研究記事

歯周パラメータを用いた脳小血管疾患負荷の探索的ノモグラムの開発および内部妥当性の検証

DOI：

10.3791/71563

⸱

2026年8月21日

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

この記事について

サマリー

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本プロトコルでは、個別のリスク層別化のために、歯周組織パラメータと従来のリスク因子を統合し、脳小血管病の負荷量を推定する探索的なノモグラムの開発および内部妥当性の検証について記述します。

要約

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

脳小血管病（CSVD）は脳卒中および認知機能低下の主要な原因ですが、CSVDの全体的な負荷に対する歯周病の寄与は依然として不明です。本研究では、高いCSVD負荷を推定するために、歯周パラメータを組み込んだ探索的な臨床ノモグラムの開発および内部妥当性の検証を目的としました。計234名を対象に、磁気共鳴画像法（MRI）を用いてCSVDの総負荷（スコア0–4）を評価しました。また、歯周炎の重症度と残存歯数を記録しました。least absolute shrinkage and selection operator（LASSO）回帰を用いて選択された最適な予測因子を多変量ロジスティック回帰に投入してノモグラムを構築し、その識別能、較正能、および臨床的有用性を評価しました。制限付き三次スプライン解析により、歯の喪失と高いCSVD負荷との間に線形の用量反応関係が認められました（非線形性のP = 0.332）。多変量解析の結果、高齢および高血圧が独立した予後因子として特定されましたが、重症歯周炎（P = 0.580）および重度の歯の喪失（P = 0.112）との関連は減弱し、調整後は高いCSVD負荷と独立して関連していませんでした。ノモグラムは中程度の識別能（曲線下面積 = 0.675）を示し、ブートストラップ法で検証された良好な較正能（平均絶対誤差 = 0.038）を示しました。決定曲線分析では、選択したリスク閾値全体で潜在的な臨床的有用性が示唆されましたが、外部妥当性の検証が行われていないため、解釈は探索的なものに留まります。重症歯周炎および歯の喪失は、単変量解析では高いCSVD負荷との関連を示しましたが、多変量調整後の独立した予測因子ではありませんでした。この探索的なノモグラムは、個別化されたリスク層別化のための予備的な視覚化フレームワークを提供しますが、臨床導入の前にはさらなる外部妥当性の検証が必要です。

概要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

脳小血管病（CSVD）は、脳の慢性的かつ潜行的な微小血管障害であり、高齢者における脳卒中、認知機能低下、および運動機能障害の主要な血管性原因であると広く認識されています1。従来、白質高信号（WMH）、ラクナ梗塞、脳微小出血（CMBs）、および血管周囲腔拡大（EPVS）を含むCSVDの個々の磁気共鳴画像（MRI）マーカーは、独立して評価されてきました。しかし、これらの神経画像表現型は頻繁に共存しており、特に内皮機能不全や微小血管漏出といった共通の病理学的メカニズムによって引き起こされます2。そのため、近年のコンセンサスステートメントでは、CSVD総負荷量スコアリングシステムの利用が推奨されています3。この統合的な指標は、個々の画像マーカーよりも脳微小血管損傷の累積的な影響をより包括的に反映し、全般的な神経学的悪化の優れた指標となります4。

CSVDの病因はまだ完全には解明されていませんが、慢性の低グレードな全身性炎症が、脳血管内皮傷害および血液脳関門破綻の主要な要因であるとの認識が高まっています5。このような背景から、歯周組織に影響を及ぼす、バイオフィルム誘発性のジスバイオーシスを伴う有病率の高い炎症性疾患である歯周炎が、口腔-脳軸の枠組みにおいて、神経血管疾患の修正可能なリスク要因となる可能性が示されています6。重度の歯周炎は、進行性の歯槽骨吸収と最終的な歯の喪失をもたらすだけでなく、歯周病原体および炎症性サイトカインの持続的な貯蔵庫としても機能します7。これらの炎症性メディエーターは全身循環に入り、それによって血管リモデリングや動脈硬化の形成に寄与する可能性があります8。

近年の疫学研究により、重度歯周炎と虚血性脳卒中のリスク増加との関連が示されています9。それにもかかわらず、大脳小血管病（CSVD）の累積的な負担との関係に関するエビデンスは、依然として限定的かつ断片的です。さらに、歯周病の最終的な臨床的結果である喪歯は、認知機能の低下や心血管死と関連していることが報告されています10。しかし、喪歯と脳血管損傷との用量反応関係については、十分に解明されていません。具体的には、残存歯数が臨界閾値に達した後にCSVDのリスクが増加するのか、あるいは連続的な線形用量反応パターンに従うのかは不明です。

歯周組織の破壊と脳微小血管損傷との関連性は生物学的に妥当であると考えられるが、この関係の根底にある全身性の免疫炎症メカニズムについてはさらなる特性解析が必要である。単離した白血球サブセット数や高感度C反応性蛋白を含む従来の炎症バイオマーカーでは、臨床現場における宿主の免疫炎症反応の複雑さを十分に捉えられない可能性がある。末梢血の血小板数、好中球数、およびリンパ球数から算出される全身性免疫炎症指数（SII）は、近年、包括的な炎症バイオマーカーとして注目されている11。SIIは、全身性の炎症活性と免疫状態のバランスを反映する。SII値の上昇は、急性脳卒中の重症度や不良な機能的転帰を予測することで、さまざまな脳血管障害において予後予測能を示すことが証明されており、また、全般的なCSVD負荷、認知機能障害、および歯周炎の段階的診断とも関連している12,13。歯周炎は慢性の全身性炎症を誘発するため、歯周パラメータとともにSIIを評価することで、潜在的な脳微小血管損傷のリスクがある個人の特定を改善できる可能性がある。

