이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

치주 파라미터를 이용한 뇌 소혈관 질환 부담률 예측용 탐색적 노모그램의 개발 및 내부 검증

54 조회수

⸱

DOI:

10.3791/71563

⸱

2026년 8월 21일

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

이 논문에서

요약

본 프로토콜은 개인별 위험 층화를 위해 치주 파라미터와 일반적인 위험 요인을 통합하여 뇌 소혈관 질환 부담을 추정하는 탐색적 노모그램의 개발 및 내부 검증 과정을 설명합니다.

초록

뇌소혈관질환(CSVD)은 뇌졸중과 인지 기능 저하의 주요 원인이지만, 전반적인 CSVD 부담에 있어 치주 질환이 기여하는 바는 여전히 불분명합니다. 본 연구의 목적은 치주 파라미터를 통합하여 높은 CSVD 부담을 추정할 수 있는 탐색적 임상 노모그램을 개발하고 내부적으로 검증하는 것이었습니다. 총 234명의 대상자를 대상으로 자기공명영상(MRI)을 촬영하여 전체 CSVD 부담(점수 0–4)을 평가하였습니다. 치주염의 중증도와 잔존 치아 수를 기록하였습니다. 최소 절대 수축 및 선택 연산자(LASSO) 회귀 분석을 통해 선택된 최적의 예측 인자들을 다변량 로지스틱 회귀 분석에 대입하여 노모그램을 구축하였으며, 이에 대해 판별력, 보정 및 임상적 유용성을 평가하였습니다. 제한적 삼차 스플라인(Restricted cubic spline) 분석 결과, 치아 상실과 높은 CSVD 부담 사이에 선형적인 용량-반응 관계가 나타났습니다(P for non-linearity = 0.332). 다변량 분석 결과 고령과 고혈압이 독립적인 예후 인자로 확인되었으나, 중증 치주염(P = 0.580)과 심한 치아 상실(P = 0.112)의 연관성은 보정 후 약화되었으며 높은 CSVD 부담과 독립적인 연관성을 보이지 않았습니다. 해당 노모그램은 보통 수준의 판별력(곡선하 면적 = 0.675)과 부트스트랩으로 검증된 양호한 보정(평균 절대 오차 = 0.038)을 나타냈습니다. 결정 곡선 분석(Decision curve analysis)에서는 선택된 위험 임계값 전반에 걸쳐 잠재적인 임상적 유용성을 시사하였으나, 외부 검증이 이루어지지 않았으므로 해석은 탐색적인 수준에 머뭅니다. 중증 치주염과 치아 상실은 높은 CSVD 부담과 단변량 연관성을 보였으나, 다변량 보정 후에는 독립적인 예측 인자가 아니었습니다. 이 탐색적 노모그램은 개별화된 위험 층화를 위한 예비적 시각화 프레임워크를 제공하며, 실제 임상 적용 전 추가적인 외부 검증이 필요합니다.

서론

뇌소혈관질환(Cerebral small vessel disease, CSVD)은 뇌의 만성적이고 잠행성인 미세혈관 장애로, 고령자에게서 뇌졸중, 인지 기능 저하 및 이동 능력 장애를 일으키는 주요 혈관성 원인으로 널리 알려져 있습니다1. 과거에는 백질 고신호강도(white matter hyperintensities, WMH), 열공성 뇌경색(lacunar infarcts), 뇌미세출혈(cerebral microbleeds, CMBs), 혈관주위공간 확장(enlarged perivascular spaces, EPVS)을 포함한 CSVD의 개별 자기공명영상(MRI) 마커들을 독립적으로 평가하였습니다. 그러나 이러한 신경영상 표현형들은 흔히 공존하며, 특히 내피세포 기능 장애 및 미세혈관 누출이라는 공통된 병리 기전에 의해 발생합니다2. 이에 따라 최근의 합의 성명서에서는 총 CSVD 부담 점수 체계(total CSVD burden scoring system)의 사용을 권고하고 있습니다3. 이 통합 지표는 개별 영상 마커보다 뇌 미세혈관 손상의 누적 영향을 더 종합적으로 반영하며, 전반적인 신경학적 악화에 대해 더 우수한 지표를 제공합니다4.

