Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.

Araştırma makalesi

Periodontal Parametreler Kullanılarak Serebral Küçük Damar Hastalığı Yükü İçin Keşifsel Bir Nomogramun Geliştirilmesi ve İç Doğrulaması

54 görüntülenme

⸱

DOI:

10.3791/71563

⸱

21 Ağustos 2026

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

Bu makalede

Özet

Bu protokol, bireyselleştirilmiş risk sınıflandırması için serebral küçük damar hastalığı yükünü tahmin etmek amacıyla periodontal parametreleri ve geleneksel risk faktörlerini entegre eden keşifsel bir nomogramın geliştirilmesini ve dahili validasyonunu tanımlamaktadır.

Özet

Serebral küçük damar hastalığı (SKDH), inme ve bilişsel gerilemenin başlıca nedenlerinden biridir, ancak periodontal hastalığın genel SKDH yüküne olan katkısı belirsizliğini korumaktadır. Bu çalışmada, yüksek SKDH yükünü tahmin etmek için periodontal parametreleri içeren keşifsel bir klinik nomogram geliştirmeyi ve bunu dahili olarak valide etmeyi amaçladık. Toplam 234 bireye, toplam SKDH yükünün (skor 0–4) değerlendirilmesi için manyetik rezonans görüntüleme (MRG) uygulandı. Periodontitis şiddeti ve ağızda kalan diş sayısı kaydedildi. En küçük mutlak küçültme ve seçim operatörü (LASSO) regresyonu kullanılarak seçilen optimal öngördürücüler, ayırıcılık, kalibrasyon ve klinik fayda açısından değerlendirilen nomogramı oluşturmak üzere çok değişkenli lojistik regresyona dahil edildi. Kısıtlı kübik spline analizi, diş kaybı ile yüksek SKDH yükü arasında lineer bir doz-yanıt ilişkisi olduğunu göstermiştir (P doğrusal olmama için = 0.332). Çok değişkenli analiz, ileri yaş ve hipertansiyonu bağımsız prognostik faktörler olarak belirlemiş; ancak şiddetli periodontitis (P = 0.580) ve şiddetli diş kaybının (P = 0.112) ilişkileri düzeltme sonrası zayıflamış ve yüksek SKDH yükü ile bağımsız olarak ilişkili bulunmamıştır. Nomogram, mütevazı bir ayırıcılık (eğri altında kalan alan = 0.675) ve bootstrap ile valide edilmiş olumlu bir kalibrasyon (ortalama mutlak hata = 0.038) sergilemiştir. Karar eğrisi analizi, dış validasyonun yokluğu nedeniyle yorumlamanın keşifsel düzeyde kalmasına rağmen, seçilen risk eşikleri genelinde potansiyel bir klinik fayda olduğunu öne sürmüştür. Şiddetli periodontitis ve diş kaybı, yüksek SKDH yükü ile tek değişkenli ilişkiler göstermiş olsa da, çok değişkenli düzeltme sonrası bağımsız öngördürücüler olmamıştır. Bu keşifsel nomogram, bireyselleştirilmiş risk sınıflandırması için öncül bir görselleştirme çerçevesi sunmakta olup klinik uygulamadan önce daha fazla dış validasyon gerektirmektedir.

Giriş

Serebral küçük damar hastalığı (CSVD), yaşlı yetişkinlerde inme, bilişsel gerileme ve mobilite bozukluğunun önde gelen vasküler nedenlerinden biri olarak yaygın şekilde kabul edilen, beynin kronik ve sinsi bir mikrovasküler bozukluğudur1. Tarihsel olarak; beyaz cevher hiperintensiteleri (WMH), lakünar enfarktlar, serebral mikrokanamalar (CMBs) ve genişlemiş perivasküler boşluklar (EPVS) dahil olmak üzere CSVD'nin bireysel manyetik rezonans görüntüleme (MRI) belirteçleri bağımsız olarak değerlendirilirdi. Ancak, bu nörogörüntüleme fenotipleri sıklıkla bir arada bulunur ve özellikle endotelyal disfonksiyon ile mikrovasküler sızıntı gibi ortak patolojik mekanizmalar tarafından tetiklenir2. Sonuç olarak, güncel konsensüs bildirgeleri toplam CSVD yükü skorlama sisteminin kullanılmasını önermektedir3. Bu entegre metrik, serebral mikrovasküler hasarın kümülatif etkisini bireysel görüntüleme belirteçlerinden daha kapsamlı bir şekilde yansıtır ve genel nörolojik kötüleşmenin daha üstün bir göstergesini sağlar4.