口腔-脳軸への関心が高まっているものの、現在の文献にはいくつかの方法論的な限界がある。ほとんどの研究は、個々のCSVD画像マーカーまたは単一の口腔健康パラメータに焦点を当てており、歯周炎の重症度、その最終的な臨床的結果である歯の喪失、および全身的な免疫炎症反応を統合した評価は行われていない。さらに重要なことに、臨床現場では実用的なリスク評価ツールが必要とされているが、口腔および全身の炎症プロファイルの組み合わせに基づいてCSVDの高リスク患者を特定するためのノモグラムのような視覚的ツールは依然として限られている。既存のCSVDリスク評価手法は主に個々のバイオマーカーや従来の人口統計学的要因に依存しており、全身性炎症と口腔健康との間の多因子的な相互作用を十分に捉えられていない可能性がある。さらに、信頼性の高い予測モデルの開発には、強固な変数選択法が必要である。ステップワイズ回帰などの従来の手法は、高次元の臨床データセットに適用した場合に不安定になる可能性があり、相関のある予測因子の影響を受けることがある。LASSO（Least Absolute Shrinkage and Selection Operator）回帰アプローチは、係数へのペナルティを適用することで過剰適合を抑制し、モデル開発において最も情報量の多い予測因子を特定することで、これらの課題を解決する14。

これらの知識の空白に着目し、本レトロスペクティブ横断研究は2つの主要な目的をもって設計されました。第一に、制限付き3次スプライン（RCS）解析を用いて、残存歯数と高度なCSVD負荷との間の用量反応関係を特徴付け、潜在的な非線形閾値効果および線形傾向を評価することを目指しました。第二に、LASSOベースの変数選択を用いて探索的な臨床ノモグラムを構築し、従来のリスク因子に加えて歯周パラメータによるリスク再分類の増分的な寄与を評価することを目的としました。私たちは、歯周状態、歯の喪失、およびSIIを多次元モデルに統合することで、累積的なCSVD負荷を推定するための探索的な可視化フレームワークを提供し、個別化されたリスク層別化を改善できるという仮説を立てました。臨床現場において、提案されたノモグラムは、早期の脳血管評価や多職種による歯科評価の恩恵を受ける可能性のある患者を神経内科医が特定するための、迅速かつ非侵襲的な補助ツールとして意図されています。しかし、本ノモグラムは探索的な性質を持ち、識別能が控えめであること、および外部妥当性の検証が行われていないことから、磁気共鳴画像法（MRI）に基づく診断の代わりとして検討されるべきではありません。加えて、活動性の急性感染症、重度の自己免疫疾患、または最近の外傷がある患者では、これらの状態が全身性炎症バイオマーカーに大幅に影響を与え、リスク推定に影響を及ぼす可能性があるため、その適用は制限される場合があります。

プロトコル

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

このレトロスペクティブな横断的関連研究では、2022年1月から2024年12月の間に、めまい、頭痛、脳卒中のスクリーニング、または認知機能評価のために常州第二人民病院の神経内科に入院した連続症例を登録した。本研究はレトロスペクティブかつ非介入的な性質であり、完全に匿名化されたデータを使用したため、インフォームドコンセントは免除された。本研究は常州第二人民病院の臨床医学技術倫理委員会（IRB承認ID：[2023] YLJSA069）の承認を受け、施設ガイドラインに従って実施された。

研究デザインおよび患者集団

最初に850人の患者を評価した。除外基準は次のように厳格に定義した：(1) 頭部MRIシーケンスが不完全である（特に感受性強調画像 [SWI] が欠落しており、微小出血の正確な評価が不可能な場合）、(2) 詳細な歯周ポケット測定記録または全顎の歯数データがない、(3) 血球数データが不完全でSIIの算出ができない、(4) 大規模脳卒中、脳腫瘍、外傷性脳損傷、または中枢神経系感染症の既往がある、(5) 全身性炎症マーカーへの交絡影響を最小限にするため、過去1か月以内に活動性の急性感染症、重症自己免疫疾患、または悪性腫瘍がある。データの整合性を確保するため、主要な臨床放射線学的パラメータが欠落している個体を除外するコンプリートケース分析法を用いた。スクリーニング後、適格な234人の参加者を分析に含めた。129件の高負荷イベントを含むこのサンプルは、安定した多変数モデリングのための経験則であるイベント数/変数比（EPV）>10を充たしていた。

歯周状態および炎症の評価

校正済みの2名の歯周病専門医が、標準化された歯周プローブを用いてすべての臨床口腔評価を実施しました。

研究開始前に、両検診者は標準化トレーニングを受け、検診者間信頼性は極めて良好であった（Cohen’s κ = 0.82）。歯周ポケット深さ（PPD）および臨床的アタッチメントレベル（CAL）を、1歯あたり6箇所で測定した。Tonettiらによって記述された2018年の分類枠組み15に基づき、歯周疾患を軽度/なし、中等度、または重度の3段階に分類した。具体的に、参加者は以下のようにカテゴリー分けした：(1) 軽度/なしの歯周炎（歯周組織の健康およびステージI歯周炎を含む）：最大のアタッチメント喪失部位における歯間CALが2 mm以下かつPPDが4 mm以下であり、歯周炎に関連する歯の喪失がないもの。(2) 中等度の歯周炎（ステージII歯周炎）：歯間CALが3–4 mm、最大PPDが5 mm以下であり、歯周炎による歯の喪失が4本以下であるもの。(3) 重度の歯周炎（ステージIII/IV歯周炎）：歯間CALが5 mm以上、PPDが6 mm以上、および/または歯周組織破壊により4本以上の歯を喪失しているもの15。

また、すべての参加者について、残存歯数も記録した。機能的な歯を20本以上維持することは、基本的な口腔機能の保持および良好な口腔老化（oral aging）を実現するための、広く認められた臨床的指標であるためである。16,17,18、粗歯数（raw tooth count）は、重度の歯牙喪失（severe tooth loss）という二値変数に変換された（<重度歯牙喪失（20歯未満）対非重度歯牙喪失（20歯以上）。

