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 tym retrospektywnym przekrojowym badaniu asocjacyjnym wzięli udział pacjenci przyjmowani kolejno do Oddziału Neurologii w Changzhou No. 2 People’s Hospital z powodu zawrotów głowy, bólów głowy, w celu przesiewowego badania pod kątem udaru lub oceny poznawczej w okresie od stycznia 2022 do grudnia 2024 roku. Zrezygnowano z uzyskania świadomej zgody ze względu na retrospektywny, nieinterwencyjny charakter badania oraz wykorzystanie w pełni zanonimizowanych danych. Badanie zostało zatwierdzone przez Komitet Etyki Technologii Medycznej Klinicznej 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 zdefiniowane w następujący sposób: (1) brak pełnych sekwencji MRI czaszki (w szczególności brak obrazowania podatności magnetycznej [SWI], co uniemożliwiało dokładną ocenę mikrokrwawień); (2) brak szczegółowych zapisów z sondowania periodontologicznego lub danych o liczbie zębów w całej jamie ustnej; (3) niepełne dane z morfologii krwi, uniemożliwiające obliczenie SII; (4) historia rozległego udaru, guza mózgu, urazu czaszkowo-mózgowego lub infekcji 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 pełnych (complete-case analysis), 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 wysokim obciążeniu, spełniała ogólną zasadę liczby zdarzeń na zmienną (EPV) >10, niezbędną do stabilnego modelowania wielowymiarowego.

Ocena stanu i stanu zapalnego tkanek okołowierzchołkowych

Wszelkie kliniczne oceny jamy ustnej zostały przeprowadzone przez dwóch skalibrowanych periodontologów przy użyciu znormalizowanej sondy periodontalnej.

Przed rozpoczęciem badania obaj egzaminatorzy przeszli szkolenie standaryzujące, a niezawodność międzyegzaminatorska była doskonała (κ Cohen’a = 0.82). Głębokość sondowania kieszonek (PPD) oraz poziom przyzębia (CAL) mierzono w sześciu punktach na ząb. Na podstawie ram klasyfikacyjnych z 2018 roku opisanych przez Tonetti et al.¹⁵, chorobę przyzębia zaklasyfikowano jako łagodną/nieobecną, umiarkowaną lub ciężką. W szczególności uczestników podzielono na następujące kategorie: (1) łagodne/nieobecne zapalenie przyzębia (w tym zdrowie tkanek przyzębia i zapalenie przyzębia stopnia I), zdefiniowane jako międzypryzmatyczny poziom przyzębia (CAL) w miejscu największej utraty przyzębia ≤2 mm i głębokość sondowania kieszonek (PPD) ≤4 mm, bez utraty zębów związanej z zapaleniem przyzębia; (2) umiarkowane zapalenie przyzębia (zapalenie przyzębia stopnia II), zdefiniowane jako międzypryzmatyczny CAL od 3–4 mm, maksymalne PPD ≤5 mm oraz utratę nie więcej niż czterech zębów w wyniku zapalenia przyzębia; oraz (3) ciężkie zapalenie przyzębia (zapalenie przyzębia stopnia III/IV), zdefiniowane jako międzypryzmatyczny CAL ≥5 mm, PPD ≥6 mm i/lub utratę czterech lub więcej zębów w wyniku destrukcji przyzębia¹⁵.

Dla każdego uczestnika odnotowano również liczbę zachowanych zębów. Ponieważ utrzymanie minimum 20 funkcjonalnych zębów jest powszechnie akceptowanym wskaźnikiem klinicznym w zakresie zachowania podstawowych funkcji jamy ustnej i prawidłowego starzenia się organizmu w tym obszarze^16,17,18, surową liczbę zębów przekształcono w zmienną binarną: ciężka utrata zębów (<20 zębów) versus nieciężka utrata zębów (≥20 zębów).

W odniesieniu do stanu zapalnego układowego, wskaźnik SII wyznaczono z 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 z użyciem 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).

Nabywanie obrazów MRI i całkowite obciążenie CSVD

Wszyscy badani zostali poddani standaryzowanym badaniom MRI czaszki przy użyciu 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) pozyskane przy grubości warstwy 5 mm. Standardowe parametry obrazowania skonfigurowano w następujący sposób: obrazowanie T1-zależne (czas powtórzenia [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 odstępie międzywarstwowym 1.0 mm. Konkretny skaner wymieniono w Tabeli Materiałów. Markery obrazowe CSVD były niezależnie oceniane przez dwóch lekarzy neuroradiologów, którzy nie mieli dostępu do danych klinicznych uczestników. Niezawodność międzyoceniająca dla całkowitej oceny obciążenia CSVD była wysoka (κ Cohena = 0.85). Wszelkie rozbieżności rozstrzygano drogą konsensusu z trzecim, starszym lekarzem.

