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

Podsumowanie

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

Streszczenie

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

Wprowadzenie

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

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

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

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

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

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

Protokół

W tej retrospekcyjnej przekrojowej badaniu asocjacyjnym wzięli udział kolejni pacjenci przyjęci do Oddziału Neurologii w Changzhou No. 2 People’s Hospital z powodu zawrotów głowy, bólów głowy, w celu przesiewowego badania 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 Medycznych Klinicznych w Changzhou No. 2 People’s Hospital (identyfikator zatwierdzenia IRB: [2023] YLJSA069) i przeprowadzono je zgodnie z wytycznymi instytucjonalnymi.

Projekt badania i populacja pacjentów

Wstępnie oceniono 850 pacjentów. Kryteria wykluczenia zdefiniowano rygorystycznie w następujący sposób: (1) brak kompletnych sekwencji MRI czaszki (szczególnie brak obrazowania podatności magnetycznej [SWI], co uniemożliwiało dokładną ocenę mikrokrawawień); (2) brak szczegółowych zapisów z sondowania dziąseł lub danych o liczbie zębów w całej jamie ustnej; (3) niepełne dane z morfologii krwi, uniemożliwiające obliczenie SII; (4) w wywiadzie rozległy udar, nowotwór mózgu, urazowe uszkodzenie mózgu lub infekcja 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 analizę przypadków kompletnych (complete-case analysis), w ramach której wykluczono osoby z brakującymi podstawowymi parametrami kliniczno-radiologicznymi. Po przeprowadzeniu przesiewu do analizy włączono 234 zakwalifikowanych uczestników. Próbka ta, obejmująca 129 zdarzeń o dużym obciążeniu, spełniła praktyczną zasadę liczby zdarzeń na zmienną (EPV) >10, niezbędną do stabilnego modelowania wielowymiarowego.

Ocena stanu przyzębia i stanu zapalnego

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

Przed rozpoczęciem badania obaj egzaminatorzy przeszli szkolenie standaryzacyjne, a niezawodność międzyegzaminatorska była doskonała (kappa Cohena κ = 0,82). Głębokość kieszonki dziąsłowej (PPD) oraz poziom przyzęcza klinicznego (CAL) mierzone były w sześciu punktach na ząb. Na podstawie klasyfikacji z 2018 roku opisanej przez Tonettiego i współpracowników¹⁵, chorobę przyzębia zaklasyfikowano jako łagodną/nieobecną, umiarkowaną lub ciężką. W szczególności uczestników podzielono w następujący sposób: (1) łagodne/brak zapalenia przyzębia (w tym zdrowie przyzębia i zapalenie przyzębia w stadium I), definiowane jako międzyprzestrzenny poziom przyzęcza klinicznego (CAL) w miejscu największej utraty przyzęcza ≤2 mm i głębokość kieszonki dziąsłowej (PPD) ≤4 mm, bez utraty zębów związanej z zapaleniem przyzębia; (2) umiarkowane zapalenie przyzębia (zapalenie przyzębia w stadium II), definiowane jako międzyprzestrzenny CAL od 3 do 4 mm, maksymalne PPD ≤5 mm i utrata nie więcej niż czterech zębów z powodu zapalenia przyzębia; oraz (3) ciężkie zapalenie przyzębia (zapalenie przyzębia w stadium III/IV), definiowane jako międzyprzestrzenny CAL ≥5 mm, PPD ≥6 mm i/lub utrata czterech lub więcej zębów z powodu destrukcji przyzębia¹⁵.

Odnotowano również liczbę zachowanych zębów u każdego uczestnika. Ponieważ utrzymanie minimum 20 funkcjonalnych zębów jest powszechnie akceptowanym klinicznym punktem odniesienia dla zachowania podstawowych funkcji jamy ustnej i pomyślnego starzenia się aparatu zgryzowego^16,17,18, całkowita liczba zębów została przekształcona w zmienną binarną: ciężka utrata zębów (<20 zębów) przeciwko nieciężkiej utracie zębów (≥20 zębów).