全身性炎症に関して、SIIは入院時に採取した絶食時の血液サンプルから算出されました。静脈血サンプルをEDTA管に採取し、病院の標準的な臨床検査プロトコルに従って処理した後、自動血球分析計を用いて好中球数、リンパ球数、および血小板数を測定しました。指標は次のように算出されました：

figure-protocol-1

SII値の分布が著しく偏っていることを考慮し、統計解析に含める前に自然対数変換（Log_SII）を適用しました。

MRI撮像および総CSVD負荷

すべての被験者は、標準的なヘッドコイルを備えた3.0 T MRIスキャナーを用いて、標準化された頭部MRI検査を受けた。撮像プロトコルには、スライス厚5 mmで取得したT1強調画像、T2強調画像、液体減弱反転回復（FLAIR）画像、および磁化率強調画像（SWI）シーケンスが含まれた。標準的な撮像パラメータは次のように設定した：T1強調画像（繰り返し時間 [TR] = 2,000 ms、エコー時間 [TE] = 9 ms、視野 [FOV] = 230 × 230 mm2、マトリックスサイズ = 256 × 256）、T2強調画像（TR = 4,500 ms, TE = 85 ms, FOV = 230 × 230 mm2、マトリックスサイズ = 256 × 256）、液体減弱反転回復（FLAIR）画像（TR = 8,500 ms, TE = 120 ms, 反転時間 [TI] = 2,400 ms, FOV = 230 × 230 mm2、マトリックスサイズ = 256 × 256）、および磁化率強調画像（SWI）（TR = 28 ms, TE = 20 ms, フリップ角 = 15°, FOV = 230 × 230 mm2、マトリックスサイズ = 256 × 256）。すべてのシーケンスは、スライス厚5 mm、スライス間ギャップ1.0 mmで取得された。使用した具体的なスキャナーは材料表に記載している。CSVDの撮像マーカーは、参加者の臨床データを伏せられた2名の神経放射線科医によって独立して評価された。CSVD総負荷スコアの評価者間信頼性は高く（Cohen’s κ = 0.85）、不一致がある場合は、3人目の上級医師との合意により解決した。

確立された国際的コンセンサス1,3に基づき、4つの神経画像的特徴を評価することで、累積的なCSVD負荷を0から4のスケールで定量化した。以下のMRI所見それぞれに対して1点を割り当てた：(1) 少なくとも1つのラクナ梗塞、(2) 1つ以上の脳微小出血（CMBs）、(3) 基底核における中等度から重度の血管周囲腔拡大（EPVS）（グレード≥2）、および(4) 重度の白質高信号域（WMH）（深部白質でFazekasスコア≥2、または脳室周囲領域で3と定義）。診断定義は、神経画像における血管変化の報告基準（STRIVE-1）の国際的コンセンサス1に厳格に従った。白質高信号域（WMH）はFazekasスケール19を用いてグレード分類し、基底核の血管周囲腔拡大（EPVS）はPotterら20によって記述され検証された4段階の視覚的評価スケールを用いてグレード分類した。リスク評価モデルの構築にあたり、CSVD負荷の合計スコアが≥2の患者を高CSVD負荷群として分類した。これは、この閾値が認知機能低下の加速および死亡率と一貫して関連しているためである21,22,23。

共変量データの収集

患者の人口統計学的特性および臨床歴を、施設内の電子健康記録から抽出した。収集した変数には、年齢、性別、ボディマス指数（BMI）、喫煙状況、およびアルコール摂取量が含まれる。加えて、脂質異常症、糖尿病、高血圧、冠動脈疾患（CAD）、心筋梗塞（MI）の既往、および虚血性脳卒中の既往を含む、心代謝および血管系の併存疾患を各参加者について記録した。

すべての併存疾患は、確立された臨床ガイドラインに従い、入院診療録に記載された医師の診断、投薬歴、および入院時のルーチン検査および画像診断の検討を通じて確認された。高血圧は、収縮期血圧が140 mmHg以上、拡張期血圧が90 mmHg以上、または現在降圧治療を受けていることと定義した。糖尿病は、空腹時血糖値が7.0 mmol/L以上、糖化ヘモグロビン（HbA1c）が6.5%以上、または血糖降下薬の使用と定義した。脂質異常症は、空腹時血清脂質の異常または現在脂質低下療法を受けていることによって定義した。CAD、心筋梗塞（MI）の既往、および虚血性脳卒中の既往は、電子カルテシステムで利用可能な記載済みの臨床歴および過去の神経血管または心臓の画像診断報告書を通じて確認された。

統計解析およびモデル開発

統計解析を行う前に、シャピロ–ウィルク検定を用いて連続変数の正規性を評価した。カテゴリー変数の記述統計は件数（パーセンテージ）としてまとめ、適宜、ピアソンのカイ二乗検定またはフィッシャーの正確確率検定を用いて比較した。正規分布を示す連続変数は平均値 ± 標準偏差で表記し、Studentのt検定を用いて比較した。一方、非正規分布の変数は中央値と四分位範囲で表記し、マン・ホイットニーのU検定を用いて比較した。残存歯数と高いCSVD負荷のリスクとの間に潜在的な非線形用量反応パターンがあるかを調査するため、年齢、高血圧、およびLog_SIIで調整したRCSモデルを構築した。なお、ノットは歯数分布の第5、35、65、95パーセンタイルに4つのノットを配置した。非線形性の正式な検定は、閾値効果または連続的な線形トレンドのどちらが観察された関連性を最も適切に説明するかを判断するために、分散分析（ANOVA）を用いて行った。

