Desenvolvimento e Validação Interna de um Nomograma Exploratório para a Carga de Doença de Pequenos Vasos Cerebrais Utilizando Parâmetros Periodontais

Resumo

Este protocolo descreve o desenvolvimento e a validação interna de um nomograma exploratório que integra parâmetros periodontais e fatores de risco convencionais para estimar a carga de doença dos pequenos vasos cerebrais para estratificação de risco individualizada.

Resumo

A doença cerebrovascular de pequenos vasos (DCPV) é uma causa importante de acidente vascular cerebral e declínio cognitivo, mas a contribuição da doença periodontal para a carga total de DCPV permanece incerta. Nosso objetivo foi desenvolver e validar internamente um nomograma clínico exploratório que incorporasse parâmetros periodontais para estimar uma alta carga de DCPV. Um total de 234 indivíduos realizou ressonância magnética (RM) para avaliação da carga total de DCPV (escore 0–4). A gravidade da periodontite e a contagem de dentes remanescentes foram registradas. Os preditores ótimos selecionados por meio da regressão com operador de contração e seleção por mínimos absolutos (LASSO) foram incluídos em uma regressão logística multivariável para construir o nomograma, que foi avaliado quanto à discriminação, calibração e utilidade clínica. A análise de spline cúbica restrita demonstrou uma relação dose-resposta linear entre perda dentária e alta carga de DCPV (P para não linearidade = 0,332). A análise multivariável identificou idade avançada e hipertensão como fatores prognósticos independentes; no entanto, as associações da periodontite grave (P = 0,580) e da perda dentária grave (P = 0,112) foram atenuadas e não se associaram independentemente à alta carga de DCPV após ajuste. O nomograma demonstrou discriminação modesta (área sob a curva = 0,675) e calibração favorável validada por bootstrap (erro médio absoluto = 0,038). A análise da curva de decisão sugeriu utilidade clínica potencial em diferentes limiares de risco selecionados, embora a interpretação permaneça exploratória devido à ausência de validação externa. Embora a periodontite grave e a perda dentária tenham mostrado associações univariáveis com alta carga de DCPV, não foram preditores independentes após ajuste multivariável. Este nomograma exploratório fornece um quadro preliminar de visualização para estratificação individualizada de risco e exige validação externa adicional antes da implementação clínica.

Introdução

A doença cerebrovascular de pequenos vasos (DCPV) é uma desordem microvascular crônica e insidiosa do cérebro, amplamente reconhecida como causa vascular principal de acidente vascular cerebral, declínio cognitivo e comprometimento da mobilidade em adultos mais velhos¹. Historicamente, marcadores individuais de ressonância magnética (RM) da DCPV, incluindo hiperintensidades da substância branca (HSB), infartos lacunares, micro-hemorragias cerebrais (MHCs) e espaços perivasculares ampliados (EPA), eram avaliados de forma independente. No entanto, esses fenótipos de neuroimagem frequentemente coexistem e são impulsionados por mecanismos patológicos compartilhados, particularmente disfunção endotelial e vazamento microvascular². Consequentemente, declarações recentes de consenso defendem o uso de um sistema de pontuação total da carga de DCPV³. Essa métrica integrada reflete de maneira mais abrangente o impacto cumulativo da lesão microvascular cerebral do que marcadores de imagem individuais e fornece um indicador superior do declínio neurológico geral⁴.

A etiologia da DVC ainda não é completamente compreendida; no entanto, a inflamação sistêmica crônica de baixo grau é cada vez mais reconhecida como um fator contribuinte-chave para a lesão endotelial cerebral e a ruptura da barreira hematoencefálica⁵. Nesse contexto, a periodontite, uma doença inflamatória induzida por biofilme disbiótico altamente prevalente que afeta os tecidos de suporte dentário, surgiu como um fator de risco potencialmente modificável para doenças neurovasculares dentro do conceito do eixo oral-cerebral⁶. A periodontite grave não apenas resulta em destruição progressiva do osso alveolar e perda dentária eventual, mas também atua como um reservatório persistente de patógenos periodontais e citocinas pró-inflamatórias⁷. Esses mediadores inflamatórios podem entrar na circulação sistêmica, contribuindo assim para o remodelamento vascular e a aterogênese⁸.

Estudos epidemiológicos recentes demonstraram uma associação entre periodontite grave e um risco aumentado de acidente vascular cerebral isquêmico⁹. No entanto, as evidências sobre sua relação com a carga cumulativa de DVMC permanecem limitadas e fragmentadas. Além disso, a perda dentária, a consequência clínica final da doença periodontal, tem sido associada à diminuição cognitiva e à mortalidade cardiovascular¹⁰. Contudo, a relação dose-resposta entre perda dentária e lesão cerebrovascular permanece pouco compreendida. Especificamente, não está claro se o risco de DVMC aumenta após um limiar crítico no número de dentes remanescentes ser atingido ou se segue um padrão contínuo linear de dose-resposta.

Embora a associação entre destruição periodontal e lesão microvascular cerebral seja biologicamente plausível, os mecanismos imuno-inflamatórios sistêmicos que sustentam essa relação precisam ser mais bem caracterizados. Biomarcadores inflamatórios convencionais, incluindo contagens isoladas de subpopulações de leucócitos e proteína C-reativa de alta sensibilidade, podem não captar adequadamente a complexidade da resposta imuno-inflamatória do hospedeiro em contextos clínicos. O Índice Sistêmico de Imunoinflamação (SII), calculado a partir das contagens periféricas de plaquetas, neutrófilos e linfócitos, surgiu recentemente como um biomarcador inflamatório abrangente¹¹. O SII reflete o equilíbrio entre a atividade inflamatória sistêmica e o estado imunológico. Níveis elevados de SII demonstraram valor prognóstico em diversas doenças cerebrovasculares, prevendo a gravidade do acidente vascular cerebral agudo e desfechos funcionais desfavoráveis, além de terem sido associados à carga global de DVC, comprometimento cognitivo e ao diagnóstico graduado da periodontite^12,13. Como a periodontite induz inflamação sistêmica crônica, a avaliação do SII em conjunto com parâmetros periodontais pode aprimorar a identificação de indivíduos em risco de lesão microvascular cerebral oculta.

