemäß dem standardmäßigen klinischen Laborprotokoll des Krankenhauses vor der Analyse mit einem automatisierten Hämatologieanalysator verarbeitet, um die Anzahlen von Neutrophilen, Lymphozyten und Thrombozyten zu ermitteln. Der Index wurde wie folgt berechnet:

SII-Formel: Thrombozytenzahl × Neutrophile Zahl / Lymphozytenzahl; Gleichung für die Immunantwort

Um die stark schief verteilten SII-Werte zu berücksichtigen, wurde vor der Einbeziehung in die statistischen Analysen eine natürliche logarithmische Transformation (Log_SII) angewendet.

MRT-Akquise und gesamte CSVD-Belastung

Alle Probanden unterzogen sich standardisierten zerebralen MRT-Untersuchungen mit einem 3,0-T-MRT-Scanner, der mit einer Standard-Kopfspule ausgestattet war. Das Bildgebungsprotokoll umfasste T1-gewichtete, T2-gewichtete, fluid-attenuierte Inversionsrecovery-(FLAIR)- und suszeptibilitätsgewichtete Bildgebungssequenzen (SWI) mit einer Schichtdicke von 5 mm. Die standardmäßigen Bildgebungsparameter wurden wie folgt festgelegt: T1-gewichtete Bildgebung (Wiederholungszeit [TR] = 2.000 ms, Echozeit [TE] = 9 ms, Bildfeld [FOV] = 230 × 230 mm2, Matrixgröße = 256 × 256); T2-gewichtete Bildgebung (TR = 4.500 ms, TE = 85 ms, FOV = 230 × 230 mm2, Matrixgröße = 256 × 256); FLAIR-Bildgebung (TR = 8.500 ms, TE = 120 ms, Inversionszeit [TI] = 2.400 ms, FOV = 230 × 230 mm2, Matrixgröße = 256 × 256); und SWI-Bildgebung (TR = 28 ms, TE = 20 ms, Kippwinkel = 15°, FOV = 230 × 230 mm2, Matrixgröße = 256 × 256). Alle Sequenzen wurden mit einer Schichtdicke von 5 mm und einem zwischen den Schichten liegenden Abstand von 1,0 mm aufgenommen. Der spezifische Scanner ist in der Materialtabelle aufgeführt. Die bildgebenden Marker der CSVD wurden unabhängig voneinander von zwei auf Neuroradiologie spezialisierten Ärzten bewertet, die keine Kenntnis von den klinischen Daten der Teilnehmer hatten. Die Übereinstimmung zwischen den Beurteilern hinsichtlich der Gesamtbelastungsskala für CSVD war hoch (Cohens κ = 0,85). Unstimmigkeiten wurden im Konsens mit einem dritten, erfahrenen Arzt gelöst.

Entsprechend dem etablierten internationalen Konsensus1,3 wurde die kumulative CSVD-Belastung anhand von vier neurobildgebenden Merkmalen auf einer Skala von 0 bis 4 quantifiziert. Für jeden der folgenden Befunde im MRT erhielt der Patient einen Punkt: (1) mindestens ein lakunärer Infarkt; (2) eine oder mehrere zerebrale Mikroblutungen (CMBs); (3) mäßig bis schwergradig erweiterte perivaskuläre Räume (EPVS) im Bereich der Basalganglien (Grad ≥2); und (4) schwere weiße Substanz-Hyperintensitäten (WMH), definiert als Fazekas-Score von ≥2 in der tiefen weißen Substanz oder 3 im periventrikulären Bereich. Die diagnostischen Definitionen folgten strikt dem internationalen Konsensus „Standards for Reporting Vascular Changes on Neuroimaging“ (STRIVE-1)1. Die weiße Substanz-Hyperintensitäten (WMH) wurden anhand der Fazekas-Skala19 eingestuft, und die erweiterten perivaskulären Räume (EPVS) in den Basalganglien wurden mit der validierten 4-Punkte-Visuell-Bewertungsskala nach Potter et al.20 klassifiziert. Zur Entwicklung des Risikoabschätzungsmodells wurden Patienten mit einem Gesamt-CSVD-Belastungsscore von ≥2 als hoch belastet eingestuft, da diese Schwelle konsistent mit einer beschleunigten kognitiven Verschlechterung und erhöhter Mortalität assoziiert ist21,22,23.