相関のある予測変数が存在する場合に変数選択を行うため、すべてのベースライン変数をLASSO回帰モデルに投入した。最適な調整パラメータ（λ）は10分割交差検証を用いて決定し、最小二項偏差基準（λmin）に従って選択した。係数がゼロではない変数を、その後の解析のために保持した。選択された変数をその後、多変数ロジスティック回帰モデルに投入し、高度なCSVD負荷との関連におけるオッズ比（OR）および95%信頼区間（CI）を算出した。最終的な多変数モデルを用いて、個別のリスク推定のための探索的臨床ノモグラムを作成した。

歯周病パラメータの増分価値を評価するため、ベースラインモデル（年齢、高血圧、Log_SIIを含む）を、歯周炎のグレードと歯数を取り入れた拡張モデルと比較した。モデルの性能は、複数の相補的な指標を用いて評価した。識別能は、受信者動作特性曲線の下面積（AUC）を用いて評価し、モデル間の差はDeLongテスト24を用いて比較した。Youden指数を最大化した際に決定される最適カットオフ値において、感度、特異度、陽性的中率（PPV）、および陰性的中率（NPV）も算出した。拡張モデルによるリスク再分類の増分を定量化するため、連続的純再分類改善率（NRI）および統合識別改善度（IDI）を算出した25。較正能は、rmsパッケージを用いて実装した1,000回のブートストラップ再サンプリングから作成した較正プロットを用いて評価し、予測リスクと観察リスクの平均絶対誤差を算出した。潜在的なオーバーフィッティングを考慮し、モデル性能の不偏評価を行うため、ブートストラップ検証には楽観主義補正を含め、バイアス補正後および見かけ上のモデル性能の両方を報告した。また、一連のしきい値確率におけるネットベネフィットを推定することで、潜在的な臨床的有用性を評価するために決定曲線分析（DCA）を実施した。すべての統計解析および可視化は、統計ソフトおよびrms、glmnet、pROC、PredictABEL、dcurvesパッケージを用いて行った。統計的有意性は、両側 P 値 <0.05 と定義した。

結果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

研究デザインおよび患者集団

主要な共存疾患または臨床放射線学的データの欠損により616名を除外した結果、最終解析には神経学的評価のために入院した適格な参加者234名が含まれた（図 1）。参加者は、総合的なCSVDスコアに基づいて、高負荷群（n = 129）と低負荷群（n = 105）に層別化された。両群のベースラインの人口統計学的および臨床的特性を表 1に示す。CSVD負荷が高い参加者は、負荷が低い参加者よりも高齢であり（67.71 ± 7.41 歳 vs. 64.91 ± 7.74 歳, P = 0.005）、高血圧の有病率が高かった（63.6% vs. 48.6%, P = 0.024）。既往の虚血性脳卒中の有病率も高負荷群で高かったが、その差は統計的有意性に達しなかった（21.7% vs. 12.4%, P = 0.076）。口腔健康パラメータに関しては、重度歯周炎の有病率は高負荷群で高く（52.7% vs. 16.2%, P < 0.001）、平均プロービングポケット深さ（PPD; 4.88 mm vs. 2.54 mm, P < 0.001）および臨床的付着レベル（CAL; 4.54 mm vs. 2.12 mm, P < 0.001）もより大きかった。また、高負荷群の参加者は天然歯の保持数が少なかった（18.39 ± 8.15 vs. 24.36 ± 6.21, P < 0.001）。さらに、Log_SII値は低負荷群よりも高負荷群で高かった（6.48 ± 0.52 vs. 6.27 ± 0.45, P = 0.001）。喫煙状況、BMI、および性の分布については、群間に有意な差は認められなかった。

figure-results-1
図1. 研究参加者選定のフローチャート。後向き横断研究における参加者選定を示すフローチャート。2022年1月から2024年12月の間に、めまい、頭痛、脳卒中スクリーニング、または認知機能評価のために常州第二人民病院の神経内科に入院した連続的な患者をスクリーニングした。除外基準を順次適用した後、参加者を脳小血管病（CSVD）負荷の低い群と高い群に層別化した。こちらのリンクをクリックして、この図の拡大版を表示してください。

変数低CSVD負荷
(n = 105)		高CSVD負荷
(n = 129)		P 値
年齢 (years)、平均 ± SD64.91 ± 7.7467.71 ± 7.410.005
男性、n (%)49 (46.7)69 (53.5)0.358
Body mass index (kg/m²)、平均 ± SD24.24 ± 2.9223.62 ± 3.120.122
高血圧、n (%)51 (48.6)82 (63.6)0.024
糖尿病、n (%)27 (25.7)30 (23.3)0.76
脂質異常症、n (%)55 (52.4)59 (45.7)0.358
冠動脈疾患、n (%)20 (19.0)26 (20.2)0.87
心筋梗塞、n (%)4 (3.8)4 (3.1)>0.999*
虚血性脳卒中既往、n (%)13 (12.4)28 (21.7)0.076
歯周炎グレード、n (%)<0.001
   健康/軽度45 (42.9)21 (16.3)
   中等度43 (41.0)40 (31.0)
   重度17 (16.2)68 (52.7)
残存歯数、平均 ± SD24.36 ± 6.2118.39 ± 8.15<0.001
平均プロービングポケット深さ (PPD, mm)、中央値 (IQR)2.54 (2.12–4.13)4.88 (3.65–6.21)<0.001
平均臨床的アタッチメントレベル (CAL, mm)、中央値 (IQR)2.12 (0.89–3.76)4.54 (3.12–6.45)<0.001
Log_SII, 平均 ± SD6.27 ± 0.456.48 ± 0.520.001
高感度C反応性タンパク (hs-CRP, mg/L)、中央値 (IQR)1.45 (0.76–2.54)2.89 (1.56–4.32)<0.001
ホモシステイン (Hcy, µmol/L)、中央値 (IQR)12.34 (9.87–15.65)15.76 (12.45–19.82)<0.001