Apesar do crescente interesse no eixo bucal-cerebral, a literatura atual apresenta várias limitações metodológicas. A maioria dos estudos concentrou-se em marcadores individuais de imagem de DVP ou em parâmetros isolados de saúde bucal, sem integrar a gravidade da periodontite, sua consequência clínica final (perda dentária) e as respostas imunes-inflamatórias sistêmicas em uma avaliação unificada. Mais importante ainda, a prática clínica exige ferramentas práticas de avaliação de risco, mas instrumentos visuais, como nomogramas para identificar pacientes com alto risco de DVP com base em perfis inflamatórios bucais e sistêmicos combinados, ainda são limitados. As abordagens existentes de avaliação de risco de DVP baseiam-se principalmente em biomarcadores individuais ou fatores demográficos convencionais, o que pode não capturar adequadamente as interações multifatoriais entre inflamação sistêmica e saúde bucal. Além disso, o desenvolvimento de modelos preditivos confiáveis exige métodos robustos de seleção de variáveis. Abordagens convencionais, como a regressão stepwise, podem ser instáveis quando aplicadas a conjuntos de dados clínicos de alta dimensionalidade e podem ser influenciadas por preditores correlacionados. A abordagem de regressão por operador de redução e seleção por mínimos absolutos (LASSO) supera esses desafios ao aplicar penalização aos coeficientes para reduzir o sobreajuste e identificar os preditores mais informativos para o desenvolvimento do modelo¹⁴.

Motivado por essas lacunas de conhecimento, este estudo transversal retrospectivo foi planejado com dois objetivos principais. Primeiro, objetivamos caracterizar a relação dose-resposta entre a contagem de dentes retidos e alta carga de DVSC utilizando análise de spline cúbica restrita (RCS) para avaliar possíveis efeitos limiares não lineares e tendências lineares. Segundo, buscamos desenvolver um nomograma clínico exploratório utilizando seleção de variáveis baseada em LASSO e avaliar a reclassificação incremental de risco fornecida pelos parâmetros periodontais além dos fatores de risco convencionais. Hipotetizamos que a integração do estado periodontal, perda dentária e o SII em um modelo multidimensional poderia fornecer uma estrutura visual exploratória para estimar a carga cumulativa de DVSC e melhorar a estratificação individualizada de risco. Na prática clínica, o nomograma proposto destina-se a ser uma ferramenta adjuvante rápida e não invasiva para auxiliar neurologistas na identificação de pacientes que possam se beneficiar de uma avaliação cerebrovascular precoce ou de uma avaliação odontológica multidisciplinar. Contudo, dada sua natureza exploratória, desempenho discriminatório modesto e ausência de validação externa, o nomograma não deve ser considerado substituto do diagnóstico baseado em ressonância magnética (MRI). Além disso, sua aplicação pode ser limitada em pacientes com infecções agudas ativas, doenças autoimunes graves ou trauma recente, já que essas condições podem influenciar significativamente os biomarcadores inflamatórios sistêmicos e afetar a estimativa de risco.

Protocolo

Este estudo retrospectivo de associação transversal incluiu pacientes consecutivos admitidos no Departamento de Neurologia do Hospital N.º 2 de Changzhou para avaliação de tontura, dor de cabeça, triagem de AVC ou avaliação cognitiva entre janeiro de 2022 e dezembro de 2024. O consentimento informado foi dispensado devido à natureza retrospectiva, não intervencionista do estudo e ao uso de dados totalmente anonimizados. O estudo foi aprovado pelo Comitê de Ética em Pesquisa Clínica do Hospital N.º 2 de Changzhou (número de aprovação IRB: [2023] YLJSA069) e foi conduzido de acordo com as diretrizes institucionais.

Desenho do Estudo e População de Pacientes

Inicialmente, foram avaliados 850 pacientes. Os critérios de exclusão foram rigorosamente definidos da seguinte forma: (1) ausência de sequências completas de ressonância magnética craniana (especialmente a ausência de imagens ponderadas por suscetibilidade [SWI], o que impede a avaliação precisa de micro-hemorragias); (2) ausência de registros detalhados de sondagem periodontal ou dados completos da contagem de dentes em toda a boca; (3) ausência de dados completos de hemograma, impedindo o cálculo do Índice Sistêmico de Inflamação (SII); (4) histórico de acidente vascular cerebral maciço, tumor cerebral, trauma cranioencefálico ou infecção do sistema nervoso central; e (5) presença de infecção aguda ativa, doença autoimune grave ou neoplasia no último mês, a fim de minimizar efeitos de confusão sobre marcadores inflamatórios sistêmicos. Para garantir a integridade dos dados, foi utilizada uma abordagem de análise de casos completos, na qual indivíduos com qualquer parâmetro clínico-radiológico essencial ausente foram excluídos. Após triagem, 234 participantes elegíveis foram incluídos na análise. Essa amostra, composta por 129 eventos de alta carga, atendeu à regra prática de eventos-por-variável (EPV) >10 para modelagem multivariada estável.

Avaliação do Estado Periodontal e da Inflamação

Dois periodontistas calibrados realizaram todas as avaliações clínicas orais utilizando uma sonda periodontal padronizada.

Antes do estudo, ambos os examinadores passaram por treinamento de padronização, e a confiabilidade entre examinadores foi excelente (κ de Cohen = 0,82). A profundidade de sondagem periodontal (PSP) e o nível clínico de inserção (NCI) foram medidos em seis sítios por dente. Com base na classificação de 2018 descrita por Tonetti et al.¹⁵, a doença periodontal foi classificada como leve/ausente, moderada ou grave. Especificamente, os participantes foram categorizados da seguinte forma: (1) Periodontite leve/ausente (incluindo saúde periodontal e periodontite estágio I), definida como nível clínico de inserção (NCI) interdental no sítio com maior perda de inserção ≤2 mm e profundidade de sondagem periodontal (PSP) ≤4 mm, sem perda dentária relacionada à periodontite; (2) Periodontite moderada (periodontite estágio II), definida como NCI interdental de 3–4 mm, PSP máxima ≤5 mm e perda de não mais de quatro dentes devido à periodontite; e (3) Periodontite grave (periodontite estágio III/IV), definida como NCI interdental ≥5 mm, PSP ≥6 mm e/ou perda de quatro ou mais dentes devido à destruição periodontal¹⁵.

O número de dentes retidos também foi documentado para cada participante. Como manter um mínimo de 20 dentes funcionais é um parâmetro clínico amplamente aceito para preservar a função bucal básica e o envelhecimento bucal bem-sucedido^16,17,18, a contagem bruta de dentes foi convertida em uma variável binária: perda dentária grave (<20 dentes) versus perda dentária não grave (≥20 dentes).