CSVD의 병인은 여전히 완전히 밝혀지지 않았으나, 만성적인 저강도 전신 염증이 뇌 혈관 내피 세포 손상 및 혈뇌 장벽 붕괴의 핵심 요인으로 점점 더 인정되고 있습니다5. 이러한 맥락에서 치아 지지 조직에 영향을 미치는 매우 흔한 디스바이오시스 바이오필름 유발 염증성 질환인 치주염은 구강-뇌 축의 틀 내에서 신경혈관 질환의 잠재적 수정 가능 위험 요인으로 부상했습니다6. 심한 치주염은 점진적인 치조골 파괴와 결국 치아 상실을 초래할 뿐만 아니라, 치주 병원균과 전염증성 사이토카인의 지속적인 저장소 역할을 합니다7. 이러한 염증 매개체들은 전신 순환계로 유입되어 혈관 리모델링 및 죽상동맥경화증 발생에 기여할 수 있습니다8.

최근의 역학 연구들은 중증 치주염과 허혈성 뇌졸중 위험 증가 사이의 연관성을 입증하였습니다9. 그럼에도 불구하고, 치주염과 뇌소혈관질환(CSVD)의 누적 부담 사이의 관계에 관한 근거는 여전히 제한적이며 단편적입니다. 또한, 치주 질환의 최종적인 임상적 결과인 치아 상실은 인지 기능 저하 및 심혈관 사망률과 관련이 있는 것으로 알려져 있습니다10. 하지만 치아 상실과 뇌혈관 손상 사이의 용량-반응 관계는 여전히 제대로 밝혀지지 않았습니다. 특히, 잔존 치아 수가 특정 임계값에 도달한 후에 CSVD 위험이 증가하는지, 아니면 지속적인 선형 용량-반응 패턴을 따르는지는 불분명합니다.

치주 파괴와 뇌 미세혈관 손상 사이의 연관성은 생물학적으로 타당하지만, 이러한 관계의 기저에 있는 전신 면역 염증 기전에 대해서는 추가적인 규명이 필요합니다. 분리된 백혈구 서브셋 수와 고감도 C-반응성 단백질을 포함한 기존의 염증성 바이오마커는 임상 환경에서 숙주의 면역 염증 반응의 복잡성을 충분히 포착하지 못할 수 있습니다. 말초 혈소판, 중성구 및 림프구 수로 계산되는 전신 면역 염증 지수(Systemic Immune-Inflammation Index, SII)는 최근 포괄적인 염증성 바이오마커로 부상했습니다11. SII는 전신 염증 활성과 면역 상태 사이의 균형을 반영합니다. 상승된 SII 수치는 급성 뇌졸중의 중증도와 불량한 기능적 예후를 예측함으로써 다양한 뇌혈관 질환에서 예후적 가치를 입증했으며, 전반적인 뇌 소혈관 질환(CSVD) 부담, 인지 기능 장애 및 치주염의 단계별 진단과도 연관이 있는 것으로 나타났습니다12,13. 치주염은 만성 전신 염증을 유발하므로, 치주 매개변수와 함께 SII를 평가하면 잠재적인 뇌 미세혈관 손상 위험군을 식별하는 능력을 향상시킬 수 있을 것입니다.