Erhebung von Kovariablen-Daten

Die demografischen Merkmale der Patienten und die klinische Anamnese wurden aus den elektronischen Gesundheitsakten der Institution extrahiert. Zu den erfassten Variablen gehörten Alter, Geschlecht, Body-Mass-Index (BMI), Raucherstatus und Alkoholkonsum. Zusätzlich wurden kardiometabolische und vaskuläre Komorbiditäten, einschließlich Dyslipidämie, Diabetes mellitus, Hypertonie, koronare Herzkrankheit (CAD), Anamnese eines Myokardinfarkts (MI) und vorangegangener ischämischer Schlaganfall, für jeden Teilnehmer dokumentiert.

Alle Komorbiditäten wurden durch Überprüfung der ärztlichen Diagnosen in den stationären Krankenakten, der Medikationsanamnese sowie routinemäßiger Labor- und bildgebender Untersuchungen bei Aufnahme gemäß etablierter klinischer Leitlinien bestätigt. Hypertonie wurde definiert als systolischer Blutdruck ≥140 mmHg, diastolischer Blutdruck ≥90 mmHg oder aktuelle antihypertensive Therapie. Diabetes mellitus wurde definiert als nüchternen Plasma-Glukosekonzentration ≥7,0 mmol/L, glykiertes Hämoglobin (HbA1c) ≥6,5 % oder Einnahme von blutzuckersenkenden Medikamenten. Dyslipidämie wurde anhand nüchterner serumlipider Auffälligkeiten oder aktueller lipid-senkender Therapie festgestellt. KHK, Vorgeschichte eines Myokardinfarkts und vorangegangener ischämischer Schlaganfall wurden anhand dokumentierter klinischer Anamnese und historischer neurovaskulärer oder kardiologischer Bildgebungsbefunde, die im elektronischen Gesundheitsakten-System verfügbar waren, bestätigt.

Statistische Analyse und Modellentwicklung

Vor der statistischen Analyse wurde die Normalverteilung der stetigen Variablen mithilfe des Shapiro-Wilk-Tests überprüft. Deskriptive Statistiken für kategoriale Variablen wurden als Anzahlen (Prozentanteile) zusammengefasst und, soweit angemessen, mittels Chi-Quadrat-Test nach Pearson oder exaktem Test nach Fisher verglichen. Stetige Variablen mit normaler Verteilung wurden als Mittelwerte ± Standardabweichungen angegeben und mittels Students t-Test verglichen, während nicht normalverteilte Variablen als Mediane mit Interquartilsabständen dargestellt und mittels Mann-Whitney-U-Test verglichen wurden. Um mögliche nichtlineare Dosis-Wirkungs-Muster zwischen der Anzahl der erhaltenen Zähne und dem Risiko einer hohen CSVD-Belastung zu untersuchen, wurde ein RCS-Modell, das für Alter, Hypertonie und Log_SII adjustiert war, mit vier Knoten an den 5., 35., 65. und 95. Perzentilen der Zahnanzahlverteilung erstellt. Eine formelle Prüfung auf Nichtlinearität erfolgte mittels Varianzanalyse (ANOVA), um zu bestimmen, ob ein Schwelleneffekt oder ein kontinuierlicher linearer Trend den beobachteten Zusammenhang am besten erklärt.

Um eine Variablenselektion bei Vorliegen korrelierter Prädiktoren durchzuführen, wurden alle Basisvariablen in ein LASSO-Regressionsmodell eingegeben. Der optimale Tuning-Parameter (λ) wurde mittels 10-facher Kreuzvalidierung bestimmt und gemäß dem Kriterium der minimalen binomialen Abweichung ausgewählt (λmin). Variablen mit von null verschiedenen Koeffizienten wurden für nachfolgende Analysen beibehalten. Die ausgewählten Variablen wurden anschließend in ein multivariates logistisches Regressionsmodell eingegeben, um Odds Ratios (ORs) und 95%-Konfidenzintervalle (CIs) bezüglich ihres Zusammenhangs mit einer hohen CSVD-Belastung zu schätzen. Anschließend wurde das endgültige multivariable Modell verwendet, um ein exploratives klinisches Nomogramm zur individuellen Risikoschätzung zu erstellen.