No que diz respeito à inflamação sistêmica, o Índice de Imunoinflamação Sistêmica (SII) foi derivado de amostras de sangue coletadas em jejum na admissão. Amostras de sangue venoso foram coletadas em tubos com EDTA e processadas de acordo com o protocolo padrão do laboratório clínico do hospital antes da análise em um analisador hematológico automatizado para obtenção das contagens de neutrófilos, linfócitos e plaquetas. O índice foi calculado da seguinte forma:

Para levar em consideração a distribuição altamente assimétrica dos valores de SII, foi aplicada uma transformação logarítmica natural (Log_SII) antes da inclusão nas análises estatísticas.

Aquisição por Ressonância Magnética e Carga Total de DBVC

Todos os participantes realizaram exames padronizados de ressonância magnética craniana utilizando um scanner de ressonância magnética de 3,0 T equipado com uma bobina padrão para cabeça. O protocolo de imagem incluiu sequências ponderadas em T1, ponderadas em T2, com recuperação de inversão com supressão de líquido (FLAIR) e imagens ponderadas em suscetibilidade (SWI), adquiridas com espessura de corte de 5 mm. Os parâmetros padrão de imagem foram configurados da seguinte forma: imagem ponderada em T1 (tempo de repetição [TR] = 2.000 ms, tempo de eco [TE] = 9 ms, campo de visão [FOV] = 230 × 230 mm², tamanho da matriz = 256 × 256); imagem ponderada em T2 (TR = 4.500 ms, TE = 85 ms, FOV = 230 × 230 mm², tamanho da matriz = 256 × 256); imagem com recuperação de inversão com supressão de líquido (FLAIR) (TR = 8.500 ms, TE = 120 ms, tempo de inversão [TI] = 2.400 ms, FOV = 230 × 230 mm², tamanho da matriz = 256 × 256); e imagem ponderada em suscetibilidade (SWI) (TR = 28 ms, TE = 20 ms, ângulo de inclinação = 15°, FOV = 230 × 230 mm², tamanho da matriz = 256 × 256). Todas as sequências foram adquiridas com espessura de corte de 5 mm e intervalo intercorte de 1,0 mm. O scanner específico está listado na Tabela de Materiais. Os marcadores de imagem da DVCe foram avaliados independentemente por dois médicos especializados em neuroimagem, cegos aos dados clínicos dos participantes. A confiabilidade entre avaliadores para o escore total de carga de DVCe foi alta (κ de Cohen = 0,85). Quaisquer discrepâncias foram resolvidas por consenso com um terceiro médico sênior.

De acordo com o consenso internacional estabelecido^1,3, a carga cumulativa de DVCP foi quantificada em uma escala de 0 a 4 mediante a avaliação de quatro características de neuroimagem. Um ponto foi atribuído para cada um dos seguintes achados na RNM: (1) pelo menos um infarto lacunar; (2) uma ou mais micro-hemorragias cerebrais (MHCs); (3) espaços perivasculares ampliados (EPVS) moderados a graves nos gânglios da base (grau ≥2); e (4) hipersinal de substância branca grave (HSB), definida como escore Fazekas ≥2 na substância branca profunda ou 3 na região periventricular. As definições diagnósticas seguiram rigorosamente o consenso internacional Padrões para Relato de Alterações Vasculares em Neuroimagem (STRIVE-1)¹. As hipersinal de substância branca (HSB) foram classificadas utilizando a escala de Fazekas¹⁹, e os espaços perivasculares ampliados (EPVS) nos gânglios da base foram classificados utilizando a escala visual validada de 4 pontos descrita por Potter et al.²⁰. Para o desenvolvimento do modelo de avaliação de risco, pacientes com escore total de carga de DVCP ≥2 foram classificados como tendo alta carga de DVCP, pois esse limiar tem sido consistentemente associado à declínio cognitivo acelerado e mortalidade^21,22,23.

Coleta de Dados de Covariáveis

As características demográficas e o histórico clínico dos pacientes foram extraídos dos registros eletrônicos de saúde institucionais. As variáveis coletadas incluíram idade, sexo, índice de massa corporal (IMC), status de tabagismo e consumo de álcool. Além disso, comorbidades cardiometabólicas e vasculares, incluindo dislipidemia, diabetes melito, hipertensão, doença arterial coronariana (DAC), histórico de infarto do miocárdio (IM) e acidente vascular cerebral isquêmico prévio, foram documentadas para cada participante.

Todas as comorbilidades foram confirmadas mediante revisão dos diagnósticos médicos registrados nos prontuários hospitalares, histórico medicamentoso e avaliações laboratoriais e de imagem de rotina realizadas na admissão, de acordo com diretrizes clínicas estabelecidas. Hipertensão foi definida como pressão arterial sistólica ≥140 mmHg, pressão arterial diastólica ≥90 mmHg ou tratamento anti-hipertensivo em curso. Diabetes melito foi definido como concentração de glicose plasmática em jejum ≥7,0 mmol/L, hemoglobina glicada (HbA1c) ≥6,5% ou uso de medicação hipoglicemiante. Dislipidemia foi definida pela presença de alterações nos lipídios séricos em jejum ou terapia redutora de lipídios em curso. DAC, histórico de IAM e acidente vascular cerebral isquêmico prévio foram confirmados por meio do histórico clínico documentado e laudos de exames de imagem neurológica ou cardíaca realizados anteriormente, disponíveis no sistema de prontuário eletrônico.

Análise Estatística e Desenvolvimento de Modelo

Antes da análise estatística, a normalidade das variáveis contínuas foi avaliada utilizando o teste de Shapiro–Wilk. As estatísticas descritivas para variáveis categóricas foram resumidas como contagens (porcentagens) e comparadas utilizando o teste qui-quadrado de Pearson ou o teste exato de Fisher, conforme apropriado. As variáveis contínuas com distribuição normal foram expressas como médias ± desvios padrão e comparadas utilizando o teste t de Student, enquanto as variáveis com distribuição não normal foram expressas como medianas com intervalos interquartis e comparadas utilizando o teste U de Mann-Whitney. Para investigar possíveis padrões de dose-resposta não lineares entre a contagem de dentes retidos e o risco de alta carga de CSVD, foi construído um modelo RCS ajustado para idade, hipertensão e Log_SII, utilizando quatro nós posicionados nos percentis 5º, 35º, 65º e 95º da distribuição da contagem de dentes. Um teste formal para não linearidade foi realizado utilizando análise de variância (ANOVA) para determinar se um efeito limiar ou uma tendência linear contínua explicava melhor a associação observada.