Serebral küçük damar hastalığının (CSVD) etiyolojisi henüz tam olarak anlaşılamamıştır; ancak kronik düşük dereceli sistemik inflamasyonun, serebral endotel hasarının ve kan-beyin bariyeri bozulmasının temel bir nedeni olduğu giderek daha fazla kabul görmektedir5. Bu bağlamda, diş destek dokularını etkileyen, oldukça yaygın ve disbiyotik biyofilm kaynaklı inflamatuar bir hastalık olan periodontitis, oral-beyin aksı çerçevesinde nörovasküler hastalıklar için potansiyel olarak değiştirilebilir bir risk faktörü olarak ortaya çıkmıştır6. Şiddetli periodontitis sadece progresif alveolar kemik yıkımına ve nihayetinde diş kaybına yol açmakla kalmaz, aynı zamanda periodontal patojenler ve pro-inflamatuar sitokinler için kalıcı bir rezervuar görevi görür7. Bu inflamatuar medyatörler sistemik dolaşıma girerek vasküler yeniden şekillenmeye ve aterojeneze katkıda bulunabilir8.

Güncel epidemiyolojik çalışmalar, şiddetli periodontit ile iskemik inme riskindeki artış arasında bir ilişki olduğunu ortaya koymuştur9. Buna rağmen, periodontitin CSVD'nin kümülatif yükü ile olan ilişkisine dair kanıtlar sınırlı ve parçalı kalmaya devam etmektedir. Ayrıca, periodontal hastalığın nihai klinik sonucu olan diş kaybı, bilişsel gerileme ve kardiyovasküler mortalite ile ilişkilendirilmiştir10. Ancak, diş kaybı ile serebrovasküler hasar arasındaki doz-yanıt ilişkisi henüz yeterince anlaşılamamıştır. Özellikle, CSVD riskinin kalan diş sayısı belirli bir kritik eşiğe ulaştığında mı arttığı yoksa sürekli doğrusal bir doz-yanıt modeli mi izlediği belirsizdir.

Periodontal yıkım ile serebral mikrovasküler hasar arasındaki ilişki biyolojik olarak makul görünse de, bu ilişkinin temelindeki sistemik immün-enflamatuar mekanizmaların daha ayrıntılı olarak tanımlanması gerekmektedir. İzole lökosit alt küme sayıları ve yüksek hassasiyetli C-reaktif protein dahil olmak üzere geleneksel enflamatuar biyobelirteçler, klinik ortamlarda konakçı immün-enflamatuar yanıtının karmaşıklığını yeterince yansıtmayabilir. Periferik trombosit, nötrofil ve lenfosit sayılarından hesaplanan Sistemik İmmün-Enflamasyon İndeksi (SII), son zamanlarda kapsamlı bir enflamatuar biyobelirteç olarak ortaya çıkmıştır11. SII, sistemik enflamatuar aktivite ile immün durum arasındaki dengeyi yansıtmaktadır. Yükselmiş SII seviyeleri, akut inme şiddetini ve kötü fonksiyonel sonuçları öngörerek bir dizi serebrovasküler bozuklukta prognostik değer göstermiş; ayrıca genel CSVD yükü, bilişsel bozulma ve periodontitisin dereceli tanısıyla ilişkilendirilmiştir12,13. Periodontitis kronik sistemik enflamasyona yol açtığından, SII'nin periodontal parametrelerle birlikte değerlendirilmesi, gizli serebral mikrovasküler hasar riski taşıyan bireylerin belirlenmesini iyileştirebilir.

Oral-beyin eksenine yönelik artan ilgiye rağmen, mevcut literatürde çeşitli metodolojik kısıtlamalar bulunmaktadır. Çalışmaların çoğu, periodontitis şiddetini, bunun nihai klinik sonucu olan diş kaybını ve sistemik immün-inflamatuar yanıtları birleşik bir değerlendirmeye entegre etmeden, bireysel CSVD görüntüleme belirteçlerine veya tekil ağız sağlığı parametrelerine odaklanmıştır. Daha da önemlisi, klinik uygulama pratik risk değerlendirme araçları gerektirmektedir; ancak kombine oral ve sistemik inflamatuar profillere dayanarak yüksek CSVD riski taşıyan hastaları belirlemeye yönelik nomogramlar gibi görsel araçlar halen sınırlıdır. Mevcut CSVD risk değerlendirme yaklaşımları öncelikle, sistemik inflamasyon ile ağız sağlığı arasındaki çok faktörlü etkileşimleri yeterince yakalayamayabilecek olan bireysel biyobelirteçlere veya geleneksel demografik faktörlere dayanmaktadır. Ayrıca, güvenilir tahmin modellerinin geliştirilmesi, sağlam değişken seçim yöntemleri gerektirir. Basamaklı regresyon gibi geleneksel yaklaşımlar, yüksek boyutlu klinik veri setlerine uygulandığında kararsız olabilir ve korele öngörücülerden etkilenebilir. En küçük mutlak küçültme ve seçim operatörü (LASSO) regresyon yaklaşımı, aşırı öğrenmeyi (overfitting) azaltmak ve model geliştirme için en bilgilendirici öngörücüleri belirlemek amacıyla katsayı cezalandırması uygulayarak bu zorlukları gidermektedir14.