Um den zusätzlichen Nutzen der parodontalen Parameter zu bewerten, wurde ein Basismodell (bestehend aus Alter, Hypertonie und Log_SII) mit einem erweiterten Modell, das den Parodontitisgrad und die Anzahl der Zähne einschloss, verglichen. Die Modellleistung wurde anhand mehrerer komplementärer Maßzahlen beurteilt. Die Diskriminationsfähigkeit wurde mittels der Fläche unter der Receiver-Operating-Characteristic-Kurve (AUC) ermittelt, und die Unterschiede zwischen den Modellen wurden mit dem DeLong-Test24 verglichen. Bei der optimalen Grenze, bestimmt durch den maximalen Youden-Index, wurden zusätzlich Sensitivität, Spezifität, positiver Vorhersagewert (PPV) und negativer Vorhersagewert (NPV) berechnet. Die kontinuierliche netto-Reklassifizierungsverbesserung (NRI) und die integrierte Diskriminierungsverbesserung (IDI) wurden berechnet, um die zusätzliche Risikoreklassifizierung durch das erweiterte Modell zu quantifizieren25. Die Kalibrierung wurde anhand von Kalibrierungsdiagrammen beurteilt, die aus 1.000 Bootstrap-Stichproben mithilfe des rms-Pakets erstellt wurden, und der mittlere absolute Fehler zwischen den vorhergesagten und beobachteten Risiken wurde berechnet. Um eine mögliche Überanpassung zu berücksichtigen und eine unverzerrte Bewertung der Modellleistung zu gewährleisten, wurde bei der Bootstrap-Validierung eine Korrektur für Optimismus vorgenommen, wobei sowohl die bias-korrigierte als auch die scheinbare Modellleistung angegeben wurden. Eine Entscheidungskurvenanalyse (DCA) wurde durchgeführt, um den potenziellen klinischen Nutzen zu bewerten, indem der Nettogewinn über einen Bereich von Schwellenwahrscheinlichkeiten hinweg geschätzt wurde. Alle statistischen Analysen und Visualisierungen wurden mit statistischer Software sowie den Paketen rms, glmnet, pROC, PredictABEL und dcurves durchgeführt. Statistische Signifikanz wurde als zweiseitiger P-Wert von <0,05 definiert.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

Studienplanung und Patientenpopulation

Nach Ausschluss von 616 Personen aufgrund schwerwiegender Störgrößen oder fehlender klinisch-radiologischer Daten umfasste die endgültige Analyse 234 für die neurologische Beurteilung zugelassene Teilnehmer (Abbildung 1). Die Teilnehmer wurden entsprechend ihrer aggregierten CSVD-Scores in Gruppen mit hohem (n = 129) und niedrigem (n = 105) Befall eingeteilt. Die demografischen und klinischen Basisdaten beide...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

Die vorliegende Studie untersuchte den Zusammenhang zwischen parodontaler Zerstörung, erhaltener Zahnanzahl und der kumulativen Belastung durch zerebrale kleinvaskuläre Erkrankungen (CSVD) und mündete in die Entwicklung eines explorativen klinischen Nomogramms. Obwohl univariable Analysen Assoziationen zwischen schwerer Parodontitis, Zahnverlust und hoher CSVD-Belastung zeigten, ergab die multivariable logistische Regression, dass schwere Parodontitis (P = 0.580) und erhaltene Zahnanzahl (P = 0.112) nac...

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

Interessenkonflikt:

Die Autoren erklären, dass sie keine Interessenkonflikte haben.

Danksagungen

Nicht zutreffend.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
Automatisierter Hämatologie-AnalysatorSysmexXN-1000Wird zur Bestimmung der peripheren Blutzellzahlen zur Berechnung des systemischen Immun-Inflammations-Index (SII) verwendet.
EDTA-Blutentnahmeröhrchen (K2 EDTA)Becton, Dickinson and Company367841Wird zur nüchternen venösen Blutentnahme verwendet.
Elektronisches Patientenakten-System (EMR)Winning Health Technology GroupWinning EMR v6.0Wird zur Erfassung patientenbezogener demografischer und klinischer Informationen verwendet.
Magnetresonanztomograph (MRT), 3,0 TSiemens HealthineersMAGNETOM Prisma 3.0TWird für standardisierte zerebrale MRT-Untersuchungen verwendet.
MRT-KopfspuleSiemens Healthineers64-Kanal-Kopf-/Hals-SpuleStandard-Kopfspule für die MRT-Bildaufnahme.
Parodontalsonde (UNC-15)Hu-FriedyPCPUNC15Wird zur Messung der parodontalen Sondierungstiefe (PPD) und der klinischen Attachmenthöhe (CAL) verwendet.
R-Paket: dcurvesCRANVersion 0.4.0Wird für die Entscheidungskurvenanalyse (DCA) verwendet.
R-Paket: glmnetCRANVersion 4.1-8Wird für die Regression mit Least Absolute Shrinkage and Selection Operator (LASSO) und Variablenauswahl verwendet.
R-Paket: pROCCRANVersion 1.18.5Wird für die Analyse der Receiver-Operating-Characteristic-(ROC)-Kurve und DeLong-Tests verwendet.
R-Paket: PredictABELCRANVersion 1.2-4Wird zur Berechnung der kontinuierlichen Netto-Reklassifizierungsverbesserung (NRI) und der integrierten Diskriminierungsverbesserung (IDI) verwendet.
R-Paket: rmsCRANVersion 6.7-1Wird für die Analyse mit eingeschränkten kubischen Splines (RCS), die Konstruktion von Nomogrammen und die Bootstrap-Kalibrierung verwendet.
R-Software für statistische BerechnungenR Foundation for Statistical ComputingVersion 4.3.1Statistische Berechnungsumgebung, die für alle Analysen verwendet wird.