Para realizar a seleção de variáveis na presença de preditores correlacionados, todas as variáveis basais foram inseridas em um modelo de regressão LASSO. O parâmetro de ajuste ótimo (λ) foi determinado utilizando validação cruzada de 10 dobras e selecionado de acordo com o critério de desvio binomial mínimo (λ_min). As variáveis com coeficientes não nulos foram mantidas para análises subsequentes. As variáveis selecionadas foram posteriormente inseridas em um modelo de regressão logística multivariável para estimar as razões de chances (ORs) e os intervalos de confiança de 95% (ICs) para suas associações com alta carga de DVLC. O modelo multivariável final foi então utilizado para construir um nomograma clínico exploratório para estimativa individualizada de risco.

Para avaliar o valor incremental dos parâmetros periodontais, um modelo basal (incluindo idade, hipertensão e Log_SII) foi comparado com um modelo expandido que incorporava o grau de periodontite e a contagem de dentes. O desempenho do modelo foi avaliado utilizando múltiplas medidas complementares. A discriminação foi avaliada pela área sob a curva ROC (AUC), e as diferenças entre os modelos foram comparadas utilizando o teste de DeLong²⁴. No ponto de corte ótimo determinado pelo índice de Youden máximo, foram calculados sensibilidade, especificidade, valor preditivo positivo (VPP) e valor preditivo negativo (VPN). O ganho contínuo de reclassificação (NRI) e o ganho integrado de discriminação (IDI) foram calculados para quantificar a melhoria incremental na reclassificação de risco proporcionada pelo modelo expandido²⁵. A calibração foi avaliada por meio de gráficos de calibração gerados a partir de 1.000 reamostragens bootstrap implementadas com o pacote rms, e o erro médio absoluto entre os riscos previstos e observados foi calculado. Para levar em conta o possível superajuste e fornecer uma avaliação imparcial do desempenho do modelo, a validação por bootstrap incluiu correção de otimismo, com desempenho do modelo reportado tanto corrigido quanto aparente. A análise de curva de decisão (DCA) foi realizada para avaliar a utilidade clínica potencial, estimando o benefício líquido ao longo de uma faixa de probabilidades de corte. Todas as análises estatísticas e visualizações foram realizadas utilizando software estatístico e os pacotes rms, glmnet, pROC, PredictABEL e dcurves. A significância estatística foi definida como um valor P bicaudal <0,05.

Resultados

Desenho do Estudo e População de Pacientes

Após a exclusão de 616 indivíduos devido a doenças confundidoras graves ou dados clínico-radiológicos ausentes, a análise final incluiu 234 participantes elegíveis admitidos para avaliação neurológica (Figura 1). Os participantes foram estratificados de acordo com seus escores agregados de DVSC em grupos de alta carga (n = 129) e baixa carga (n = 105). As características demográficas e clínicas basais de ambos os grupos são apresentadas na Tabela 1. Os participantes com alta carga de DVSC eram mais velhos do que aqueles com baixa carga de DVSC (67,71 ± 7,41 anos versus 64,91 ± 7,74 anos, P = 0,005) e apresentavam maior prevalência de hipertensão (63,6% versus 48,6%, P = 0,024). A prevalência de acidente vascular cerebral isquêmico prévio também foi maior no grupo de alta carga, embora a diferença não tenha atingido significância estatística (21,7% versus 12,4%, P = 0,076). Em relação aos parâmetros de saúde bucal, a prevalência de periodontite grave foi maior no grupo de alta carga (52,7% versus 16,2%, P < 0,001), acompanhada por maior profundidade média de sondagem do bolsão periodontal (PSP; 4,88 mm versus 2,54 mm, P < 0,001) e nível de inserção clínica (NIC; 4,54 mm versus 2,12 mm, P < 0,001). Os participantes do grupo de alta carga também mantinham menos dentes naturais (18,39 ± 8,15 versus 24,36 ± 6,21, P < 0,001). Além disso, os valores de Log_SII foram maiores no grupo de alta carga do que no grupo de baixa carga (6,48 ± 0,52 versus 6,27 ± 0,45, P = 0,001). O status de tabagismo, o índice de massa corporal e a distribuição por sexo não diferiram significativamente entre os grupos.

Figura 1. Fluxograma da seleção dos participantes do estudo. Fluxograma ilustrando a seleção de participantes para o estudo retrospectivo transversal. Pacientes consecutivos admitidos no Departamento de Neurologia do Hospital nº 2 do Povo de Changzhou entre janeiro de 2022 e dezembro de 2024 por tontura, dor de cabeça, triagem para acidente vascular cerebral ou avaliação cognitiva foram selecionados. Critérios de exclusão foram aplicados sequencialmente antes que os participantes fossem estratificados em grupos com baixa e alta carga de doença dos pequenos vasos cerebrais (CSVD). Clique aqui para visualizar uma versão maior desta figura.

Variável	baixa carga de DVLC (n = 105)	alta carga de DVLC (n = 129)	valor P
Idade (anos), média ± DP	64,91 ± 7,74	67,71 ± 7,41	0,005
Sexo masculino, n (%)	49 (46,7)	69 (53,5)	0,358
Índice de massa corporal (kg/m²), média ± DP	24,24 ± 2,92	23,62 ± 3,12	0,122
Hipertensão, n (%)	51 (48,6)	82 (63,6)	0,024
Diabetes mellitus, n (%)	27 (25,7)	30 (23,3)	0,76
Dislipidemia, n (%)	55 (52,4)	59 (45,7)	0,358
Doença arterial coronariana, n (%)	20 (19,0)	26 (20,2)	0,87
Infarto do miocárdio, n (%)	4 (3,8)	4 (3,1)	>0,999*
AVC isquêmico prévio, n (%)	13 (12,4)	28 (21,7)	0,076
Grau de periodontite, n (%)			<0,001
Saudável/Leve	45 (42,9)	21 (16,3)
Moderado	43 (41,0)	40 (31,0)
Grave	17 (16,2)	68 (52,7)
Número médio de dentes remanescentes, média ± DP	24,36 ± 6,21	18,39 ± 8,15	<0,001
Profundidade média de sondagem periodontal (PPD, mm), mediana (IIQ)	2,54 (2,12–4,13)	4,88 (3,65–6,21)	<0,001
Nível médio de inserção clínica (NIC, mm), mediana (IIQ)	2,12 (0,89–3,76)	4,54 (3,12–6,45)	<0,001
Log_SII, média ± DP	6,27 ± 0,45	6,48 ± 0,52	0,001
Proteína C-reativa de alta sensibilidade (PCR-as, mg/L), mediana (IIQ)	1,45 (0,76–2,54)	2,89 (1,56–4,32)	<0,001
Homocisteína (Hcy, µmol/L), mediana (IIQ)	12,34 (9,87–15,65)	15,76 (12,45–19,82)	<0,001