구강-뇌 축(oral-brain axis)에 대한 관심이 높아지고 있음에도 불구하고, 현재의 문헌들은 몇 가지 방법론적 한계를 가지고 있습니다. 대부분의 연구는 치주염의 중증도, 그 최종적인 임상적 결과(치아 상실), 그리고 전신 면역 염증 반응을 하나의 통합된 평가로 통합하지 않은 채, 개별적인 CSVD 영상 마커나 단일 구강 건강 파라미터에만 집중해 왔습니다. 더 중요한 점은 임상 현장에서 실용적인 위험 평가 도구가 필요함에도 불구하고, 구강 및 전신 염증 프로파일의 조합을 기반으로 CSVD 고위험 환자를 식별하기 위한 노모그램(nomogram)과 같은 시각적 도구는 여전히 제한적이라는 것입니다. 기존의 CSVD 위험 평가 방식은 주로 개별 바이오마커나 전통적인 인구통계학적 요인에 의존하고 있으며, 이는 전신 염증과 구강 건강 사이의 다요인적 상호작용을 충분히 포착하지 못할 수 있습니다. 또한, 신뢰할 수 있는 예측 모델을 개발하려면 강력한 변수 선택 방법이 필요합니다. 단계적 회귀 분석(stepwise regression)과 같은 전통적인 접근 방식은 고차원 임상 데이터셋에 적용할 때 불안정할 수 있으며 상관관계가 있는 예측 변수의 영향을 받을 수 있습니다. LASSO(least absolute shrinkage and selection operator) 회귀 분석 접근법은 계수 패널티를 적용하여 과적합을 줄이고 모델 개발을 위한 가장 정보 가치가 높은 예측 변수를 식별함으로써 이러한 과제들을 해결합니다14.

이러한 지식 공백에 착안하여, 본 회고적 단면 연구는 두 가지 주요 목표를 가지고 설계되었습니다. 첫째, 제한적 큐빅 스플라인(RCS) 분석을 사용하여 잔존 치아 수와 높은 CSVD 부담 사이의 용량-반응 관계를 특성화함으로써 잠재적인 비선형 임계 효과와 선형 추세를 평가하고자 했습니다. 둘째, LASSO 기반 변수 선택을 통해 탐색적 임상 노모그램을 개발하고, 기존 위험 요인을 넘어 치주 파라미터가 제공하는 점진적 위험 재분류 능력을 평가하고자 했습니다. 우리는 치주 상태, 치아 상실 및 SII를 다차원 모델에 통합함으로써 누적 CSVD 부담을 추정하기 위한 탐색적 시각화 프레임워크를 제공하고 개별 위험 층별화를 개선할 수 있을 것이라고 가설을 세웠습니다. 임상 실무에서 제안된 노모그램은 신경과 전문의가 조기 뇌혈관 평가나 다학제적 치과 평가의 혜택을 받을 수 있는 환자를 식별하는 데 도움을 주는 신속하고 비침습적인 보조 도구로 활용될 예정입니다. 그러나 이 노모그램은 탐색적 성격, 보통 수준의 판별 성능 및 외부 검증의 부재로 인해 자기공명영상(MRI) 기반 진단을 대체하는 수단으로 간주되어서는 안 됩니다. 또한, 활동성 급성 감염, 중증 자가면역 질환 또는 최근의 외상이 있는 환자의 경우, 이러한 상태가 전신 염증 바이오마커에 상당한 영향을 미쳐 위험 추정치에 영향을 줄 수 있으므로 적용이 제한될 수 있습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

본 후향적 단면 연관성 연구에는 2022년 1월부터 2024년 12월 사이에 어지럼증, 두통, 뇌졸중 스크리닝 또는 인지 평가를 위해 창저우 제2인민병원 신경과에 입원한 연속 환자들이 등록되었습니다. 본 연구의 후향적, 비중재적 특성과 완전히 익명화된 데이터의 사용으로 인해 고지된 동의는 면제되었습니다. 본 연구는 창저우 제2인민병원 임상 의료 기술 윤리 위원회(IRB 승인 ID: [2023] YLJSA069)의 승인을 받았으며, 기관 지침에 따라 수행되었습니다.

연구 설계 및 환자군

초기에 850명의 환자를 평가하였습니다. 제외 기준은 다음과 같이 엄격하게 정의되었습니다: (1) 완전한 두개골 MRI 시퀀스 부족(특히 감수성 가중 영상 [SWI] 누락으로 인한 미세출혈의 정확한 평가 불가); (2) 상세한 치주 탐침 기록 또는 전구강 치아 수 데이터 부재; (3) SII 계산이 불가능한 불완전한 혈구 수 데이터; (4) 광범위한 뇌졸중, 뇌종양, 외상성 뇌손상 또는 중추신경계 감염 병력; (5) 전신 염증 마커에 미치는 교란 효과를 최소화하기 위해 지난 한 달 이내에 발생한 활동성 급성 감염, 중증 자가면역 질환 또는 악성 종양의 존재. 데이터 무결성을 보장하기 위해, 핵심 임상 방사선학적 파라미터 중 어느 하나라도 누락된 개인을 제외하는 완전 사례 분석(complete-case analysis) 접근법을 사용하였습니다. 스크리닝 후, 적격한 참가자 234명이 분석에 포함되었습니다. 129건의 고부담 사건(high-burden events)을 포함하는 이 표본은 안정적인 다변량 모델링을 위한 events-per-variable (EPV) >10 경험칙을 충족하였습니다.