Referenzen

  1. Wardlaw JM, et al. Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. Lancet Neurol. 2013;12(8):822-38.
  2. Pantoni L. Cerebral small vessel disease: from pathogenesis and clinical characteristics to therapeutic challenges. Lancet Neurol. 2010;9(7):689-701.
  3. Staals J, et al. Stroke subtype, vascular risk factors, and total MRI brain small-vessel disease burden. Neurology. 2014;83(14):1228-34.
  4. Amin Al Olama A, et al. Simple MRI score aids prediction of dementia in cerebral small vessel disease. Neurology. 2020;94(12):e1294-302.
  5. Low A, et al. Inflammation and cerebral small vessel disease: A systematic review. Ageing Res Rev. 2019;53:100916.
  6. Sanz M, et al. Periodontitis and cardiovascular diseases: Consensus report. J Clin Periodontol. 2020;47(3):268-88.
  7. Hajishengallis G. Periodontitis: from microbial immune subversion to systemic inflammation. Nat Rev Immunol. 2015;15(1):30-44.
  8. Leira Y, et al. Association between periodontitis and ischemic stroke: a systematic review and meta-analysis. Eur J Epidemiol. 2017;32(1):43-53.
  9. Sen S, et al. Periodontal disease, regular dental care use, and incident ischemic stroke. Stroke. 2018;49(2):355-62.
  10. Peng J, et al. The relationship between tooth loss and mortality from all causes, cardiovascular diseases, and coronary heart disease in the general population: systematic review and dose-response meta-analysis of prospective cohort studies. Biosci Rep. 2019;39(1):BSR20181773.
  11. Hu B, et al. Systemic immune-inflammation index predicts prognosis of patients after curative resection for hepatocellular carcinoma. Clin Cancer Res. 2014;20(23):6212-22.
  12. Xiao Y, et al. Systemic immune-inflammation index is associated with cerebral small vessel disease burden and cognitive impairment. Neuropsychiatr Dis Treat. 2023;19:403-13.
  13. Hu Y, et al. Correlation between systemic immune-inflammatory index and graded diagnosis of periodontitis: a combined cross-sectional and retrospective study. BMC Oral Health. 2024;24(1):1545.
  14. Tibshirani R. Regression shrinkage and selection via the lasso. J R Stat Soc Series B Stat Methodol. 1996;58(1):267-88.
  15. Tonetti MS, Greenwell H, Kornman KS. Staging and grading of periodontitis: Framework and proposal of a new classification and case definition. J Periodontol. 2018;89(Suppl 1):S159-72.
  16. Zhang XM, et al. The association between the number of teeth and frailty among older adults: a systematic review and meta-analysis. Aging Clin Exp Res. 2025;37(1):156.
  17. Cheng Y, et al. New measure of functional tooth loss for successful oral ageing: a cross-sectional study. BMC Geriatr. 2023;23(1):859.
  18. Suwanarpa K, et al. How many teeth are needed to maintain healthy oral function in older adults? A cross-sectional analysis. Prosthesis. 2026;8(1):10.
  19. Fazekas F, Chawluk JB, Alavi A, Hurtig HI, Zimmerman RA. MR signal abnormalities at 1.5 T in Alzheimer’s dementia and normal aging. AJR Am J Roentgenol. 1987;149(2):351-6.
  20. Potter GM, Chappell FM, Morris Z, Wardlaw JM. Cerebral perivascular spaces visible on magnetic resonance imaging: development of a qualitative rating scale and its observer reliability. Cerebrovasc Dis. 2015;39(3-4):224-31.
  21. Pasi M, et al. Association of cerebral small vessel disease and cognitive decline after intracerebral hemorrhage. Neurology. 2021;96(2):e182-92.
  22. Goldstein ED, et al. Cerebral small vessel disease burden and all-cause mortality: Mayo Clinic Florida Familial Cerebrovascular Diseases Registry. J Stroke Cerebrovasc Dis. 2019;28(12):104285.