Tabela 1: Características basais da população do estudo de acordo com a carga de doença cerebrovascular pequena (CSVD). As variáveis contínuas são apresentadas como média ± desvio padrão (DP) ou mediana (intervalo interquartil [IIQ]), conforme apropriado. As variáveis categóricas são apresentadas como número (porcentagem). * Valor de P calculado utilizando o teste exato de Fisher devido ao pequeno número de observações nas categorias. Todas as demais comparações categóricas foram realizadas utilizando o teste qui-quadrado de Pearson, salvo indicação em contrário. Abreviações: BMI, índice de massa corporal; CAL, nível clínico de inserção; CAD, doença arterial coronariana; CSVD, doença cerebrovascular pequena; DM, diabetes melito; Hcy, homocisteína; hs-CRP, proteína C-reativa de alta sensibilidade; HTN, hipertensão; IIQ, intervalo interquartil; Log_SII, logaritmo natural do índice sistêmico de imunoinflamação; MI, infarto do miocárdio; PPD, profundidade de sondagem do bolsão; DP, desvio padrão; SII, índice sistêmico de imunoinflamação.

Avaliação do Estado Periodontal e da Inflamação

A distribuição dos escores totais de carga de DVSC de acordo com o grau de periodontite é apresentada na Figura 2. A proporção de participantes com escores mais altos de DVSC aumentou com a gravidade crescente da periodontite, e o teste de Cochran-Armitage demonstrou uma tendência significativa (P < 0,001). A associação entre a contagem de dentes retidos e a probabilidade de alta carga de DVSC foi avaliada adicionalmente por meio de análise RCS (Figura 3). Após ajuste para idade, hipertensão e Log_SII, o teste formal apoiou um padrão linear de resposta dose-dependente, em vez de um efeito limiar não linear (P para não linearidade = 0,332). A probabilidade estimada de alta carga de DVSC aumentou progressivamente à medida que a contagem de dentes retidos diminuiu. No entanto, as estimativas nos menores números de dentes devem ser interpretadas com cautela devido aos intervalos de confiança mais amplos.

Figura 2. Distribuição do grau total de doença dos pequenos vasos cerebrais (CSVD) de acordo com o grau de periodontite. Gráfico de barras empilhadas mostrando a distribuição proporcional de periodontite leve/sem gravidade, moderada e grave nos escores totais de carga de CSVD (0–4). O teste de tendência de Cochran-Armitage demonstrou uma tendência crescente significativa na gravidade da periodontite com o aumento da carga de CSVD (P para tendência <0,001). Clique aqui para visualizar uma versão maior desta figura.

Figura 3. Análise por spline cúbico restrito da associação entre contagem de dentes retidos e alta carga de doença cerebrovascular pequena (CSVD). Modelo de spline cúbico restrito (RCS) mostrando a associação entre a contagem de dentes retidos e os logaritmos das chances de alta carga de CSVD após ajuste para idade, hipertensão e logaritmo natural do Índice Sistêmico de Imunidade-Inflamação (Log_SII). A linha vermelha contínua representa as chances logarítmicas estimadas, e a região sombreada representa o intervalo de confiança de 95% (IC). O teste para não linearidade não foi estatisticamente significativo (P para não linearidade = 0,332), o que sustenta uma associação linear. As estimativas nos menores números de dentes devem ser interpretadas com cautela devido aos intervalos de confiança mais amplos. Clique aqui para visualizar uma versão maior desta figura.

Análise Estatística e Desenvolvimento de Modelos

A regressão com operador de seleção e redução absoluta mínima com validação cruzada de 10 dobras foi utilizada para seleção de variáveis entre os parâmetros basais (Figura Suplementar 1). O procedimento manteve idade, hipertensão, grau de periodontite e contagem de dentes remanescentes como características principais. No modelo subsequente de regressão logística multivariável (Tabela 2), idade (razão de chances [OR] = 1,06, intervalo de confiança [IC] de 95%: 1,02–1,10, P = 0,008) e hipertensão (OR = 2,02, IC 95%: 1,16–3,55, P = 0,014) associaram-se independentemente à alta carga de DVSC. Periodontite grave (OR = 1,73, IC 95%: 0,25–12,19, P = 0,580) e contagem de dentes remanescentes (OR = 0,94, IC 95%: 0,87–1,01, P = 0,112) não alcançaram significância estatística, indicando que suas associações foram atenuadas após ajuste multivariável. Esses parâmetros periodontais foram mantidos no modelo final como características exploratórias de perfil. As análises subgrupadas da associação entre periodontite grave e alta carga de DVSC são apresentadas na Figura Suplementar 2. A direção da associação foi geralmente consistente entre os subgrupos pré-especificados. Especificamente, as ORs foram 1,88 (IC 95%: 0,19–18,57) em mulheres e 1,76 (IC 95%: 0,12–25,14) em homens; 2,44 (IC 95%: 0,21–28,53) em participantes com hipertensão e 1,48 (IC 95%: 0,11–19,34) naqueles sem hipertensão; e 2,12 (IC 95%: 0,23–19,82) em participantes com idade ≥65 anos e 1,45 (IC 95%: 0,10–21,05) naqueles com idade <65 anos. Nenhuma interação estatisticamente significativa foi observada para sexo (P_interação = 0,916), status de hipertensão (P_interação = 0,627) ou idade (P_interação = 0,684), indicando ausência de evidência de modificação de efeito nessas análises exploratórias por subgrupo.

Variável	Razão de Chances (OR)	Intervalo de Confiança de 95% (IC)	Valor P
Idade	1.06	1.02–1.10	0.008
Hipertensão	2.02	1.16–3.55	0.014
Log_SII	0.35	0.07–1.81	0.214
Contagem de dentes retidos	0.94	0.87–1.01	0.112
Estágio da periodontite
Saudável/Leve (Referência)	1	—	—
Moderado	1.41	0.51–3.90	0.51
Grave	1.73	0.25–12.19	0.58

Tabela 2: Análise de regressão logística multivariável dos fatores associados à alta carga de doença dos pequenos vasos cerebrais (CSVD). As variáveis incluídas no modelo de regressão logística multivariável foram selecionadas utilizando a regressão LASSO (least absolute shrinkage and selection operator). A categoria de referência foi periodontite leve/saudável. A razão de chances (OR) para o número de dentes retidos representa a alteração na chance de alta carga de CSVD associada a cada dente adicional retido. Abreviações: CI, intervalo de confiança; CSVD, doença dos pequenos vasos cerebrais; LASSO, least absolute shrinkage and selection operator; Log_SII, logaritmo natural do índice sistêmico de imunidade-inflamação; OR, razão de chances.