치주 상태 및 염증 평가

표준화된 치주 탐침을 사용하여 두 명의 보정된 치주과 전문의가 모든 임상 구강 평가를 수행하였습니다.

연구 시작 전, 두 검사자는 표준화 교육을 받았으며 검사자 간 신뢰도는 매우 우수하였습니다 (Cohen’s κ = 0.82). 치아당 6개 지점에서 프로빙 포켓 깊이(PPD)와 임상적 부착 수준(CAL)을 측정하였습니다. Tonetti 등이 기술한 2018년 분류 체계15에 따라, 치주 질환을 경미/없음, 중등도 또는 심각함으로 분류하였습니다. 구체적으로, 참가자들은 다음과 같이 분류되었습니다: (1) 경미/없음 치주염 (치주 건강 및 Stage I 치주염 포함): 치주염 관련 치아 상실이 없으며, 부착 소실이 가장 심한 부위의 치간 임상적 부착 수준(CAL)이 ≤2 mm이고 프로빙 포켓 깊이(PPD)가 ≤4 mm인 경우; (2) 중등도 치주염 (Stage II 치주염): 치간 CAL이 3–4 mm이고, 최대 PPD가 ≤5 mm이며, 치주염으로 인해 상실된 치아가 4개 이하인 경우; (3) 심각한 치주염 (Stage III/IV 치주염): 치간 CAL이 ≥5 mm, PPD가 ≥6 mm인 경우, 및/또는 치주 파괴로 인해 4개 이상의 치아를 상실한 경우15.

모든 참가자에 대해 잔존 치아 수도 기록하였습니다. 최소 20개의 기능적 치아를 유지하는 것이 기본적인 구강 기능을 보존하고 성공적인 구강 노화를 위해 널리 인정되는 임상적 기준이므로16,17,18, 실제 치아 수를 이분 변수로 변환하였습니다: 심한 치아 상실(<20 teeth) 대 비심한 치아 상실(≥20 teeth).

전신 염증과 관련하여, SII는 입원 시 채취한 공복 혈액 샘플로부터 도출되었습니다. 정맥혈 샘플은 EDTA 튜브에 수집되었으며, 자동 혈액 분석기를 사용하여 중성구, 림프구 및 혈소판 수를 얻기 전 병원의 표준 임상 실험실 프로토콜에 따라 처리되었습니다. 지수는 다음과 같이 계산되었습니다:

SII 공식: 혈소판 수 × 호중구 수 / 림프구 수; 면역 반응을 위한 방정식.

SII 값의 매우 치우친 분포를 고려하여, 통계 분석에 포함시키기 전 자연로그 변환(Log_SII)을 적용하였습니다.

