《Journal of the American Heart Association》：Inadequate Preventive Dental Care Is Associated With Higher Cardiovascular Risk Identified by ECG‐Based Artificial Intelligence Algorithms
编辑推荐：
本研究发现，缺乏年度规律牙科检查（预防性牙科护理不足）的人群，其人工智能心电图（AI-ECG）算法评估的心血管风险显著增高，包括心房颤动（AF）、主动脉瓣狭窄（AS）、低射血分数（EF）、心脏淀粉样变以及心血管加速老化（Delta年龄）。研究表明，口腔健康状态与亚临床心血管疾病（CVD）风险存在独立关联，AI-ECG可作为评估医疗服务不足人群心血管风险的低成本工具。
研究背景与方法
口腔健康状况不佳，如牙龈炎和牙周炎，可导致慢性全身性炎症和加速衰老，进而促进心血管疾病（CVD）的病理生理机制。牙周炎已被日益认为是心房颤动（AF）、心力衰竭（HF）、主动脉瓣狭窄（AS）和心肌梗死等CVD的重要风险因素。预防性牙科护理可以实现龋齿和牙周病等疾病的早期发现和管理，防止口腔疾病进一步恶化。然而，高昂的牙科护理费用以及牙科与全身医疗保健系统的分离，限制了预防性牙科护理的可及性，尤其是在边缘化和医疗服务不足的社区中，导致了巨大的医疗差异。
早期检测心血管疾病至关重要。在此背景下，人工智能心电图（AI-ECG）已成为一种利用标准心电图识别亚临床心血管疾病的有前景的工具。AI-ECG算法可以通过分析心电活动的细微电学模式，来估计心脏年龄并检测AF、AS、淀粉样变和低射血分数（EF）等疾病的早期迹象。
本研究旨在探讨两个关键目标：(1) 缺乏预防性牙科护理与AI-ECG评估的心血管疾病风险（包括加速老化、AF、AS、淀粉样变和低EF）之间的关联；(2) 缺乏预防性牙科护理与全因死亡率之间的关联。
本研究是一项回顾性观察性队列研究，纳入了2018年1月至2024年12月期间在梅奥诊所门诊就诊的所有患者。参与者需满足以下标准：(1) 年龄大于18岁，(2) 完成了一份健康的社会决定因素（SDoH）问卷，(3) 在SDoH问卷日期前后1年内有一份12导联心电图可用。研究最终纳入了266,637名个体，平均年龄为59.5±16.4岁，其中51.1%为女性。预防性牙科护理的评估基于SDoH问卷中的二分问题：“您是否有每年至少进行一次检查的常规牙医？”。
研究使用了梅奥诊所先前开发和验证的多个AI-ECG模型，每个模型都使用卷积神经网络训练，用于检测或估计特定的心血管状况，包括AI-ECG年龄估计、AI-AF算法、AI-低EF预测、AI-AS模型和AI-淀粉样变算法。
研究结果
在266,637名个体中，49,918人（18.7%）报告预防性牙科护理不足。与接受常规牙科护理的个体相比，未接受预防性牙科护理的个体显著更年轻、更可能是男性和非白人、身体质量指数（BMI）略高、社会隔离程度更高、更可能吸烟，并且患有糖尿病、高血压、高脂血症、心肌梗死史、充血性HF、外周血管疾病、脑血管疾病、慢性肺病和肾脏疾病的比例更高。
在心血管风险方面，未接受预防性牙科护理的个体具有显著更高的Delta年龄（AI估计年龄减去实际年龄），表明生理年龄更高，并且AI-ECG预测的AF、AS、淀粉样变和低EF风险也显著更高（所有P<0.001）。
在多变量二元逻辑回归分析中，调整了所有AI-ECG算法后，缺乏预防性牙科护理与更高的Delta年龄（比值比[OR], 1.03 [95% CI, 1.02–1.03]）以及更高的低EF（OR, 1.80 [95% CI, 1.69–1.91]）、AF（OR, 1.10 [95% CI, 1.04–1.17]）、AS（OR, 1.90 [95% CI, 1.64–2.20]）和淀粉样变（OR, 1.18 [95% CI, 1.12–1.25]）概率显著相关（所有P<0.001）。在进一步调整人口统计学和临床因素后，AI-ECG算法与缺乏预防性牙科护理的关联仍然显著。