W odniesieniu do zapalenia układowego, wskaźnik SII wyliczono na podstawie próbek krwi pobranych na czczo w momencie przyjęcia do szpitala. Próbki krwi żylnej pobierano do probówek z EDTA i przetwarzano zgodnie ze standardowym protokołem klinicznego laboratorium szpitalnego przed analizą za pomocą automatycznego analizatora hematologicznego w celu uzyskania liczby neutrofili, limfocytów i płytek krwi. Wskaźnik obliczono według wzoru:

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

Akwizycja MRI i całkowite obciążenie CSVD

Wszyscy badani poddani zostali ustandaryzowanym badaniom obrazowym MRI czaszki przy użyciu skanera MRI 3,0 T wyposażonego w standardową cewkę głowową. Protokół obrazowania obejmował sekwencje T1-zależną, T2-zależną, FLAIR (fluid-attenuated inversion recovery) oraz SWI (susceptibility-weighted imaging) pozyskiwane przy grubości warstwy 5 mm. Standardowe parametry obrazowania skonfigurowano w następujący sposób: obrazowanie T1-zależne (czas powtarzania [TR] = 2 000 ms, czas echa [TE] = 9 ms, pole widzenia [FOV] = 230 × 230 mm², rozmiar macierzy = 256 × 256); obrazowanie T2-zależne (TR = 4 500 ms, TE = 85 ms, FOV = 230 × 230 mm², rozmiar macierzy = 256 × 256); obrazowanie FLAIR (TR = 8 500 ms, TE = 120 ms, czas inwersji [TI] = 2 400 ms, FOV = 230 × 230 mm², rozmiar macierzy = 256 × 256) oraz obrazowanie SWI (TR = 28 ms, TE = 20 ms, kąt odchylenia = 15°, FOV = 230 × 230 mm², rozmiar macierzy = 256 × 256). Wszystkie sekwencje pozyskano przy grubości warstwy 5 mm i przerwie międzywarstwowej 1,0 mm. Konkretny model skanera wymieniono w Tabeli Materiałów. Markery obrazowe CSVD były niezależnie oceniane przez dwóch lekarzy radiologów, którzy nie mieli dostępu do danych klinicznych uczestników. Niezawodność międzyoceniająca dla całkowitej punktacji 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 określono w skali od 0 do 4 poprzez ocenę czterech cech neuroobrazowych. Jeden punkt przypisano za każdy z następujących wyników MRI: (1) co najmniej jeden zawał lakunarny; (2) jeden lub więcej mikrokrwawień mózgowych (CMBs); (3) umiarkowane do ciężkich poszerzone przestrzenie okołonaczyniowe (EPVS) w jądrach podstawy (stopień ≥2); oraz (4) ciężkie hiperintensywności istoty białej (WMH), zdefiniowane jako wynik w skali Fazekasa ≥2 w głębokiej istocie białej lub 3 w obszarze okołokomorowym. Definicje diagnostyczne ściśle 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 za pomocą zwalidowanej 4-stopniowej wizualnej skali ocen opisanej przez Potter i współpracowników²⁰. W celu opracowania modelu oceny ryzyka pacjentów z całkowitym wynikiem obciążenia CSVD ≥2 zaklasyfikowano do grupy z wysokim obciążeniem CSVD, ponieważ próg ten jest konsekwentnie wiązany z przyspieszonym spadkiem funkcji poznawczych oraz śmiertelnością^21,22,23.

Zbieranie danych o współzmiennych

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

Wszystkie choroby współistniejące potwierdzono poprzez analizę rozpoznań lekarskich udokumentowanych w dokumentacji medycznej pacjentów oddziałowych, historii przyjmowanych leków oraz rutynowych badań laboratoryjnych i obrazowych przeprowadzanych 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 obniżających poziom glukozy. Dyslipidemię zdefiniowano jako nieprawidłowości w poziomie lipidów w surowicy na czczo lub aktualną terapię hipolipemizującą. CAD, przebyty zawał mięśnia sercowego (MI) oraz poprzedni udar niedokrwienny potwierdzono na podstawie udokumentowanej historii klinicznej oraz archiwalnych raportów z badań obrazowych naczyniowo-neurologicznych lub kardiologicznych dostępnych w elektronicznym systemie 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 liczebność (procenty) i porównano przy użyciu testu chi-kwadrat Pearsona lub dokładnego testu Fishera, w zależności od tego, co było odpowiednie. Zmienne ciągłe o rozkładzie normalnym wykazano jako średnie ± odchylenia standardowe i porównano za pomocą testu t Studenta, natomiast zmienne o rozkładzie innym niż normalny przedstawiono jako mediany z rozstępami międzykwartylnymi i porównano za pomocą testu U Manna-Whitneya. Aby zbadać potencjalne nieliniowe wzorce zależności dawka-odpowiedź między liczbą zachowanych zębów a ryzykiem wysokiego obciążenia CSVD, skonstruowano model RCS skorygowany o wiek, nadciśnienie tętnicze oraz Log_SII, wykorzystując cztery węzły umieszczone na 5., 35., 65. i 95. percentylu rozkładu liczby zębów. Formalną weryfikację nieliniowości przeprowadzono za pomocą analizy wariancji (ANOVA), aby ustalić, czy obserwowany związek najlepiej wyjaśnia efekt progowy, czy ciągły trend liniowy.