MRI 획득 및 총 CSVD 부하

모든 피험자는 표준 헤드 코일이 장착된 3.0 T MRI 스캐너를 사용하여 표준화된 뇌 MRI 검사를 받았습니다. 영상 프로토콜에는 5 mm의 슬라이스 두께로 획득한 T1-가중, T2-가중, 액체 감쇄 역전 회복(FLAIR) 및 감수성 가중 영상(SWI) 시퀀스가 포함되었습니다. 표준 영상 파라미터는 다음과 같이 설정되었습니다: T1-가중 영상(반복 시간 [TR] = 2,000 ms, 에코 시간 [TE] = 9 ms, 시야 [FOV] = 230 × 230 mm2, 매트릭스 크기 = 256 × 256); T2-가중 영상(TR = 4,500 ms, TE = 85 ms, FOV = 230 × 230 mm2, 매트릭스 크기 = 256 × 256); 액체 감쇄 역전 회복(FLAIR) 영상(TR = 8,500 ms, TE = 120 ms, 역전 시간 [TI] = 2,400 ms, FOV = 230 × 230 mm2, 매트릭스 크기 = 256 × 256); 및 감수성 가중 영상(SWI)(TR = 28 ms, TE = 20 ms, 플립 각도 = 15°, FOV = 230 × 230 mm2, 매트릭스 크기 = 256 × 256). 모든 시퀀스는 5 mm의 슬라이스 두께와 1.0 mm의 슬라이스 간 간격으로 획득되었습니다. 구체적인 스캐너 모델은 재료 표에 기재되어 있습니다. CSVD의 영상 마커는 참가자의 임상 데이터를 알지 못하는 두 명의 신경영상의학 전문의가 독립적으로 평가했습니다. 전체 CSVD 부하 점수의 평가자 간 신뢰도는 높게 나타났습니다(Cohen’s κ = 0.85). 불일치하는 사항은 제3의 상급 전문의와 합의를 통해 해결했습니다.

확립된 국제적 합의1,3에 따라, 4가지 신경영상 특징을 평가하여 누적 CSVD 부담을 0에서 4까지의 척도로 정량화하였다. 다음과 같은 MRI 소견 각각에 대해 1점씩 부여하였다: (1) 최소 1개 이상의 열공성 경색; (2) 1개 이상의 뇌 미세출혈(CMBs); (3) 기저핵의 중등도 내지 중증의 확장된 혈관주위 공간(EPVS)(grade ≥2); (4) 심부 백질의 Fazekas 점수 ≥2 또는 뇌실주위 영역의 3점으로 정의되는 중증의 백질 고신호강도(WMH). 진단 정의는 신경영상상 혈관 변화 보고 표준(STRIVE-1) 국제 합의1를 엄격히 준수하였다. 백질 고신호강도(WMH)는 Fazekas 척도19를 사용하여 등급을 매겼으며, 기저핵의 확장된 혈관주위 공간(EPVS)은 Potter 등이 기술한 검증된 4점 시각 등급 척도20를 사용하여 등급을 매겼다. 위험 평가 모델 개발을 위해, 총 CSVD 부담 점수가 ≥2점인 환자를 CSVD 부담이 높은 군으로 분류하였는데, 이는 해당 임계값이 인지 기능 저하 가속화 및 사망률과 일관되게 연관되어 왔기 때문이다21,22,23.

공변량 데이터 수집

환자의 인구통계학적 특성과 임상 병력은 기관의 전자 건강 기록에서 추출되었습니다. 수집된 변수에는 연령, 성별, 체질량 지수(BMI), 흡연 여부 및 음주량이 포함되었습니다. 또한, 이상지질혈증, 당뇨병, 고혈압, 관상동맥질환(CAD), 심근경색(MI) 병력 및 이전의 허혈성 뇌졸중을 포함한 심혈관계 및 혈관 동반 질환이 각 참여자에 대해 기록되었습니다.

모든 동반 질환은 확립된 임상 지침에 따라 입원 의료 기록에 기록된 의사의 진단, 약물 복용력, 그리고 일반적인 입원 시 실험실 및 영상 평가 검토를 통해 확인되었습니다. 고혈압은 수축기 혈압 ≥140 mmHg, 이완기 혈압 ≥90 mmHg, 또는 현재 항고혈압제 치료를 받는 경우로 정의되었습니다. 당뇨병은 공복 혈장 포도당 농도 ≥7.0 mmol/L, 당화혈색소(HbA1c) ≥6.5%, 또는 혈당 강하제 사용으로 정의되었습니다. 이상지질혈증은 공복 혈청 지질 이상 또는 현재 지질 강하 요법 시행으로 정의되었습니다. CAD, MI 병력 및 이전의 허혈성 뇌졸중은 전자 건강 기록 시스템에서 확인 가능한 기록된 임상 병력과 과거의 신경혈관 또는 심장 영상 보고서를 통해 확인되었습니다.