Um nomograma clínico foi construído a partir do modelo multivariável final como um quadro exploratório de visualização para avaliação individualizada do risco de DCVS (Figura 4). O nomograma ilustra a contribuição da idade, hipertensão, Log_SII, grau de periodontite e contagem de dentes remanescentes para a probabilidade estimada de alta carga de DCVS. Para avaliar o valor incremental potencial dos parâmetros periodontais, um modelo basal composto por idade, hipertensão e Log_SII foi comparado com um modelo ampliado que incluía adicionalmente o grau de periodontite e a contagem de dentes remanescentes (Tabela 3). A análise da curva ROC mostrou uma AUC de 0,688 (IC 95%: 0,621–0,755) para o modelo ampliado e de 0,656 (IC 95%: 0,587–0,726) para o modelo basal; a diferença não foi estatisticamente significativa segundo o teste de DeLong (P = 0,263) (Figura 5A). O modelo ampliado resultou em uma melhoria contínua líquida de reclassificação (NRI) de 0,454 (P < 0,001) e um IDI de 0,052 (P < 0,001). A calibração foi avaliada utilizando 1.000 reamostragens bootstrap. O gráfico de calibração mostrou concordância entre as probabilidades estimadas e observadas de eventos, com um erro absoluto médio de 0,038 (Figura 5B). A DCA indicou benefício líquido potencial para o modelo ampliado em diferentes probabilidades limiares selecionadas (Figura 6). No entanto, esse benefício aparente deve ser interpretado com cautela, pois a melhoria na AUC não foi estatisticamente significativa e não foi realizada validação externa.

Métrica	Modelo de referência	Modelo expandido	Valor P / Melhoria
AUC (IC 95%)	0,656 (0,587–0,726)	0,688 (0,621–0,755)	0,263 (DeLong)
Sensibilidade	—	0,512	—
Especificidade	—	0,8	—
Valor preditivo positivo (VPP)	—	0,759	—
Valor preditivo negativo (VPN)	—	0,571	—
Melhoria contínua na reclassificação líquida (NRI)	—	0,454	<0,001
Melhoria na discriminação integrada (IDI)	—	0,052	<0,001

Tabela 3: Comparação do desempenho preditivo entre os modelos de referência e expandido. O modelo de referência incluiu idade, hipertensão e Log_SII. O modelo expandido incorporou adicionalmente o grau de periodontite e a contagem de dentes remanescentes. A discriminação do modelo foi avaliada por meio da área sob a curva ROC (AUC), e as diferenças entre as AUCs foram comparadas utilizando o teste de DeLong. Sensibilidade, especificidade, valor preditivo positivo (PPV) e valor preditivo negativo (NPV) foram calculados utilizando o ponto de corte ótimo determinado pelo índice de Youden máximo. A melhoria contínua de reclassificação líquida (NRI) e a melhoria integrada de discriminação (IDI) foram utilizadas para avaliar o desempenho preditivo incremental do modelo expandido. Abreviações: AUC, área sob a curva ROC; CI, intervalo de confiança; IDI, melhoria integrada de discriminação; Log_SII, logaritmo natural do índice sistêmico de imunoinflamação; NPV, valor preditivo negativo; NRI, melhoria de reclassificação líquida; PPV, valor preditivo positivo.

Figura 4. Nômograma para estimar a probabilidade de alta carga de doença dos pequenos vasos cerebrais (CSVD). Nômograma desenvolvido a partir do modelo final de regressão logística multivariável. Para estimar a probabilidade de um indivíduo apresentar alta carga de CSVD, localize o valor do paciente para cada preditor, atribua a pontuação correspondente no eixo “Pontos”, some as pontuações individuais para obter o total de pontos e projete o escore total na escala de probabilidade para estimar o risco previsto de alta carga de CSVD. Clique aqui para visualizar uma versão maior desta figura.

Figura 5. Discriminação e calibração dos modelos preditivos. (A) Curvas da característica operacional do receptor (ROC) comparando o modelo basal e o modelo estendido. A discriminação do modelo foi avaliada utilizando a área sob a curva da característica operacional do receptor (AUC), e as diferenças entre os modelos foram avaliadas utilizando o teste de DeLong. (B) Gráfico de calibração do modelo estendido gerado utilizando 1.000 reamostragens bootstrap. As curvas de calibração aparente, corrigida por viés e ideal são apresentadas juntamente com os limites de confiança (CL). O desempenho de calibração foi avaliado utilizando o erro médio absoluto entre as probabilidades previstas e observadas. Clique aqui para visualizar uma versão maior desta figura.

Figura 6. Análise da curva de decisão dos modelos preditivos. Análise da curva de decisão (DCA) comparando o benefício líquido do modelo basal e do modelo ampliado em uma faixa de probabilidades limiares. As estratégias “Tratar Todos” e “Não Tratar Nenhum” são apresentadas como curvas de referência. Clique aqui para visualizar uma versão maior desta figura.

No geral, os resultados demonstraram associações significativas não ajustadas entre a gravidade da doença periodontal, perda dentária e alta carga de DVSC, juntamente com uma associação linear entre a diminuição da contagem de dentes retidos e o aumento do risco de DVSC. No entanto, a periodontite grave e a contagem de dentes retidos não se associaram independentemente à alta carga de DVSC após ajuste multivariável. Os achados apoiam o uso exploratório de parâmetros periodontais dentro de um modelo preliminar de visualização de risco, mas não sustentam sua interpretação como preditores independentes ou o nomograma como uma ferramenta de triagem clinicamente aplicável.

Disponibilidade de Dados:

O conjunto de dados anonimizado em nível de participantes que sustenta os resultados relatados neste estudo é fornecido como Tabela Suplementar 1 e foi submetido juntamente com este manuscrito.

Figura Suplementar 1. Seleção de variáveis utilizando regressão por operador de contração e seleção absoluta mínima (LASSO). O parâmetro de ajuste (λ) foi otimizado utilizando validação cruzada de 10 dobras com base no desvio binomial. As linhas verticais tracejadas indicam os valores ótimos de λ correspondentes ao critério mínimo e ao critério de um erro-padrão (1-SE).Clique aqui para baixar este arquivo.

Figura Suplementar 2. Análise de subgrupos da associação entre periodontite grave e alta carga de doença dos pequenos vasos cerebrais (CSVD). Gráfico em floresta mostrando as razões de chances (ORs) e os intervalos de confiança de 95% (CIs) para a associação entre periodontite grave e alta carga de CSVD nos subgrupos pré-definidos. A linha tracejada vertical indica uma OR de 1,0.Clique aqui para baixar este arquivo.