Bu bilgi boşluklarından yola çıkılarak, bu retrospektif kesitsel çalışma iki temel amaçla tasarlanmıştır. İlk olarak, potansiyel doğrusal olmayan eşik etkilerini ve doğrusal eğilimleri değerlendirmek için kısıtlı kübik spline (RCS) analizi kullanarak, ağızda kalan diş sayısı ile yüksek CSVD yükü arasındaki doz-yanıt ilişkisini karakterize etmeyi hedefledik. İkinci olarak, LASSO tabanlı değişken seçimi kullanarak keşifsel bir klinik nomogram geliştirmeyi ve periodontal parametrelerin geleneksel risk faktörlerinin ötesinde sağladığı artımlı risk yeniden sınıflandırmasını değerlendirmeyi amaçladık. Periodontal durumun, diş kaybının ve SII'nin çok boyutlu bir modele entegre edilmesinin, kümülatif CSVD yükünü tahmin etmek için keşifsel bir görselleştirme çerçevesi sağlayabileceği ve bireyselleştirilmiş risk stratifikasyonunu iyileştirebileceği hipotezini kurduk. Klinik uygulamada, önerilen nomogramın, nörologların erken serebrovasküler değerlendirme veya multidisipliner diş değerlendirmesinden fayda sağlayabilecek hastaları belirlemesine yardımcı olacak hızlı, non-invaziv bir yardımcı araç olması amaçlanmıştır. Ancak, keşifsel doğası, mütevazı ayırt edici performansı ve dış validasyon eksikliği nedeniyle nomogram, manyetik rezonans görüntüleme (MRI) tabanlı tanının yerine konulmamalıdır. Ek olarak, aktif akut enfeksiyonları, şiddetli otoimmün hastalıkları veya yakın zamanda geçirilmiş travması olan hastalarda uygulaması sınırlı olabilir; çünkü bu durumlar sistemik inflamatuar biyobelirteçleri önemli ölçüde etkileyebilir ve risk tahminini değiştirebilir.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

Bu retrospektif kesitsel ilişki çalışmasına, Ocak 202 ile Aralık 2024 tarihleri arasında baş dönmesi, baş ağrısı, inme taraması veya bilişsel değerlendirme amacıyla Changzhou No. 2 Halk Hastanesi Nöroloji Bölümüne kabul edilen ardışık hastalar dahil edilmiştir. Çalışmanın retrospektif, girişimsel olmayan doğası ve tamamen anonimleştirilmiş verilerin kullanılması nedeniyle bilgilendirilmiş onamdan feragat edilmiştir. Çalışma, Changzhou No. 2 Halk Hastanesi Klinik Tıbbi Teknoloji Etik Kurulu tarafından onaylanmış (IRB onay kimliği: [2023] YLJSA069) ve kurumsal kılavuzlara uygun olarak yürütülmüştür.

Çalışma Tasarımı ve Hasta Popülasyonu

Başlangıçta 850 hasta değerlendirildi. Dışlama kriterleri şu şekilde kesin olarak tanımlandı: (1) eksik kranyal MRI sekansları (özellikle mikrokanamaların doğru değerlendirilmesini engelleyen duyarlılık ağırlıklı görüntüleme [SWI] eksikliği); (2) ayrıntılı periodontal sondlama kayıtlarının veya tüm ağız diş sayısı verilerinin bulunmaması; (3) SII hesaplanmasını engelleyen eksik kan sayımı verileri; (4) masif inme, beyin tümörü, travmatik beyin hasarı veya merkezi sinir sistemi enfeksiyonu öyküsü ve (5) sistemik inflamatuar markerlar üzerindeki karıştırıcı etkileri minimize etmek amacıyla son bir ay içinde aktif akut enfeksiyon, şiddetli otoimmün hastalık veya malignite varlığı. Veri bütünlüğünü sağlamak için, herhangi bir temel klinik-radyolojik parametresi eksik olan bireylerin dışlandığı bir tam vaka analiz yaklaşımı kullanıldı. Tarama sonucunda, analizlere uygun 234 katılımcı dahil edildi. 129 yüksek yük olayını içeren bu örneklem, kararlı çok değişkenli modelleme için events-per-variable (EPV) >10 genel kuralını karşılamıştır.

Periodontal Durum ve Enflamasyonun Değerlendirilmesi

İki kalibre edilmiş periodontolog, standart bir periodontal prob kullanarak tüm klinik ağız değerlendirmelerini gerçekleştirmiştir.