W celu przeprowadzenia selekcji zmiennych przy obecności skorelowanych predyktorów, wszystkie zmienne wyjściowe wprowadzono do modelu regresji LASSO. Optymalny parametr dostrajania (λ) wyznaczono 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 (OR) oraz 95% przedziałów ufności (CI) dla ich powiązań z wysokim obciążeniem CSVD. Końcowy model wieloczynnikowy wykorzystano następnie do stworzenia eksploracyjnego nomogramu klinicznego służącego do zindywidualizowanej oceny ryzyka.

Aby ocenić wartość dodaną parametrów periodontologicznych, model bazowy (uwzględniający wiek, nadciśnienie tętnicze i Log_SII) porównano z modelem rozszerzonym, obejmującym stopień zapalenia przyzębia oraz liczbę zębów. Wydajność modelu oceniano za pomocą wielu komplementarnych miar. Zdolność dyskryminacyjną oceniano za pomocą pola pod krzywą charakterystyki operacyjnej odbiornika (AUC), a różnice między modelami porównywano testem DeLonga²⁴. Dla optymalnego punktu odcięcia, wyznaczonego przez maksymalny indeks Youdena, obliczono również czułość, swoistość, dodatnią wartość predykcyjną (PPV) oraz ujemną wartość predykcyjną (NPV). Obliczono ciągły wskaźnik poprawy reklasyfikacji (NRI) oraz zintegrowaną poprawę dyskryminacji (IDI), aby określić przyrostową reclassification ryzyka zapewnioną przez model rozszerzony²⁵. Kalibrację oceniano za pomocą wykresów kalibracji wygenerowanych z 1 000 próbek 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 metodą bootstrapu obejmowała korektę optymizmu, przy raportowaniu zarówno skorygowanej o obciążenie, jak i pozornej wydajności modelu. Przeprowadzono analizę krzywej decyzyjnej (DCA), aby ocenić potencjalną użyteczność kliniczną poprzez oszacowanie korzyści netto w zakresie różnych prawdopodobieństw progowych. Wszystkie analizy statystyczne i wizualizacje wykonano przy użyciu oprogramowania statystycznego oraz pakietów rms, glmnet, pROC, PredictABEL i dcurves. Istotność statystyczną określono jako dwustronną wartość P <0,05.

Wyniki

Projekt badania i populacja pacjentów

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

Rycina 1. Schemat wyboru uczestników badania. Schemat przedstawiający proces selekcji uczestników do retrospektywnego badania przekrojowego. Przesiewowo przebadano kolejno przyjmowanych pacjentów do Oddziału Neurologii w Szpitalu Ludowym nr 2 w Changzhou w okresie od stycznia 2022 r. do grudnia 2024 r. z powodu zawrotów głowy, bólów głowy, w celu przesiewowego badania pod kątem udaru lub oceny poznawczej. Przed podzieleniem uczestników na grupy z niskim i wysokim obciążeniem chorobą małych naczyń mózgowych (CSVD) kolejno stosowano kryteria wykluczenia. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

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

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

Ocena stanu przyzębia i stanu zapalnego

Rozkład całkowitych wyników obciążenia CSVD w zależności od stopnia zaawansowania zapalenia przyzębia przedstawiono na Rysunku 2. Odsetek uczestników z wyższymi wynikami CSVD wzrastał wraz ze wzrostem nasilenia zapalenia przyzębia, a test Cochran-Armitage wykazał istotny trend (P < 0,001). Związek między liczbą zachowanych zębów a prawdopodobieństwem wysokiego obciążenia CSVD oceniono dalej za pomocą analizy RCS (Rysunek 3). Po skorygowaniu o wiek, nadciśnienie tętnicze i Log_SII, test formalny potwierdził liniowy wzorzec zależności dawka-odpowiedź, a nie nieliniowy efekt progowy (P dla nieliniowości = 0,332). Szacowane prawdopodobieństwo wysokiego obciążenia CSVD rosło progresywnie wraz ze spadkiem liczby zachowanych zębów. Jednakże szacunki dla najniższej liczby zębów należy interpretować ostrożnie ze względu na szersze przedziały ufności.