Tabela Suplementar 1. Conjunto de dados anonimizado em nível individual de participantes que sustenta as análises apresentadas neste estudo. O conjunto de dados inclui características demográficas anonimizadas, fatores de risco vascular, variáveis do exame periodontal, medições laboratoriais, achados de imagem por ressonância magnética (IRM), escores de carga da doença cerebrovascular de pequenos vasos (DCPV) e variáveis de avaliação interexaminadores utilizadas nas análises estatísticas. As definições das variáveis correspondem às descritas na seção Protocolo.Clique aqui para baixar este arquivo.

Discussão

O presente estudo investigou a relação entre destruição periodontal, contagem de dentes retidos e a carga cumulativa de DVPc, culminando no desenvolvimento de um nomograma clínico exploratório. Embora as análises univariáveis tenham demonstrado associações entre periodontite grave, perda dentária e alta carga de DVPc, a regressão logística multivariável mostrou que a periodontite grave (P = 0,580) e a contagem de dentes retidos (P = 0,112) não estavam independentemente associadas à alta carga de DVPc após ajuste para fatores de risco cardiovascular convencionais, incluindo idade e hipertensão. Assim, esses parâmetros periodontais não devem ser interpretados como preditores independentes de alta carga de DVPc nesta coorte. Pelo contrário, suas associações observadas foram atenuadas após o ajuste multivariável. Estudos anteriores que examinaram a relação entre saúde bucal e doenças cerebrovasculares concentraram-se amplamente em marcadores individuais de neuroimagem, como infartos lacunares ou carga de hiperintensidade da substância branca²⁶. Em contraste, o presente estudo adotou o escore total de carga de DVPc como desfecho primário, conforme as recomendações contemporâneas de neuroimagem e as atuais estruturas conceituais para a doença dos pequenos vasos cerebrais, proporcionando uma avaliação mais abrangente da lesão microvascular cerebral difusa^1,3,27.

Uma descoberta notável da análise de RCS foi a ausência de uma associação não linear estatisticamente significativa (P para não linearidade = 0,332), o que apoia uma relação linear contínua entre a diminuição da contagem de dentes retidos e o aumento da probabilidade de alta carga de DVPM, em vez de um efeito limiar distinto. O limiar de 20 dentes retidos utilizado para estratificação foi selecionado com base em critérios clínicos estabelecidos para dentição funcional e envelhecimento bucal bem-sucedido, e não derivado da análise de spline^16,17,18. Crucialmente, o limiar de 20 dentes retidos utilizado para estratificação binária foi pré-especificado antes da análise dos dados. Esse ponto de corte foi escolhido com base no consenso clínico estabelecido sobre dentição funcional e envelhecimento bucal bem-sucedido (por exemplo, a iniciativa "8020" da OMS) para representar o número mínimo de dentes geralmente considerado necessário para manter a função bucal básica, e não derivado do conjunto atual de dados. A perda dentária e a doença periodontal crônica continuam sendo preocupações importantes de saúde pública devido às suas associações com função bucal prejudicada e saúde sistêmica²⁸. Evidências emergentes também sugerem uma relação potencialmente bidirecional no eixo bucal-cerebral, na qual a doença cerebrovascular de pequenos vasos pode estar associada à deterioração periodontal acelerada²⁹. Para otimizar a seleção de preditores, foi implementado um modelo de regressão LASSO utilizando otimização por descida por coordenadas³⁰. Em comparação com abordagens convencionais de regressão stepwise, o LASSO fornece um arcabouço de regularização que pode melhorar a estabilidade do modelo e reduzir o sobreajuste quando variáveis clínicas correlacionadas são consideradas simultaneamente³¹. As variáveis mantidas após a seleção pelo LASSO foram posteriormente incluídas no modelo de regressão logística multivariável para o desenvolvimento do nomograma. Embora o Log_SII não tenha sido mantido pelo procedimento automatizado de seleção de variáveis do LASSO, foi deliberadamente incluído como uma covariável clínica pré-especificada nos modelos preditivos de linha de base e estendido, devido à sua relevância clínica estabelecida como marcador de inflamação sistêmica na doença cerebrovascular e na periodontite. Essa abordagem garantiu o ajuste do estado inflamatório sistêmico, ao mesmo tempo que permitiu a avaliação da contribuição incremental das variáveis periodontais. Como o LASSO é uma técnica preditiva de seleção de variáveis e não um método de inferência causal, a inclusão ou exclusão de variáveis individuais não deve ser interpretada como evidência da presença ou ausência de multicolinearidade ou importância causal.

Biologicamente, a periodontite grave é caracterizada como uma infecção disbiótica localizada que pode contribuir para respostas inflamatórias sistêmicas³². Demonstra-se que a terapia periodontal reduz marcadores inflamatórios sistêmicos e melhora a função endotelial periférica, o que apoia uma associação entre saúde bucal e função vascular³³. Patógenos periodontais, incluindo Porphyromonas gingivalis, e seus componentes lipopolissacarídicos podem entrar na circulação sistêmica durante a mastigação ou procedimentos de higiene bucal, e componentes bacterianos já foram detectados em tecidos neurais³⁴. A exposição sistêmica crônica a esses estímulos inflamatórios tem sido proposta como um dos mecanismos que podem contribuir para a disfunção endotelial e a comprometimento da barreira hematoencefálica, processos implicados na patogênese da doença cerebral de pequenos vasos³⁵. Para avaliar a utilidade clínica do modelo preditivo resultante, realizou-se a análise de decisão por curva (DCA) para avaliar o benefício líquido potencial em uma variedade de probabilidades limiares³⁶. Embora a DCA tenha sugerido vantagens potenciais em comparação com estratégias padrão, ela representa o desempenho teórico do modelo e não estabelece benefício clínico no mundo real nem melhorias nos desfechos dos pacientes. Para promover a divulgação transparente e facilitar a avaliação independente e a replicação, o desenvolvimento e a apresentação deste fluxo de trabalho exploratório seguiram a declaração Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis (TRIPOD)³⁷. Esse arcabouço de relato é relevante porque a inflamação bucal crônica de baixo grau tem sido hipotetizada como interagindo com vias metabólicas sistêmicas envolvidas na neurodegeneração cerebral³⁸. A avaliação do modelo incorporou medidas de validação estabelecidas juntamente com índices adicionais de desempenho preditivo³⁹. De forma mais ampla, essa abordagem reflete as implicações sistêmicas potenciais da inflamação mucosa localizada⁴⁰. Contudo, dada a performance discriminatória modesta do modelo (AUC = 0,688), a ausência de melhoria estatisticamente significativa na AUC em comparação com o modelo basal segundo o teste de DeLong (P = 0,263) e os intervalos de confiança amplos em torno das variáveis de saúde bucal, o nomograma proposto deve ser interpretado estritamente como um arcabouço preliminar e exploratório de visualização, e não como uma ferramenta clinicamente aplicável para a prática neurológica de rotina.