통계 분석 및 모델 개발

통계 분석에 앞서, Shapiro–Wilk 검정을 통해 연속형 변수의 정규성을 평가하였습니다. 범주형 변수에 대한 기술 통계는 빈도(백분율)로 요약하였으며, 상황에 따라 Pearson의 카이제곱 검정 또는 Fisher의 정확 검정을 사용하여 비교하였습니다. 정규 분포를 보이는 연속형 변수는 평균 ± 표준편차로 표기하고 Student’s t-검정으로 비교하였으며, 비정규 분포 변수는 중앙값과 사분위 범위로 표기하고 Mann-Whitney U 검정으로 비교하였습니다. 잔존 치아 수와 높은 CSVD 부담 위험 사이의 잠재적인 비선형 용량-반응 패턴을 조사하기 위해, 연령, 고혈압 및 Log_SII를 보정한 RCS 모델을 구축하였으며, 매듭(knot)은 치아 수 분포의 5, 35, 65, 95 백분위수에 4개를 배치하였습니다. 비선형성에 대한 공식적인 검정은 분산 분석(ANOVA)을 사용하여 임계값 효과 또는 지속적인 선형 추세 중 어느 것이 관찰된 연관성을 가장 잘 설명하는지 결정하였습니다.

상관관계가 있는 예측 변수가 존재하는 상황에서 변수 선택을 수행하기 위해, 모든 기저 변수를 LASSO 회귀 모델에 투입하였습니다. 최적 튜닝 매개변수(λ)는 10-겹 교차 검증을 사용하여 결정되었으며, 최소 이항 편차 기준(λmin)에 따라 선택되었습니다. 계수가 0이 아닌 변수들은 후속 분석을 위해 유지되었습니다. 선택된 변수들은 이후 다변량 로지스틱 회귀 모델에 투입되어 높은 CSVD 부하와의 연관성에 대한 오즈비(ORs) 및 95% 신뢰 구간(CIs)을 추정하였습니다. 최종 다변량 모델은 개별 위험도 추정을 위한 탐색적 임상 노모그램을 구축하는 데 사용되었습니다.

치주 파라미터의 증분 가치를 평가하기 위해, 기저 모델(연령, 고혈압 및 Log_SII 포함)을 치주염 등급과 치아 수를 포함한 확장 모델과 비교하였습니다. 모델 성능은 여러 상호 보완적인 척도를 사용하여 평가하였습니다. 판별력은 수신자 조작 특성 곡선 아래 면적(AUC)을 사용하여 평가하였으며, 모델 간의 차이는 DeLong 검정24을 통해 비교하였습니다. 최대 Youden 지수로 결정된 최적 컷오프 지점에서 민감도, 특이도, 양성 예측도(PPV) 및 음성 예측도(NPV) 또한 산출하였습니다. 확장 모델에 의해 제공되는 증분 위험 재분류를 정량화하기 위해 연속적 순 재분류 개선도(NRI)와 통합 판별 개선도(IDI)를 계산하였습니다25. 보정도는 rms 패키지로 구현된 1,000회의 부트스트랩 재표본 추출을 통해 생성된 보정 플롯을 사용하여 평가하였으며, 예측 위험과 관찰 위험 사이의 평균 절대 오차를 계산하였습니다. 잠재적인 과적합을 고려하고 모델 성능에 대한 편향되지 않은 평가를 제공하기 위해, 부트스트랩 검증에는 낙관주의 교정(optimism correction)이 포함되었으며, 편향 수정 모델 성능과 겉보기 모델 성능을 모두 보고하였습니다. 다양한 임계 확률 범위에서 순 이익을 추정함으로써 잠재적인 임상적 유용성을 평가하기 위해 결정 곡선 분석(DCA)을 수행하였습니다. 모든 통계 분석 및 시각화는 통계 소프트웨어와 rms, glmnet, pROC, PredictABEL 및 dcurves 패키지를 사용하여 수행되었습니다. 통계적 유의성은 양측 P 값이 <0.05인 경우로 정의하였습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