Çalışmadan önce, her iki incelemeci de standardizasyon eğitiminden geçmiş ve incelemeciler arası güvenilirlik mükemmel bulunmuştur (Cohen’s κ = 0.82). Diş başına altı bölgeden sondlama cep derinliği (PPD) ve klinik ataşman seviyesi (CAL) ölçülmüştür. Tonetti ve ark. tarafından tanımlanan 2018 sınıflandırma çerçevesine15 dayanarak, periodontal hastalıklar hafif/yok, orta veya şiddetli olarak sınıflandırılmıştır. Spesifik olarak, katılımcılar şu şekilde kategorize edilmiştir: (1) Hafif/yok periodontitis (periodontal sağlık ve Evre I periodontitis dahil); en büyük ataşman kaybının olduğu bölgedeki interdental klinik ataşman seviyesinin (CAL) ≤2 mm ve sondlama cep derinliğinin (PPD) ≤4 mm olduğu, periodontitis ile ilişkili diş kaybının bulunmadığı durumlar; (2) Orta derece periodontitis (Evre II periodontitis); interdental CAL'nin 3–4 mm, maksimum PPD'nin ≤5 mm olduğu ve periodontitis nedeniyle dörtte daha fazla diş kaybının gerçekleşmediği durumlar; ve (3) Şiddetli periodontitis (Evre III/IV periodontitis); interdental CAL'nin ≥5 mm, PPD'nin ≥6 mm olduğu ve/veya periodontal yıkım nedeniyle dört veya daha fazla diş kaybının gerçekleştiği durumlar15.

Her bir katılımcı için ağızda kalan diş sayısı da kaydedilmiştir. Temel ağız fonksiyonlarının korunması ve başarılı ağız yaşlanması için minimum 20 fonksiyonel dişin korunması yaygın olarak kabul edilen klinik bir kriter olduğundan16,17,18, toplam diş sayısı ikili bir değişkene dönüştürülmüştür: şiddetli diş kaybı (<20 diş) ve şiddetli olmayan diş kaybı (≥20 diş).

Sistemik inflamasyonla ilgili olarak, SII, yatış sırasında alınan açlık kan örneklerinden türetilmiştir. Venöz kan örnekleri EDTA'lı tüplere toplanmış ve nötrofil, lenfosit ve trombosit sayılarını elde etmek için otomatik bir hematoloji analizörü kullanılarak analiz edilmeden önce hastanenin standart klinik laboratuvar protokolüne göre işlenmiştir. İndeks şu şekilde hesaplanmıştır:

SII formülü: Trombosit sayısı × Nötrofil sayısı / Lenfosit sayısı; immün yanıt denklemi.

SII değerlerinin yüksek derecede çarpık dağılımını düzeltmek için, istatistiksel analizlere dahil edilmeden önce doğal logaritmik dönüşüm (Log_SII) uygulanmıştır.

MRI Edinimi ve Toplam CSVD Yükü

Tüm deneklere, standart bir baş bobini ile donatılmış 3,0 T MRI tarayıcısı kullanılarak standardize kraniyal MRI incelemeleri yapılmıştır. Görüntüleme protokolü; 5 mm kesit kalınlığında elde edilen T1-ağırlıklı, T2-ağırlıklı, sıvı baskılı inversiyon toparlanması (FLAIR) ve duyarlılık ağırlıklı görüntüleme (SWI) sekanslarını içermiştir. Standart görüntüleme parametreleri şu şekilde yapılandırılmıştır: T1-ağırlıklı görüntüleme (tekrarlama süresi [TR] = 2.0 ms, eko süresi [TE] = 9 ms, görüntü alanı [FOV] = 230 × 230 mm2, matris boyutu = 256 × 256); T2-ağırlıklı görüntüleme (TR = 4.50 ms, TE = 85 ms, FOV = 230 × 230 mm2, matris boyutu = 256 × 256); sıvı baskılı inversiyon toparlanması (FLAIR) görüntüleme (TR = 8.50 ms, TE = 120 ms, inversiyon süresi [TI] = 2.40 ms, FOV = 230 × 230 mm2, matris boyutu = 256 × 256); ve duyarlılık ağırlıklı görüntüleme (SWI) (TR = 28 ms, TE = 20 ms, flip açısı = 15°, FOV = 230 × 230 mm2, matris boyutu = 256 × 256). Tüm sekanslar 5 mm kesit kalınlığı ve 1,0 mm kesitler arası boşlukla elde edilmiştir. Kullanılan spesifik tarayıcı, Materyal Tablosunda listelenmiştir. CSVD görüntüleme belirteçleri, katılımcıların klinik verilerinden habersiz iki nörogörüntüleme hekimi tarafından bağımsız olarak değerlendirilmiştir. Toplam CSVD yük skorunun değerlendiriciler arası güvenilirliği yüksek bulunmuştur (Cohen’s κ = 0,85). Herhangi bir tutarsızlık, üçüncü bir kıdemli hekimle varılan fikir birliği ile çözülmüştür.