Zgodnie z przyjętym międzynarodowym konsensusem^1,3, skumulowane obciążenie CSVD ilościowo określono w skali od 0 do 4 poprzez ocenę czterech cech neuroobrazowych. Jeden punkt przypisywano za każde z następujących znalezisk w MRI: (1) co najmniej jeden udar lakunarny; (2) jeden lub więcej mikrokrawawień mózgowych (CMBs); (3) umiarkowanie do silnie poszerzone przestrzenie okołonaczyniowe (EPVS) w jądrach podstawy (stopień ≥2); oraz (4) silne hiperintensywności istoty białej (WMH), zdefiniowane jako wynik w skali Fazekasa ≥2 w głębokiej istocie białej lub 3 w obszarze okołodomniczkowym. Definicje diagnostyczne ściśle przestrzegano zgodnie z międzynarodowym konsensusem Standards for Reporting Vascular Changes on Neuroimaging (STRIVE-1)¹. Hiperintensywności istoty białej (WMH) oceniano w skali Fazekasa¹⁹, a poszerzone przestrzenie okołonaczyniowe (EPVS) w jądrach podstawy oceniano przy użyciu zwalidowanej 4-stopniowej wizualnej skali oceny opisanej przez Pottera i wsp.²⁰. Na potrzeby opracowania modelu oceny ryzyka, pacjentów z całkowitym wynikiem obciążenia CSVD ≥2 zaklasyfikowano jako osoby z wysokim obciążeniem CSVD, ponieważ próg ten był konsekwentnie wiązany z przyspieszonym pogorszeniem funkcji poznawczych oraz śmiertelnością^21,22,23.

Gromadzenie danych o współzmiennych

Demograficzne cechy pacjentów oraz historia kliniczna zostały wyodrębnione z instytucjonalnych elektronicznych rekordów zdrowotnych. Zebrane zmienne obejmowały wiek, płeć, wskaźnik masy ciała (BMI), status palenia tytoniu oraz spożycie alkoholu. Ponadto dla każdego uczestnika udokumentowano kardiometaboliczne i naczyniowe choroby współistniejące, w tym dyslipidemię, cukrzycę, nadciśnienie tętnicze, chorobę wieńcową (CAD), przebyty zawał mięśnia sercowego (MI) oraz poprzedni udar niedokrwienny.

Wszystkie choroby współistniejące potwierdzono poprzez przegląd diagnoz lekarskich udokumentowanych w szpitalnej dokumentacji medycznej, historii przyjmowanych leków oraz rutynowych badań laboratoryjnych i obrazowych wykonywanych przy przyjęciu, zgodnie z ustalonymi wytycznymi klinicznymi. Nadciśnienie tętnicze zdefiniowano jako ciśnienie skurczowe ≥140 mmHg, ciśnienie rozkurczowe ≥90 mmHg lub aktualne leczenie hipotensyjne. Cukrzycę zdefiniowano jako stężenie glukozy w osoczu na czczo ≥7.0 mmol/L, hemoglobinę glikowaną (HbA1c) ≥6.5% lub stosowanie leków przeciwcukrzycowych. Dyslipidemię zdefiniowano jako nieprawidłowości w stężeniu lipidów w surowicy na czczo lub aktualną terapię hipolipemizującą. CAD, historię MI oraz przebyty 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 kategorycznych przedstawiono jako liczebności (procenty) i porównano za pomocą testu chi-kwadrat Pearsona lub dokładnego testu Fishera, w zależności od potrzeb. 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 wraz z rozstępem międzykwartylnym 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, skonstruowano model RCS skorygowany o wiek, nadciśnienie tętnicze oraz Log_SII, stosując cztery węzły rozmieszczone na 5., 35., 65. i 95. percentylu rozkładu liczby zębów. Formalne testowanie nieliniowości przeprowadzono za pomocą analizy wariancji (ANOVA), aby ustalić, czy efekt progowy, czy ciągły trend liniowy najlepiej wyjaśnia obserwowaną zależność.

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 zakwalifikowano 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 indywidualnej oceny ryzyka.

Aby ocenić wartość dodaną parametrów periodontologicznych, model bazowy (obejmujący wiek, nadciśnienie tętnicze oraz Log_SII) porównano z modelem rozszerzonym, uwzględniającym stopień zaawansowania zapalenia przyzębia oraz liczbę zębów. Wydajność modelu oceniono za pomocą wielu uzupełniających miar. Dyskryminację oceniono, wykorzystując pole pod krzywą charakterystyki operacyjnej odbiornika (AUC), a różnice między modelami porównano za pomocą testu 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 ciągłą poprawę reklasyfikacji netto (NRI) oraz zintegrowaną poprawę dyskryminacji (IDI), aby ilościowo określić przyrost reklasyfikacji ryzyka zapewniony przez model rozszerzony²⁵. Kalibrację oceniono za pomocą wykresów kalibracji wygenerowanych z 1000 prób bootstrapowych zaimplementowanych w pakiecie rms, a następnie obliczono średni błąd bezwzględny między ryzykiem przewidywanym a obserwowanym. Aby uwzględnić potencjalne przeuczenie modelu i zapewnić nieobciążoną ocenę jego wydajności, walidacja bootstrapowa obejmowała korekcję optymizmu, a w wynikach raportowano wydajność modelu zarówno skorygowaną o obciążenie, jak i pozorną. Przeprowadzono analizę krzywej decyzyjnej (DCA), aby ocenić potencjalną użyteczność kliniczną poprzez oszacowanie korzyści netto w zakresie progów prawdopodobieństwa. Wszystkie analizy statystyczne i wizualizacje wykonano przy użyciu oprogramowania statystycznego oraz pakietów rms, glmnet, pROC, PredictABEL i dcurves. Istotność statystyczną zdefiniowano 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 kwalifikujących się uczestników przyjętych na badanie neurologiczne (Rysunek 1). Uczestników podzielono zgodnie z sumarycznym wynikiem CSVD na grupy o wysokim obciążeniu (n = 129) i niskim obciążeniu (n = 105). Wyjściowa charakterystyka demograficzna i kliniczna obu ...

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 w...

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.