Várias etapas metodológicas são importantes para a reprodutibilidade e a implementação bem-sucedida do fluxo de trabalho proposto e podem influenciar o desempenho relatado do modelo. Primeiro, os exames periodontais devem ser altamente padronizados, com examinadores calibrados realizando medições de profundidade de sondagem e nível de inserção clínica em seis sítios por dente, de acordo com a estrutura de classificação EFP/AAP de 2018¹⁵. Segundo, a reprodutibilidade da neuroimagem depende de protocolos padronizados de aquisição por ressonância magnética de 3,0 T, incluindo sequências de recuperação de inversão com atenuação de líquido (FLAIR) e imagens ponderadas por suscetibilidade (SWI), juntamente com critérios de pontuação baseados em consenso validados para a carga total de doença cerebrovascular pequena (CSVD)¹. Terceiro, a coleta de sangue e o processamento laboratorial devem ser padronizados, utilizando amostras de sangue venoso em jejum e procedimentos consistentes de manipulação de espécimes para garantir o cálculo confiável do logaritmo natural do Índice Sistêmico de Imunoinflamação (Log_SII). Medidas adicionais que podem melhorar a implementação incluem o preenchimento eletrônico de prontuários odontológicos para reduzir erros de digitação manual e procedimentos padronizados para o manejo de dados ausentes.

Apesar dessas considerações metodológicas, várias limitações devem ser reconhecidas. O desenho transversal retrospectivo, realizado em centro único, impossibilita conclusões sobre causalidade. Além disso, embora a inclusão de 129 eventos com alta carga de DVSC tenha atendido ao critério de eventos por variável para o desenvolvimento estável do modelo, o tamanho relativamente pequeno da amostra limitou o poder estatístico das análises multivariáveis. O modelo também não levou em conta diversos possíveis fatores de confusão, incluindo práticas de higiene bucal (por exemplo, frequência de escovação e uso do fio dental) e tratamento periodontal prévio, ambos os quais podem influenciar o estado periodontal. Além disso, não se pode excluir a causalidade reversa, pois pacientes com DVSC avançada ou com deficiência pós-AVC podem apresentar cognição prejudicada, disfunção motora e destreza manual reduzida, o que potencialmente compromete as práticas de higiene bucal⁴¹ e diminui o uso de cuidados odontológicos de rotina⁴². Consequentemente, a periodontite avançada pode, em parte, representar uma consequência e não uma causa do comprometimento neurovascular. Por fim, o desenho retrospectivo impossibilitou a coleta de amostras de placa subgengival para sequenciamento de RNA ribossômico 16S ou perfil metagenômico, limitando a investigação de relações potenciais entre o microbioma oral e mediadores inflamatórios circulantes ou biomarcadores relacionados ao amiloide⁴³. A ausência de uma coorte de validação externa independente permanece uma limitação importante, e a generalização do modelo proposto para outras populações ainda não foi estabelecida. Estudos prospectivos multicêntricos futuros, com estimativa formal do tamanho da amostra, validação externa e incorporação de marcadores biológicos adicionais, são necessários.

Em conclusão, a periodontite grave e a retenção de menos de 20 dentes demonstraram associações significativas univariáveis com alta carga de DVC; no entanto, essas associações foram atenuadas após ajuste multivariável e não se mostraram independentemente associadas à alta carga de DVC nesta coorte. O nomograma clínico proposto, que integra parâmetros periodontais com fatores de risco convencionais, fornece uma estrutura preliminar, não invasiva e exploratória para a visualização individualizada do risco, em vez de uma ferramenta de triagem clinicamente validada. É necessária validação externa em coortes independentes antes de se considerar a aplicação clínica de rotina. Embora estudos longitudinais sejam necessários para esclarecer a relação causal entre saúde bucal e DVC, manter a saúde periodontal e preservar a dentição funcional continuam sendo áreas importantes para pesquisas futuras multidisciplinares sobre doenças cerebrovasculares relacionadas à idade.

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Analisador Hematológico Automatizado	Sysmex	XN-1000	Utilizado para obter contagens de células sanguíneas periféricas para o cálculo do índice sistêmico de imunoinflamação (SII).
Tubos de Coleta de Sangue com EDTA (K2 EDTA)	Becton, Dickinson and Company	367841	Utilizados para coleta de sangue venoso em jejum.
Sistema de Prontuário Eletrônico (EMR)	Winning Health Technology Group	Winning EMR v6.0	Utilizado para extrair informações demográficas e clínicas dos pacientes.
Scanner de Ressonância Magnética (RM) (3,0 T)	Siemens Healthineers	MAGNETOM Prisma 3.0T	Utilizado para exames padronizados de ressonância magnética craniana.
Bobina de Cabeça para Ressonância Magnética	Siemens Healthineers	Bobina de Cabeça/Pescoço de 64 canais	Bobina de cabeça padrão utilizada na aquisição por RM.
Probe Periodontal (UNC-15)	Hu-Friedy	PCPUNC15	Utilizada para medições de profundidade de sondagem periodontal (PPD) e nível de inserção clínica (CAL).
Pacote R: dcurves	CRAN	Versão 0.4.0	Utilizado para análise de curva de decisão (DCA).
Pacote R: glmnet	CRAN	Versão 4.1-8	Utilizado para regressão com operador de redução e seleção absoluta mínima (LASSO) e seleção de variáveis.
Pacote R: pROC	CRAN	Versão 1.18.5	Utilizado para análise da curva característica de operação do receptor (ROC) e testes de DeLong.
Pacote R: PredictABEL	CRAN	Versão 1.2-4	Utilizado para calcular a melhoria contínua de reclassificação líquida (NRI) e a melhoria integrada de discriminação (IDI).
Pacote R: rms	CRAN	Versão 6.7-1	Utilizado para análise de spline cúbica restrita (RCS), construção de nomogramas e calibração por bootstrap.
Software R para Computação Estatística	R Foundation for Statistical Computing	Versão 4.3.1	Ambiente de computação estatística utilizado para todas as análises.