Kabul görmüş uluslararası konsensusa1,3 uygun olarak, kümülatif CSVD yükü, dört nörogörüntüleme özelliği değerlendirilerek 0 ila 4 arası bir ölçekle belirlenmiştir. Aşağıdaki her bir MRI bulgusu için bir puan verilmiştir: (1) en az bir laküner enfarkt; (2) bir veya daha fazla serebral mikrokanama (CMB); (3) bazal gangliyonda orta-şiddetli genişlemiş perivasküler boşluklar (EPVS) (evre ≥2); ve (4) derin beyaz maddede Fazekas skorunun ≥2 veya periventriküler bölgede 3 olarak tanımlandığı şiddetli beyaz madde hiperintensiteleri (WMH). Tanısal tanımlamalar, Nörogörüntülemede Vasküler Değişikliklerin Raporlanması Standartları (STRIVE-1) uluslararası konsensüsüne1 kesinlikle bağlı kalınarak yapılmıştır. Beyaz madde hiperintensiteleri (WMH), Fazekas ölçeği19 kullanılarak derecelendirilmiş ve bazal gangliyondaki genişlemiş perivasküler boşluklar (EPVS), Potter ve ark. tarafından tanımlanan valide edilmiş 4 puanlık görsel değerlendirme ölçeği20 kullanılarak derecelendirilmiştir. Risk değerlendirme modelinin geliştirilmesi için, toplam CSVD yük puanı ≥2 olan hastalar yüksek CSVD yüküne sahip olarak sınıflandırılmıştır; çünkü bu eşik değer tutarlı bir şekilde hızlanmış bilişsel gerileme ve mortalite ile ilişkilendirilmiştir21,2,23.

Kovaryant Veri Toplama

Hasta demografik özellikleri ve klinik öyküsü, kurumun elektronik sağlık kayıtlarından çıkarılmıştır. Toplanan değişkenler arasında yaş, cinsiyet, vücut kitle indeksi (BMI), sigara içme durumu ve alkol tüketimi yer almıştır. Ayrıca, her katılımcı için dislipidemi, diabetes mellitus, hipertansiyon, koroner arter hastalığı (CAD), miyokard enfarktüsü (MI) öyküsü ve geçirilmiş iskemik inme dahil olmak üzere kardiyometabolik ve vasküler komorbiditeler belgelenmiştir.

Tüm komorbiditeler; yerleşik klinik kılavuzlara uygun olarak, yatan hasta tıbbi kayıtlarında belgelenen hekim tanıları, ilaç geçmişi ve rutin yatış laboratuvar ve görüntüleme değerlendirmelerinin incelenmesi yoluyla doğrulanmıştır. Hipertansiyon; sistolik kan basıncının ≥140 mmHg, diyastolik kan basıncının ≥90 mmHg olması veya mevcut antihipertansif tedavi olarak tanımlanmıştır. Diabetes mellitus; açlık plazma glikoz konsantrasyonunun ≥7.0 mmol/L, glikozillenmiş hemoglobin (HbA1c) değerinin ≥6.5% olması veya glikoz düşürücü ilaç kullanımı olarak tanımlanmıştır. Dislipidemi; açlık serum lipid anomalileri veya mevcut lipid düşürücü tedavi ile tanımlanmıştır. CAD, MI öyküsü ve geçirilmiş iskemik inme; belgelenmiş klinik öykü ve elektronik sağlık kayıt sisteminde mevcut olan geçmiş nörovasküler veya kardiyak görüntüleme raporları aracılığıyla doğrulanmıştır.

İstatistiki Analiz ve Model Geliştirme

İstatistiksel analizden önce, sürekli değişkenlerin normalliği Shapiro–Wilk testi ile değerlendirildi. Kategorik değişkenler için tanımlayıcı istatistikler sayı (yüzde) olarak özetlendi ve duruma göre Pearson ki-kare testi veya Fisher'in kesin testi kullanılarak karşılaştırıldı. Normal dağılım gösteren sürekli değişkenler ortalamalar ± standart sapmalar olarak ifade edildi ve Student t-testi ile karşılaştırıldı; normal dağılım göstermeyen değişkenler ise medyanlar ve çeyrekler arası aralıklar olarak ifade edilip Mann-Whitney U testi ile karşılaştırıldı. Kalan diş sayısı ile yüksek CSVD yükü riski arasındaki potansiyel doğrusal olmayan doz-yanıt örüntülerini araştırmak için; yaş, hipertansiyon ve Log_SII'ye göre düzeltilmiş, diş sayısı dağılımının 5., 35., 65. ve 95. persentillerine yerleştirilmiş dört düğümlü bir RCS modeli oluşturuldu. Doğrusallık dışı durumun resmi testi, bir eşik etkisinin mi yoksa sürekli lineer bir eğilimin mi gözlemlenen ilişkiyi en iyi açıkladığını belirlemek için varyans analizi (ANOVA) kullanılarak gerçekleştirildi.