Rysunek 2. Rozkład całkowitego obciążenia mózgową chorobą małych naczyń (CSVD) w zależności od stopnia zaawansowania zapalenia przyzębia. Skumulowany wykres słupkowy przedstawiający proporcjonalny rozkład zapalenia przyzębia w stopniu zdrowym/lekkim, umiarkowanym i ciężkim w odniesieniu do całkowitych wyników obciążenia CSVD (0–4). Test trendu Cochrana-Armitage'a wykazał istotny trend wzrostowy ciężkości zapalenia przyzębia wraz ze wzrostem obciążenia CSVD (P dla trendu <0,001). Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.

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

Analiza statystyczna i opracowanie modelu

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

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

Tabela 2: Wieloczynnikowa analiza regresji logistycznej czynników związanych z wysokim stopniem obciążenia chorobą małych naczyń mózgowych (CSVD). Zmienne uwzględnione w wieloczynnikowym modelu regresji logistycznej wybrano za pomocą regresji LASSO (least absolute shrinkage and selection operator). Jako kategorię referencyjną przyjęto brak periodontitis lub periodontitis w stopniu łagodnym. Iloraz szans (OR) dla liczby zachowanych zębów reprezentuje zmianę szansy na wystąpienie wysokiego stopnia obciążenia CSVD w związku z każdym dodatkowym zachowanym zębem. Skróty: CI, przedział ufności; CSVD, choroba małych naczyń mózgowych; LASSO, least absolute shrinkage and selection operator; Log_SII, logarytm naturalny systemowego indeksu immunozapalnego; OR, iloraz szans.

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

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

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

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

Rycina 5. Dyskryminacja i kalibracja modeli predykcyjnych. (A) Krzywe charakterystyki operacyjnej odbiornika (ROC) porównujące model bazowy i model rozszerzony. Dyskryminację modelu oceniano za pomocą pola pod krzywą charakterystyki operacyjnej odbiornika (AUC), a różnice między modelami oceniano testem DeLonga. (B) Wykres kalibracji modelu rozszerzonego wygenerowany przy użyciu 1 000 bootstrapowych prób ponownych. Widoczne są krzywe kalibracji rzeczywista, skorygowana o obciążenie oraz idealna, wraz z granicami ufności (CL). Efektywność kalibracji oceniano na podstawie średniego błędu bezwzględnego między prawdopodobieństwami przewidywanymi a obserwowanymi. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.

Rycina 6. Analiza krzywej decyzyjnej modeli prognostycznych. Analiza krzywej decyzyjnej (DCA) porównująca korzyść netto modelu bazowego i modelu rozszerzonego w zakresie prawdopodobieństw progowych. Strategie „Lecz wszystkich” i „Nie lecz nikogo” przedstawiono jako krzywe referencyjne. Aby wyświetlić powiększoną wersję tej ryciny, kliknij tutaj.

Ogólnie wyniki wykazały istotne nieskorygowane powiązania między stopniem zaawansowania choroby okresu, utratą zębów a wysokim obciążeniem CSVD, wraz z liniową zależnością między zmniejszającą się liczbą zachowanych zębów a rosnącym ryzykiem CSVD. Niemniej jednak, po korekcie wieloczynnikowej, ciężkie zapalenie dziąseł oraz liczba zachowanych zębów nie były niezależnie powiązane z wysokim obciążeniem CSVD. Wyniki te wspierają eksploracyjne wykorzystanie parametrów okresontalnych w wstępnym modelu wizualizacji ryzyka, ale nie uzasadniają ich interpretacji jako niezależnych predyktorów ani uznania nomogramu za klinicznie użyteczne narzędzie przesiewowe.

Dostępność danych:

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

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

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

Tabela uzupełniająca 1. Zanonimizowany zbiór danych na poziomie uczestników stanowiący podstawę analiz przedstawionych w niniejszym badaniu. Zbiór danych obejmuje zanonimizowane cechy demograficzne, naczyniowe czynniki ryzyka, zmienne badania periodontologicznego, pomiary laboratoryjne, wyniki obrazowania rezonansem magnetycznym (MRI), oceny stopnia nasilenia choroby małych naczyń mózgowych (CSVD) oraz zmienne oceny międzyobserwatorowej wykorzystane w analizach statystycznych. Definicje zmiennych odpowiadają opisom zawartym w sekcji Protokół.Prosimy kliknąć tutaj, aby pobrać ten plik.

Dyskusja

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

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

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

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

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

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

Materiały

Lista materiałów użytych w tym artykule

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