  23. Jiang Y, et al. Total cerebral small vessel disease burden is related to worse performance on the Mini-Mental State Examination and incident dementia: a prospective 5-year follow-up. J Alzheimers Dis. 2019;69(1):253-62.
  24. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988;44(3):837-45.
  25. Pencina MJ, D’Agostino RB Sr, D’Agostino RB Jr, Vasan RS. Evaluating the added predictive ability of a new marker: from area under the ROC curve to reclassification and beyond. Stat Med. 2008;27(2):157-72.
  26. Meyer J, et al. Periodontal disease independently associated with white matter hyperintensity volume. Neurol Open. 2020;1(4):e000037.
  27. Charidimou A, Pantoni L, Love S. The concept of sporadic cerebral small vessel disease: a road map on key definitions and current concepts. Int J Stroke. 2016;11(1):6-18.
  28. Peres MA, et al. Oral diseases: a global public health challenge. Lancet. 2019;394(10194):249-60.
  29. Han S, et al. Cerebral small vessel disease as a novel risk indicator for periodontitis progression. Int Dent J. 2026;76(2):109414.
  30. Friedman J, Hastie T, Tibshirani R. Regularization paths for generalized linear models via coordinate descent. J Stat Softw. 2010;33(1):1-22.
  31. Sauerbrei W, Royston P, Binder H. Selection of important variables and determination of functional form for continuous predictors in multivariable model building. Stat Med. 2007;26(30):5512-28.
  32. Hajishengallis G, Chavakis T. Local and systemic mechanisms linking periodontal disease and inflammatory comorbidities. Nat Rev Immunol. 2021;21(7):426-40.
  33. Tonetti MS, et al. Treatment of periodontitis and endothelial function. N Engl J Med. 2007;356(9):911-20.
  34. Dominy SS, et al. Porphyromonas gingivalis in Alzheimer’s disease brains: evidence for disease causation and treatment with small-molecule inhibitors. Sci Adv. 2019;5(1):eaau3333.
  35. Wardlaw JM, et al. Blood-brain barrier failure as a core mechanism in cerebral small vessel disease and dementia: evidence from a cohort study. Alzheimers Dement. 2017;13(6):634-43.
  36. Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making. 2006;26(6):565-74.
  37. Collins GS, Reitsma JB, Altman DG, Moons KG. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ. 2015;350:g7594.
  38. Kamer AR, et al. Inflammation and Alzheimer’s disease: possible role of periodontal diseases. Alzheimers Dement. 2008;4(4):242-50.
  39. Steyerberg EW, et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiology. 2010;21(1):128-38.
  40. D’Aiuto F, et al. Periodontitis: from local infection to systemic diseases. Int J Immunopathol Pharmacol. 2005;18(3 Suppl):1-11.
  41. Moldvai J, et al. Oral health status and its associated factors among post-stroke inpatients: a cross-sectional study in Hungary. BMC Oral Health. 2022;22(1):234.
  42. Jockusch J, et al. Influence of cognitive impairment and dementia on oral health and the utilization of dental services: findings of the Oral Health, Bite Force and Dementia Study (OrBiD). BMC Oral Health. 2021;21(1):399.
  43. Leira Y, et al. Porphyromonas gingivalis lipopolysaccharide-induced periodontitis and serum amyloid-beta peptides. Arch Oral Biol. 2019;99:120-5.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Tags

CSVD-BelastungNomogramm-EntwicklungPeriodontitis-SchweregradZahnverlustMagnetresonanztomographieLASSO-Regressionlogistische RegressionRisikostratifizierung
Kontaktieren Sie uns
Der Bibliothek empfehlen

Datenschutz

Nutzungsbedingungen

Richtlinien

Urheberrecht © 2026 MyJoVE Corporation. Alle Rechte vorbehalten.