表 1: 脳小血管病（CSVD）負荷別の研究集団のベースライン特性。連続変数は、適宜、平均値 ± 標準偏差（SD）または中央値（四分位範囲 [IQR]）で示します。カテゴリー変数は、件数（パーセンテージ）で示します。* 細胞数が少ないため、Fisherの直接確率検定を用いて算出されたP値。特に断りのない限り、その他のすべてのカテゴリー比較はPearsonのカイ二乗検定を用いて行いました。略語：BMI：体格指数；CAL：臨床的付着レベル；CAD：冠動脈疾患；CSVD：脳小血管病；DM：糖尿病；Hcy：ホモシステイン；hs-CRP：高感度C反応性蛋白；HTN：高血圧；IQR：四分位範囲；Log_SII：全身性免疫炎症指数の自然対数；MI：心筋梗塞；PPD：プロービングポケット深さ；SD：標準偏差；SII：全身性免疫炎症指数。

歯周組織の状態および炎症の評価

歯周炎のグレード別の総CSVD負荷スコアの分布を図2に示す。CSVDスコアが高い参加者の割合は、歯周炎の重症度が増すにつれて増加し、Cochran-Armitage検定により有意な傾向が認められた（P < 0.001）。残存歯数と高CSVD負荷の可能性との関連を、RCS解析を用いてさらに評価した（図3）。年齢、高血圧、およびLog_SIIで調整後、形式検定により、非線形の閾値効果ではなく線形用量反応パターンが支持された（非線形性のP = 0.332）。高CSVD負荷の推定確率は、残存歯数の減少に伴い漸増した。ただし、残存歯数が極めて少ない場合の推定値については、信頼区間が広いため、慎重に解釈する必要がある。

figure-results-2
図2歯周炎のグレード別における全脳小血管病 (CSVD) 負荷の分布。 総CSVD負荷スコア（0–4）における、健康/軽度、中等度、および重度歯周炎の比例分布を示す積層棒グラフ。Cochran-Armitageトレンド検定により、CSVD負荷の増加に伴い歯周炎の重症度が有意に増加する傾向が示された（P トレンドについて <0.001). こちらの図の拡大版を表示するには、ここをクリックしてください。

figure-results-3
図 3. 残存歯数と高度脳小血管病（CSVD）負荷との関連に関する制限付き三次スプライン分析。 年齢、高血圧、および全身性免疫炎症指数（Log_SII）の自然対数で調整後における、残存歯数と高度CSVD負荷の対数オッズとの関連を示す制限付き三次スプライン（RCS）モデル。赤の実線は推定対数オッズを、網掛け領域は95%信頼区間（CI）を表す。非線形性の検定では統計的有意差が認められず（非線形性のP = 0.332）、線形的な関連性が支持された。歯数が最も少ない領域の推定値については、信頼区間が広いため慎重に解釈する必要がある。こちらのリンクをクリックして、この図の拡大版を表示してください。

統計解析およびモデル構築

ベースラインパラメータからの変数選択には、10分割交差検証を用いたLasso（Least Absolute Shrinkage and Selection Operator）回帰分析を用いた（補足図1）。この手順により、年齢、高血圧、歯周炎のグレード、および残歯数がコア特徴量として保持された。その後の多変量ロジスティック回帰モデル（表2）、年齢（オッズ比 [OR] = 1.06、95% 信頼区間 [CI]: 1.02–1.10、 P = 0.008)および高血圧（OR = 2.02, 95% CI: 1.16–3.55, P (= 0.014) は、高いCSVD負荷と独立して関連していた。重度歯周炎（OR = 1.73, 95% CI: 0.25–12.19, P = 0.580)、および残存歯数（OR = 0.94, 95% CI: 0.87–1.01, P （p = 0.112）は統計的な有意性に達しておらず、多変量調整後はそれらの関連性が弱まったことを示している。これらの歯周病パラメータは、探索的なプロファイリング特徴量として最終モデルに保持された。重度歯周炎と高いCSVD負荷との関連に関するサブグループ解析を、以下に提示する。 補完図2関連性の方向性は、事前規定されたサブグループ間で概ね一貫していた。具体的に、オッズ比（OR）は、女性で1.88（95% CI: 0.19–18.57）、男性で1.76（95% CI: 0.12–25.14）であった。また、高血圧のある参加者では2.44（95% CI: 0.21–28.53）、高血圧のない参加者では1.48（95% CI: 0.11–19.34）であった。さらに、65歳以上の参加者では2.12（95% CI: 0.23–19.82）、それ未満の参加者では1.45（95% CI: 0.10–21.05）であった。 <65歳。性別について、統計的に有意な交互作用は認められなかった（P相互作用 = 0.916)、高血圧の状態（P相互作用 = 0.627)、または年齢（P相互作用 = 0.684）であり、これらの探索的なサブグループ解析において効果修飾の根拠は認められなかった。

変数オッズ比 (OR)95% 信頼区間 (CI)P 値
年齢1.061.02–1.100.008
高血圧2.021.16–3.550.014
Log_SII0.350.07–1.810.214
残存歯数0.940.87–1.010.112
歯周炎グレード
   健康/軽度 (参照)1——
   中等度1.410.51–3.900.51
   重度1.730.25–12.190.58

表2: 高度な脳小血管病（CSVD）負荷に関連する因子の多変量ロジスティック回帰分析。 多変量ロジスティック回帰モデルに組み込まれた変数は、Least Absolute Shrinkage and Selection Operator（LASSO）回帰を用いて選定された。健康/軽度歯周炎をリファレンスカテゴリーとした。残存歯数におけるオッズ比（OR）は、残存歯が1本増えるごとに高度なCSVD負荷となるオッズがどのように変化するかを表している。略語：CI、信頼区間；CSVD、脳小血管病；LASSO、Least Absolute Shrinkage and Selection Operator；Log_SII、全身性免疫炎症指数の自然対数；OR、オッズ比。