Korele öngörücülerin varlığında değişken seçimi yapmak için, tüm başlangıç değişkenleri bir LASSO regresyon modeline dahil edildi. Optimal ayar parametresi (λ), 10 katlı çapraz doğrulama kullanılarak belirlendi ve minimum binom sapması kriterine (λmin) göre seçildi. Sıfır olmayan katsayılara sahip değişkenler sonraki analizler için tutuldu. Seçilen değişkenler, yüksek CSVD yükü ile ilişkileri için odds oranlarını (OR) ve %95 güven aralıklarını (CI) tahmin etmek amacıyla daha sonra çok değişkenli bir lojistik regresyon modeline dahil edildi. Nihai çok değişkenli model, ardından bireyselleştirilmiş risk tahmini için keşifsel bir klinik nomogram oluşturmak amacıyla kullanıldı.

Periodontal parametrelerin artısal değerini değerlendirmek için, bir temel model (yaş, hipertansiyon ve Log_SII içeren) ile periodontitis evresi ve diş sayısını içeren genişletilmiş bir model karşılaştırıldı. Model performansı, birbirini tamamlayan çok sayıda ölçüt kullanılarak değerlendirildi. Ayırt etme gücü, alıcı işletim karakteristiği eğrisi altındaki alan (AUC) kullanılarak değerlendirildi ve modeller arasındaki farklar DeLong testi ile karşılaştırıldı24. Maksimum Youden indeksine göre belirlenen optimal kesim noktasında duyarlılık, özgüllük, pozitif öngörü değeri (PPV) ve negatif öngörü değeri (NPV) de hesaplandı. Genişletilmiş modelin sağladığı artısal risk yeniden sınıflandırmasını nicelleştirmek için sürekli net yeniden sınıflandırma iyileştirmesi (NRI) ve entegre ayırt etme iyileştirmesi (IDI) hesaplandı25. Kalibrasyon, rms paketi ile uygulanan 1.0 bootstrap yeniden örneklemesinden oluşturulan kalibrasyon grafikleri kullanılarak değerlendirildi ve tahmin edilen riskler ile gözlemlenen riskler arasındaki ortalama mutlak hata hesaplandı. Olası aşırı uyumu (overfitting) önlemek ve model performansının tarafsız bir değerlendirmesini sağlamak amacıyla, bootstrap doğrulaması iyimserlik düzeltmesini (optimism correction) içerdi; hem yanlılığı düzeltilmiş hem de görünür model performansı raporlandı. Bir dizi eşik olasılık genelindeki net faydayı tahmin ederek potansiyel klinik yararı değerlendirmek için karar eğrisi analizi (DCA) gerçekleştirildi. Tüm istatistiksel analizler ve görselleştirmeler, istatistiksel yazılım ile rms, glmnet, pROC, PredictABEL ve dcurves paketleri kullanılarak yapıldı. İstatistiksel anlamlılık, çift yönlü bir P değerinin <0,05 olması şeklinde tanımlandı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

Çalışma Tasarımı ve Hasta Popülasyonu

Önemli karıştırıcı hastalıklar veya eksik klinik radyolojik veriler nedeniyle 616 kişinin hariç tutulmasının ardından, final analizi nörolojik değerlendirme için kabul edilen 234 uygun katılımcıyı içermiştir (Şekil 1). Katılımcılar, toplam CSVD skorlarına göre yüksek yük (n = 129) ve düşük yük (n = 105) grupları olarak tabakalandırılmıştır. Her iki grubun başlangıç demografik ve klinik özellikleri Tabl...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

Bu çalışma, periodontal yıkım, ağızda kalan diş sayısı ve kümülatif CSVD yükü arasındaki ilişkiyi araştırmış ve sonuç olarak keşifsel bir klinik nomogram geliştirmiştir. Tek değişkenli analizler; şiddetli periodontitis, diş kaybı ve yüksek CSVD yükü arasında ilişkiler olduğunu göstermiş olsa da, çok değişkenli lojistik regresyon; yaş ve hipertansiyon dahil olmak üzere konvansiyonel kardiyovasküler risk faktörleri için düzeltme yapıldıktan sonra, şiddetli periodontitisin (P = 0.580) ve kalan diş sayısının (P<...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

Çıkar Çatışması:

Yazarlar, herhangi bir çıkar çatışması olmadığını beyan ederler.