연구 설계 및 환자군

주요 교란 질환 또는 임상 방사선 데이터 누락으로 인해 616명을 제외한 후, 최종 분석에는 신경학적 평가를 위해 입원한 적격 참가자 234명이 포함되었습니다(그림 1). 참가자들은 종합 CSVD 점수에 따라 고부담군(n = 129)과 저부담군(n = 105)으로 층화되었습니다. 두 그룹의 기저 인구통계학적 및 임상적 특성은 표 1에 제시되어 있습니다. CSVD 부담이 높은 참가자들은 부담이 낮은 참가자들보다 연령이 높았으며(67.71 ± 7.41세 vs. 64.91 ± 7.74세, P = 0.005), 고혈압 유병률이 더 높았습니다(63.6% vs. 48.6%, P = 0.024). 이전 허혈성 뇌졸중 유병률 또한 고부담군에서 더 높았으나, 그 차이가 통계적 유의성에 도달하지는 않았습니다(21.7% vs. 12....

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

본 연구에서는 치주 파괴, 잔존 치아 수 및 뇌소혈관질환(CSVD)의 누적 부담 사이의 관계를 조사하였으며, 최종적으로 탐색적 임상 노모그램을 개발하였다. 단변량 분석에서는 중증 치주염, 치아 상실 및 높은 CSVD 부담 간의 연관성이 나타났으나, 연령 및 고혈압을 포함한 기존 심혈관 위험 요인을 보정한 다변량 로지스틱 회귀 분석 결과, 중증 치주염(P = 0.580)과 잔존 치아 수(P = 0.112)는 높은 CSVD 부담과 독립적인 연관성이 없는 것으로 나타났다. 따라서 본 코호트에서 이러한 치주 매개변수들을 높은 CSVD 부담의 독립적인 예측 인자로 해석해서는 안 된다. 오히려 관찰된 연관성은 다변량 보정 후 약화되었다. 구강 건강과 뇌혈관 질환 사이의 관계를 조사한 이전 연구들은 주로 열공성 뇌경색이나 백질 고신호강도 부담과 같은 개별 신경영상 표지자에 집중해 왔다26. 이와 대조적으로, 본 연구는 최신 신경영상 권고 사항 및 뇌소혈관질환의 현대적...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

이해관계 충돌:

저자들은 이해관계 충돌이 없음을 밝힙니다.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
자동 혈액 분석기SysmexXN-1000전신 면역-염증 지수(SII) 산출을 위한 말초 혈구 수치를 얻는 데 사용됨.
EDTA 채혈관 (K2 EDTA)Becton, Dickinson and Company367841공복 정맥혈 채혈에 사용됨.
전자 의무 기록(EMR) 시스템Winning Health Technology GroupWinning EMR v6.0환자의 인구통계학적 및 임상 정보를 추출하는 데 사용됨.
자기공명영상(MRI) 스캐너 (3.0 T)Siemens HealthineersMAGNETOM Prisma 3.0T표준화된 두개골 자기공명영상 검사에 사용됨.
MRI 헤드 코일Siemens Healthineers64-channel Head/Neck CoilMRI 획득에 사용되는 표준 헤드 코일.
치주 탐침 (UNC-15)Hu-FriedyPCPUNC15치주낭 측정 깊이(PPD) 및 임상 부착 수준(CAL) 측정에 사용됨.
R 패키지: dcurvesCRANVersion 0.4.0결정 곡선 분석(DCA)에 사용됨.
R 패키지: glmnetCRANVersion 4.1-8최소 절대 수축 및 선택 연산자(LASSO) 회귀 및 변수 선택에 사용됨.
R 패키지: pROCCRANVersion 1.18.5수신자 조작 특성(ROC) 곡선 분석 및 DeLong 검정에 사용됨.
R 패키지: PredictABELCRANVersion 1.2-4연속적 순 재분류 개선도(NRI) 및 통합 판별 개선도(IDI)를 계산하는 데 사용됨.
R 패키지: rmsCRANVersion 6.7-1제한적 삼차 스플라인(RCS) 분석, 노모그램 구축 및 부트스트랩 보정에 사용됨.
통계 계산용 R 소프트웨어R Foundation for Statistical ComputingVersion 4.3.1모든 분석에 사용된 통계 계산 환경.

참고문헌

  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.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

뇌소혈관질환 부담노모그램 개발치주염 중증도치아 상실자기공명영상LASSO 회귀 분석로지스틱 회귀 분석위험 계층화
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.