個別化されたCSVDリスク評価のための探索的視覚化フレームワークとして、最終的な多変数モデルから臨床ノモグラムを構築しました（Figure 4）。このノモグラムは、年齢、高血圧、Log_SII、歯周炎グレード、および残存歯数が、高CSVD負荷の推定確率にどのように寄与するかを示しています。歯周パラメータの潜在的な付加価値を評価するため、年齢、高血圧、Log_SIIで構成されるベースラインモデルと、さらに歯周炎グレードと残存歯数を組み込んだ拡張モデルを比較しました（Table 3）。受信者動作特性（ROC）解析では、AUCは拡張モデルで0.688（95% CI: 0.621–0.755）、ベースラインモデルで0.656（95% CI: 0.587–0.726）であり、DeLongテストによる差は統計的に有意ではありませんでした（P = 0.263）（Figure 5A）。拡張モデルでは、連続正味再分類改善度（NRI）が0.454（P < 0.001）、IDIが0.052（P < 0.001）となりました。較正（キャリブレーション）は1,000回のブートストラップ再標本抽出を用いて評価しました。較正プロットでは、推定イベント確率と観察されたイベント確率の一致が示され、平均絶対誤差は0.038でした（Figure 5B）。決定曲線分析（DCA）では、選択した閾値確率において拡張モデルに潜在的な正味利益があることが示されました（Figure 6）。しかし、AUCの改善が統計的に有意ではなく、また外部妥当性の検証が行われていないため、この見かけ上の利益は慎重に解釈されるべきです。

指標ベースラインモデル拡張モデルP 値 / 改善
AUC (95% CI)0.656 (0.587–0.726)0.688 (0.621–0.755)0.263 (DeLong法)
感度—0.512—
特異性—0.8—
陽性的中率 (PPV)—0.759—
陰性予測値 (NPV)—0.571—
連続正味再分類改善度 (Continuous NRI)—0.454<0.001
統合識別改善度 (IDI)—0.052<0.001

表3: ベースラインモデルと拡張モデルの予測性能の比較。ベースラインモデルには、年齢、高血圧、およびLog_SIIが含まれた。拡張モデルでは、さらに歯周炎のグレードと残存歯数を組み込んだ。モデルの識別能は、受信者動作特性曲線の下面積（AUC）を用いて評価し、AUC間の差はDeLong検定を用いて比較した。感度、特異度、陽性的中率（PPV）、および陰性的中率（NPV）は、最大Youden指数によって決定された最適カットオフ値を用いて算出した。拡張モデルの予測性能の向上を評価するために、連続的な正味再分類改善度（NRI）および統合識別改善度（IDI）を用いた。略語：AUC、受信者動作特性曲線下面積；CI、信頼区間；IDI、統合識別改善度；Log_SII、全身性免疫炎症指数の自然対数；NPV、陰性的中率；NRI、正味再分類改善度；PPV、陽性的中率。

figure-results-4
図 4. 重度の大脳小血管病 (CSVD) 負荷の確率を推定するためのノモグラム。最終的な多変量ロジスティック回帰モデルから作成されたノモグラム。個人の重度CSVD負荷の確率を推定するには、各予測因子の患者値を特定し、「Points」軸の対応するスコアを割り当て、個別のスコアを合計して総得点を算出し、その総得点を確率スケールに投影して、重度CSVD負荷の予測リスクを推定します。こちらのリンクをクリックして、この図の拡大版を表示してください。

figure-results-5
図 5予測モデルの識別能および校正。 (A) ベースラインモデルと拡張モデルを比較した受信者動作特性（ROC）曲線。モデルの判別能は、ROC曲線下面積（AUC）を用いて評価し、モデル間の差はDeLong検定を用いて評価した。(B) 1,000回のブートストラップ再標本化を用いて作成した拡張モデルのキャリブレーションプロット。見かけのキャリブレーション曲線、バイアス補正済みのキャリブレーション曲線、および理想的なキャリブレーション曲線を、信頼限界（CL）と共に示した。キャリブレーション性能は、予測確率と観察確率の平均絶対誤差を用いて評価した。 この図の拡大版を表示するには、ここをクリックしてください。

figure-results-6
図6予測モデルの決定曲線分析。 意思決定曲線分析 (ジクロロ酢（DCA）閾値確率の範囲にわたるベースラインモデルと拡張モデルの正味の有益性（net benefit）を比較しています。「全員治療（Treat All）」および「誰も治療しない（Treat None）」戦略をリファレンス曲線として示しています。 この図の拡大版を表示するには、ここをクリックしてください。

全体として、結果は、歯周疾患の重症度、歯の喪失、および高度なCSVD負荷の間に有意な未調整の関連があること、ならびに残存歯数の減少とCSVDリスクの増加との間に線形的な関連があることを示しました。それにもかかわらず、多変数調整後において、重度歯周炎および残存歯数は高度なCSVD負荷と独立した関連はありませんでした。これらの知見は、予備的なリスク可視化モデル内での歯周パラメータの探索的な使用を支持しますが、それらを独立した予測因子として解釈することや、ノモグラムを臨床的に実行可能なスクリーニングツールとして使用することは支持しません。

データの利用可能性：

本研究で報告された結果の根拠となる、匿名化された参加者レベルのデータセットは、以下として提供されています。 付録表1 そして、本原稿とともに提出されています。

付随図1. Least absolute shrinkage and selection operator (LASSO)回帰を用いた変数選択。 二項偏差に基づく10分割交差検証を用いて、チューニングパラメータ(λ)を最適化した。垂直の点線は、最小基準および1標準誤差(1-SE)基準に対応する最適なλ値を示している。こちらのリンクをクリックしてファイルをダウンロードしてください。

補足図2. 重度歯周炎と高い脳小血管疾患（CSVD）負荷との関連に関するサブグループ解析。あらかじめ定義されたサブグループ間における、重度歯周炎と高いCSVD負荷との関連のオッズ比（ORs）および95%信頼区間（CIs）を示すフォレストプロット。垂直の破線はORが1.0であることを示す。こちらをクリックしてファイルをダウンロードしてください。