Teşekkürler

Uygulanamaz.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Otomatik Hematoloji AnalizörüSysmexXN-1000Sistemik immün-inflamasyon indeksinin (SII) hesaplanması için periferik kan hücre sayımlarının elde edilmesinde kullanılır.
EDTA Kan Toplama Tüpleri (K2 EDTA)Becton, Dickinson and Company367841Aç karnına venöz kan toplama işlemi için kullanılır.
Elektronik Sağlık Kaydı (ESK) SistemiWinning Health Technology GroupWinning EMR v6.0Hasta demografik ve klinik bilgilerinin çıkarılmasında kullanılır.
Manyetik Rezonans Görüntüleme (MRG) Cihazı (3.0 T)Siemens HealthineersMAGNETOM Prisma 3.0TStandart kranyal manyetik rezonans görüntüleme incelemeleri için kullanılır.
MRG Baş BobiniSiemens Healthineers64-kanallı Baş/Boyun BobiniMRG alımı için kullanılan standart baş bobini.
Periodontal Sond (UNC-15)Hu-FriedyPCPUNC15Periodontal sondlama derinliği (PPD) ve klinik ataşman seviyesi (CAL) ölçümleri için kullanılır.
R Paketi: dcurvesCRANVersiyon 0.4.0Karar eğrisi analizi (DCA) için kullanılır.
R Paketi: glmnetCRANVersiyon 4.1-8En düşük mutlak büzülme ve seçme operatörü (LASSO) regresyonu ve değişken seçimi için kullanılır.
R Paketi: pROCCRANVersiyon 1.18.5Alıcı işletim karakteristiği (ROC) eğrisi analizi ve DeLong testleri için kullanılır.
R Paketi: PredictABELCRANVersiyon 1.2-4Sürekli net yeniden sınıflandırma iyileştirmesi (NRI) ve entegre ayrım iyileştirmesinin (IDI) hesaplanmasında kullanılır.
R Paketi: rmsCRANVersiyon 6.7-1Kısıtlı kübik spline (RCS) analizi, nomogram oluşturma ve bootstrap kalibrasyonu için kullanılır.
İstatistiksel Hesaplama için R YazılımıR Foundation for Statistical ComputingVersiyon 4.3.1Tüm analizler için kullanılan istatistiksel hesaplama ortamı.