按性别分层分析显示，在女性中，Delta年龄、AI-低EF、AI-AF和AI-AS与缺乏预防性牙科护理显著相关，而AI-淀粉样变失去显著性。在男性中，Delta年龄、AI-低EF、AI-AS和AI-淀粉样变保持显著关联，而AI-AF失去显著性。
按是否患有已知心血管疾病分层，缺乏预防性牙科护理与AI-ECG预测心血管风险的关联在无已知心血管疾病的个体中更强。按财务状态分层，仅未报告财务困难的个体显示出与所有AI风险标志物的显著关联。按教育水平分层则未对AI-ECG风险评估产生实质性影响。
在死亡率方面，平均随访2.0±0.9年期间，共有12,494名患者死亡。未接受预防性牙科护理的患者死亡率更高。在调整了人口统计学、临床风险因素、社会隔离状态和AI-ECG算法后，缺乏预防性牙科护理仍然是死亡率的独立预测因子（风险比[HR], 1.45 [95% CI, 1.38–1.53], P<0.001）。交互作用测试显示，缺乏预防性牙科护理与AI-AF、AI-AS和AI-淀粉样变算法在预测死亡率方面存在显著交互作用。
讨论
本研究首次使用先前验证的AI-ECG算法调查了预防性牙科护理与亚临床心血管疾病之间的关联。研究发现，缺乏预防性牙科护理与更高的生理年龄、以及AI-ECG预测的AF、AS、低EF和淀粉样变风险增加相关，且这种关联独立于传统的人口统计学和临床风险因素。缺乏预防性牙科护理也与更高的全因死亡率风险相关。
关于生理年龄，缺乏牙科护理的个体表现出显著更高的生理年龄。这可能与未经治疗的牙周疾病相关的全身性炎症、口腔和肠道微生物群失调导致的慢性炎症和血管功能障碍有关。内皮功能障碍可能是连接缺乏预防性牙科护理与心脏老化的共同机制桥梁。
关于心房颤动，缺乏预防性牙科护理与AI预测的AF风险更高相关，这与口腔卫生差可能促进病原性口腔细菌定植、增加全身炎症和内皮功能障碍，从而导致AF的机制一致。性别分层显示该关联在男性中不显著，提示了潜在的性别差异。
关于心力衰竭，缺乏预防性牙科护理的个体AI预测的低EF风险显著更高。AI-ECG的这种无创评估可以在存在其他心血管风险因素时触发额外检查，以在HF早期阶段（如整体纵向应变改变）检测到亚临床结构改变。
关于主动脉瓣狭窄，缺乏预防性牙科护理与更高的AI-AS几率相关。这表明牙科护理与AS之间的关联可能在疾病早期就开始，维持口腔健康可能对AS发展起到保护作用。
关于心脏淀粉样变，研究发现缺乏预防性牙科护理与使用AI算法检测的心脏淀粉样变存在显著关联。虽然这种关联不如其他AI-ECG算法观察到的强，但高度显著的P值指向心脏淀粉样变发病机制中可能存在潜在的（可能是炎症性的）机制。性别分层分析显示，该关联在女性中失去显著性。
综上所述，这些发现表明存在共同的潜在机制，可能涉及慢性全身性炎症、免疫激活、以及可能改变的口腔和肠道微生物群和内皮功能障碍。缺乏预防性牙科护理与大多数AI-ECG算法在预测死亡率方面的显著交互作用，强调了牙齿健康与心血管疾病之间的关联，并且预防性牙科护理可能会干扰潜在心血管疾病在预测死亡率方面的影响。
结论与展望
本研究提供了新的见解，将缺乏预防性牙科护理与通过先前验证的AI-ECG算法识别的亚临床心血管疾病（包括AF、HF、AS和心脏淀粉样变）以及加速心血管老化的风险增加联系起来。这些发现强调了公平获得预防性牙科护理作为降低心血管风险策略的重要性。此外，AI-ECG可能作为一种有价值的心血管风险分层工具，特别是在预防性牙科护理机会有限的人群中。AI-ECG也可以作为一种教育工具，促使患者在最小化其他传统心血管风险因素的同时，寻求更规律的牙科护理。
本研究存在一些局限性，包括观察性设计无法推断因果关系、AI-ECG算法的最佳风险阈值尚未确定、可能存在残余混杂因素以及潜在的选择偏倚和回忆偏倚等。未来研究应调查全身性炎症和微生物组特征的生物标志物以阐明机制通路，并在更多样化的人群中验证发现。将口腔健康纳入心血管风险评估和人群健康战略，可能代表一种具有成本效益且影响深远的方法，特别是在医疗服务不足的社区中改善长期结局。