補足表1. 本研究における解析を裏付ける、非識別化された参加者レベルのデータセット。このデータセットには、統計解析に使用された匿名化済みの人口統計学的特性、血管リスク因子、歯周組織検査変数、臨床検査測定値、磁気共鳴画像法（MRI）所見、脳小血管病（CSVD）負荷スコア、および評価者間の一致性変数が含まれています。変数の定義は、「プロトコル」セクションの記載に対応しています。こちらをクリックしてファイルをダウンロードしてください。

ディスカッション

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

本研究では、歯周組織の破壊、残存歯数、およびCSVDの累積負荷の関連性を検討し、最終的に探索的な臨床ノモグラムを開発した。単変量解析では、重度歯周炎、歯の喪失、および高いCSVD負荷の間に相関が認められたが、多変量ロジスティック回帰分析の結果、年齢や高血圧などの従来の心血管リスク因子で調整後、重度歯周炎（P = 0.580）および残存歯数（P = 0.112）は、高いCSVD負荷と独立した関連を示さなかった。したがって、本コホートにおいて、これらの歯周パラメータは高いCSVD負荷の独立した予測因子として解釈されるべきではない。むしろ、観察された関連性は多変量調整後に減弱した。口腔健康と脳血管疾患の関連を検討した先行研究の多くは、ラクナ梗塞や白質高信号域の負荷などの個別の神経画像マーカーに焦点を当てていた26。対照的に、本研究では、現代の神経画像診断の推奨事項および脳小血管疾患に関する現在の概念的枠組みに従い、総CSVD負荷スコアを主要アウトカムとして採用し、びまん性脳微小血管損傷のより包括的な評価を行った1,3,27。

RCS解析による注目すべき知見は、統計的に有意な非線形関連が認められなかったこと（非線形性のP = 0.332）であり、これは、残存歯数の減少と高負荷のCSVD確率の上昇との間に、明確な閾値効果ではなく連続的な線形関係があることを支持している。層別化に使用した残存歯数20本という閾値は、スプライン解析から導出されたものではなく、機能的歯列および成功した口腔老化に関する確立された臨床基準に基づいて選択された16,17,18。極めて重要な点として、二値層別化に用いた残存歯数20本という閾値は、データ解析前に事前指定されていた。このカットオフ値は、現在のデータセットから導出されたものではなく、基本的な口腔機能を維持するために一般的に必要とされる最小歯数を表すために、機能的歯列と成功した口腔老化に関する確立された臨床的コンセンサス（例：WHOの「8020」イニシアチブ）に基づいて選択された。歯の喪失と慢性歯周病は、口腔機能の低下および全身健康への関連があるため、依然として重要な公衆衛生上の懸念事項である28。また、新たなエビデンスは、口腔-脳軸における潜在的な双方向性の関係を示唆しており、脳小血管病自体が歯周組織の悪化を加速させることに関連している可能性がある29。予測因子の選択を最適化するため、座標降下最適化を用いたLASSO回帰モデルを実装した30。従来のステップワイズ回帰の手法と比較して、LASSOは正則化フレームワークを提供し、相関のある臨床変数を同時に検討する場合にモデルの安定性を向上させ、過学習を抑制することができる31。LASSO選択後に保持された変数は、その後、ノモグラム作成のための多変数ロジスティック回帰モデルに投入された。Log_SIIは自動的なLASSO変数選択手順では保持されなかったが、脳血管疾患および歯周炎における全身性炎症のマーカーとしての確立された臨床的関連性があるため、ベースラインおよび拡張予測モデルの両方に事前指定された臨床共変量として意図的に組み込まれた。このアプローチにより、歯周病変数の増分的な寄与の評価を可能にしつつ、全身性炎症状態の調整を確実にした。LASSOは因果推論の手法ではなく予測的な変数選択手法であるため、個々の変数の組み入れまたは除外を、多重共線性や因果的重要性の存在または不在の根拠として解釈すべきではない。

生物学的に、重度歯周炎は局所的なディスバイオーシスを伴う感染症として定義され、全身性の炎症反応に寄与する可能性がある32。歯周治療は、全身性の炎症マーカーを減少させ、末梢血管内皮機能を改善させることが示されており、口腔健康と血管機能との間の関連性を支持している33。Porphyromonas gingivalisを含む歯周病原菌およびそのリポ多糖成分は、咀嚼や口腔衛生処置の際に全身循環に入ることがあり、細菌成分が神経組織内で検出されている34。これらの炎症刺激に対する慢性的な全身曝露は、血管内皮機能不全および血液脳関門の障害に寄与する一つのメカニズムとして提案されており、これらのプロセスは脳小血管疾患の病態生理に関与している35。得られた予測モデルの臨床的有用性を評価するため、さまざまな閾値確率における潜在的な正味の利益を評価する目的でDCAを実施した36。DCAはデフォルトの戦略に対する潜在的な優位性を示唆したが、これは理論的なモデル性能を表しており、現実世界での臨床的利益や患者のアウトカムの改善を確立するものではない。透明性のある報告を促進し、独立した評価と再現を容易にするため、この探索的なワークフローの開発と報告は、個人の予後または診断のための多変数予測モデルの透明な報告（TRIPOD）ステートメントに従った37。慢性の低グレードな口腔内炎症が、脳の神経変性に関与する全身的な代謝経路と相互作用するという仮説が立てられているため、この報告フレームワークは適切である38。モデル評価には、確立された検証尺度に加え、予測性能の追加指標を組み込んだ39。より広範には、このアプローチは局所的な粘膜炎症が全身に及ぼす潜在的な影響を反映している40。それにもかかわらず、本モデルの識別能が中程度であること（AUC = 0.688）、DeLong検定によるベースラインモデルと比較したAUCの統計的に有意な改善が見られないこと（P = 0.263）、および口腔健康変数を取り巻く信頼区間が広いことから、提案されたノモグラムは、日常的な神経科診療における臨床的に実行可能なツールではなく、あくまで予備的な探索的視覚化フレームワークとして厳格に解釈されるべきである。