Kaynaklar

  1. Wardlaw JM, et al. Neuroimaging standards for research into small vessel disease and its contribution to ageing and neurodegeneration. Lancet Neurol. 2013;12(8):822-38.
  2. Pantoni L. Cerebral small vessel disease: from pathogenesis and clinical characteristics to therapeutic challenges. Lancet Neurol. 2010;9(7):689-701.
  3. Staals J, et al. Stroke subtype, vascular risk factors, and total MRI brain small-vessel disease burden. Neurology. 2014;83(14):1228-34.
  4. Amin Al Olama A, et al. Simple MRI score aids prediction of dementia in cerebral small vessel disease. Neurology. 2020;94(12):e1294-302.
  5. Low A, et al. Inflammation and cerebral small vessel disease: A systematic review. Ageing Res Rev. 2019;53:100916.
  6. Sanz M, et al. Periodontitis and cardiovascular diseases: Consensus report. J Clin Periodontol. 2020;47(3):268-88.
  7. Hajishengallis G. Periodontitis: from microbial immune subversion to systemic inflammation. Nat Rev Immunol. 2015;15(1):30-44.
  8. Leira Y, et al. Association between periodontitis and ischemic stroke: a systematic review and meta-analysis. Eur J Epidemiol. 2017;32(1):43-53.
  9. Sen S, et al. Periodontal disease, regular dental care use, and incident ischemic stroke. Stroke. 2018;49(2):355-62.
  10. Peng J, et al. The relationship between tooth loss and mortality from all causes, cardiovascular diseases, and coronary heart disease in the general population: systematic review and dose-response meta-analysis of prospective cohort studies. Biosci Rep. 2019;39(1):BSR20181773.
  11. Hu B, et al. Systemic immune-inflammation index predicts prognosis of patients after curative resection for hepatocellular carcinoma. Clin Cancer Res. 2014;20(23):6212-22.
  12. Xiao Y, et al. Systemic immune-inflammation index is associated with cerebral small vessel disease burden and cognitive impairment. Neuropsychiatr Dis Treat. 2023;19:403-13.
  13. Hu Y, et al. Correlation between systemic immune-inflammatory index and graded diagnosis of periodontitis: a combined cross-sectional and retrospective study. BMC Oral Health. 2024;24(1):1545.
  14. Tibshirani R. Regression shrinkage and selection via the lasso. J R Stat Soc Series B Stat Methodol. 1996;58(1):267-88.
  15. Tonetti MS, Greenwell H, Kornman KS. Staging and grading of periodontitis: Framework and proposal of a new classification and case definition. J Periodontol. 2018;89(Suppl 1):S159-72.
  16. Zhang XM, et al. The association between the number of teeth and frailty among older adults: a systematic review and meta-analysis. Aging Clin Exp Res. 2025;37(1):156.
  17. Cheng Y, et al. New measure of functional tooth loss for successful oral ageing: a cross-sectional study. BMC Geriatr. 2023;23(1):859.
  18. Suwanarpa K, et al. How many teeth are needed to maintain healthy oral function in older adults? A cross-sectional analysis. Prosthesis. 2026;8(1):10.
  19. Fazekas F, Chawluk JB, Alavi A, Hurtig HI, Zimmerman RA. MR signal abnormalities at 1.5 T in Alzheimer’s dementia and normal aging. AJR Am J Roentgenol. 1987;149(2):351-6.
  20. Potter GM, Chappell FM, Morris Z, Wardlaw JM. Cerebral perivascular spaces visible on magnetic resonance imaging: development of a qualitative rating scale and its observer reliability. Cerebrovasc Dis. 2015;39(3-4):224-31.
  21. Pasi M, et al. Association of cerebral small vessel disease and cognitive decline after intracerebral hemorrhage. Neurology. 2021;96(2):e182-92.
  22. Goldstein ED, et al. Cerebral small vessel disease burden and all-cause mortality: Mayo Clinic Florida Familial Cerebrovascular Diseases Registry. J Stroke Cerebrovasc Dis. 2019;28(12):104285.
  23. Jiang Y, et al. Total cerebral small vessel disease burden is related to worse performance on the Mini-Mental State Examination and incident dementia: a prospective 5-year follow-up. J Alzheimers Dis. 2019;69(1):253-62.
  24. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988;44(3):837-45.
  25. Pencina MJ, D’Agostino RB Sr, D’Agostino RB Jr, Vasan RS. Evaluating the added predictive ability of a new marker: from area under the ROC curve to reclassification and beyond. Stat Med. 2008;27(2):157-72.
  26. Meyer J, et al. Periodontal disease independently associated with white matter hyperintensity volume. Neurol Open. 2020;1(4):e000037.
  27. Charidimou A, Pantoni L, Love S. The concept of sporadic cerebral small vessel disease: a road map on key definitions and current concepts. Int J Stroke. 2016;11(1):6-18.
  28. Peres MA, et al. Oral diseases: a global public health challenge. Lancet. 2019;394(10194):249-60.
  29. Han S, et al. Cerebral small vessel disease as a novel risk indicator for periodontitis progression. Int Dent J. 2026;76(2):109414.
  30. Friedman J, Hastie T, Tibshirani R. Regularization paths for generalized linear models via coordinate descent. J Stat Softw. 2010;33(1):1-22.
  31. Sauerbrei W, Royston P, Binder H. Selection of important variables and determination of functional form for continuous predictors in multivariable model building. Stat Med. 2007;26(30):5512-28.
  32. Hajishengallis G, Chavakis T. Local and systemic mechanisms linking periodontal disease and inflammatory comorbidities. Nat Rev Immunol. 2021;21(7):426-40.
  33. Tonetti MS, et al. Treatment of periodontitis and endothelial function. N Engl J Med. 2007;356(9):911-20.
  34. Dominy SS, et al. Porphyromonas gingivalis in Alzheimer’s disease brains: evidence for disease causation and treatment with small-molecule inhibitors. Sci Adv. 2019;5(1):eaau3333.
  35. Wardlaw JM, et al. Blood-brain barrier failure as a core mechanism in cerebral small vessel disease and dementia: evidence from a cohort study. Alzheimers Dement. 2017;13(6):634-43.
  36. Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making. 2006;26(6):565-74.
  37. Collins GS, Reitsma JB, Altman DG, Moons KG. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): the TRIPOD statement. BMJ. 2015;350:g7594.
  38. Kamer AR, et al. Inflammation and Alzheimer’s disease: possible role of periodontal diseases. Alzheimers Dement. 2008;4(4):242-50.
  39. Steyerberg EW, et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiology. 2010;21(1):128-38.
  40. D’Aiuto F, et al. Periodontitis: from local infection to systemic diseases. Int J Immunopathol Pharmacol. 2005;18(3 Suppl):1-11.
  41. Moldvai J, et al. Oral health status and its associated factors among post-stroke inpatients: a cross-sectional study in Hungary. BMC Oral Health. 2022;22(1):234.
  42. Jockusch J, et al. Influence of cognitive impairment and dementia on oral health and the utilization of dental services: findings of the Oral Health, Bite Force and Dementia Study (OrBiD). BMC Oral Health. 2021;21(1):399.
  43. Leira Y, et al. Porphyromonas gingivalis lipopolysaccharide-induced periodontitis and serum amyloid-beta peptides. Arch Oral Biol. 2019;99:120-5.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Etiketler

CSVD YüküNomogram GeliştirmePeriodontitis ŞiddetiDiş KaybıManyetik Rezonans GörüntülemeLASSO RegresyonuLojistik RegresyonRisk Stratifikasyonu
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.