提案されたワークフローの再現性と正常な実施には、いくつかの方法論的なステップが重要であり、それらが報告されたモデル性能に影響を与える可能性があります。第一に、歯周組織検査は高度に標準化されている必要があり、校正を受けた検査者が、2018年EFP/AAP分類フレームワーク15に従って、1歯あたり6部位で全顎的なプロービングポケット深さと臨床的付着レベルの測定を行う必要があります。第二に、神経画像診断の再現性は、FLAIR（流体減衰反転回復）およびSWI（感受性強調画像）シーケンスを含む標準化された3.0 T磁気共鳴画像法（MRI）の撮像プロトコルと、全脳小血管病（CSVD）負荷量に関する検証済みの合意に基づくスコアリング基準に依存します1。第三に、全身性免疫炎症指数（SII）の自然対数（Log_SII）を信頼性高く算出するため、空腹時の静脈血検体を用い、一貫した検体処理手順を用いて採血および臨床検査処理を標準化する必要があります。さらに、手入力によるデータエントリーミスを減らすための電子歯科チャートの導入や、欠損データの管理に関する標準化された手順などの対策が、実施精度を高める可能性があります。

これらの方法論的な検討事項はあるものの、いくつかの限界を認める必要がある。単一施設でのレトロスペクティブな横断的研究デザインであるため、因果関係に関する結論を出すことはできない。さらに、高CSVD負荷のイベント129件を含めたことで、安定したモデル構築のための変数あたりイベント数の基準は満たされたが、サンプルサイズが比較的小さかったため、多変量解析の統計学的パワーが制限された。また、本モデルでは、歯磨きやフロスの頻度などの口腔衛生習慣や、過去の歯周治療歴など、歯周状態に影響を及ぼし得るいくつかの潜在的な交絡因子が考慮されていない。加えて、進行したCSVD患者や脳卒中後の後遺症がある患者は、認知機能、運動機能、および手指の巧緻性が低下している可能性があり、それが口腔衛生習慣を損ない41、定期的な歯科ケアの利用を減少させている42可能性があるため、逆の因果関係を排除できない。したがって、進行した歯周炎は、神経血管障害の原因ではなく、一部にはその結果である可能性がある。最後に、レトロスペクティブなデザインであったため、16SリボソームRNAシーケンシングやメタゲノムプロファイリングのための歯下プラークサンプルの収集ができず、口腔マイクロバイオームと血中炎症性メディエーターまたはアミロイド関連バイオマーカーとの潜在的な関係の調査が制限された43。独立した外部検証コホートが存在しないことは依然として大きな限界であり、提案したモデルの他の集団への汎用性はまだ確立されていない。今後は、正式なサンプルサイズ設計、外部検証、および追加の生物学的マーカーの組み込みを行った、多施設共同プロスペクティブ研究が必要である。

結論として、重度の歯周炎および残存歯数が20本未満であることは、高いCSVD負荷量と有意な単変量相関を示しましたが、多変量調整後にはこれらの相関は減弱し、本コホートにおいて高いCSVD負荷量と独立して相関してはいませんでした。歯周パラメータと従来のリスク要因を統合した提案済みの臨床ノモグラムは、臨床的に検証されたスクリーニングツールではなく、個別化されたリスク可視化のための予備的な非侵襲的探索的枠組みを提供するものです。日常的な臨床応用の検討には、独立したコホートでの外部妥当性検証が必要です。口腔健康とCSVDの間の因果関係を明らかにするには縦断的研究が必要ですが、歯周健康の維持と機能的な歯列の保存は、加齢に伴う脳血管疾患に関する今後の多角的共同研究における重要な領域であり続けます。

開示事項

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

利益相反：

著者らは、本研究に関して利益相反がないことを宣言します。

材料

この記事で使用された材料の一覧
名前会社カタログ番号コメント
自動血球計数装置SysmexXN-1000全身性免疫炎症指数（SII）の算出に必要な末梢血細胞数を測定するために使用。
EDTA採血管 (K2 EDTA)Becton, Dickinson and Company367841空腹時静脈血採血に使用。
電子カルテ（EMR）システムWinning Health Technology GroupWinning EMR v6.0患者の属性および臨床情報を抽出するために使用。
磁気共鳴画像法（MRI）スキャナー (3.0 T)Siemens HealthineersMAGNETOM Prisma 3.0T標準的な頭部MRI検査に使用。
MRI頭部コイルSiemens Healthineers64-channel Head/Neck CoilMRI撮像に使用される標準的な頭部コイル。
歯周プローブ (UNC-15)Hu-FriedyPCPUNC15歯周ポケット深さ（PPD）および臨床的アタッチメントレベル（CAL）の測定に使用。
Rパッケージ: dcurvesCRANVersion 0.4.0決定曲線分析（DCA）に使用。
Rパッケージ: glmnetCRANVersion 4.1-8LASSO（least absolute shrinkage and selection operator）回帰および変数選択に使用。
Rパッケージ: pROCCRANVersion 1.18.5受信者動作特性（ROC）曲線分析およびDeLongテストに使用。
Rパッケージ: PredictABELCRANVersion 1.2-4連続ネット再分類改善（NRI）および統合識別改善（IDI）の算出に使用。
Rパッケージ: rmsCRANVersion 6.7-1制限付き立方スプライン（RCS）分析、ノモグラム作成、およびブートストラップ校正に使用。
統計計算用RソフトウェアR Foundation for Statistical ComputingVersion 4.3.1すべての分析に使用した統計計算環境。

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  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.

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

CSVD LASSO

関連記事