使用自我报告的口腔健康（SROH）问卷和唾液生物标志物进行非侵入性牙周病筛查：机器学习模型的开发与验证

《BMC Oral Health》：Non-invasive periodontal screening using self-reported-oral-health (SROH) questionnaire and salivary biomarkers: development and validation of machine learning models

　　

摘要

背景

准确且易于获取的牙周炎筛查工具对于早期发现和疾病预防至关重要。本研究评估了一种非侵入性诊断方法，该方法结合了社会人口统计数据、自我报告的口腔健康（SROH）问卷以及唾液生物标志物，并使用了传统的统计方法和机器学习（ML）预测模型。

方法

77名成年人完成了经过验证的SROH问卷，并提供了唾液样本以测定六种生物标志物：白细胞介素（IL-1β、IL-6）、肿瘤坏死因子（TNF-α）、基质金属蛋白酶（MMP-8、MMP-9）和金属硫蛋白（MT）。参与者根据临床情况被分类为（i）牙周健康、（ii）牙龈炎或（iii）牙周炎。预测模型分别使用逻辑回归（LR）、随机森林（RF）和朴素贝叶斯（NB）方法，在三种特征集上进行了开发：（i）SROH、唾液生物标志物和社会人口统计数据；（ii）SROH和唾液生物标志物；（iii）SROH和社会人口统计数据；（iv）仅SROH。模型性能通过10折交叉验证和标准评估指标进行评估。

结果

基于SROH和唾液生物标志物训练的RF模型在检测牙周炎方面表现出最高的准确性，其接收者操作特征曲线下面积（AUC）为0.856，精确度（70.13%）和敏感性（0.701）均优于朴素贝叶斯（NB，AUC=0.795）和逻辑回归（LR，AUC=0.724）模型，同时误差率（RMSE）也更低。

结论

这种结合SROH和生物标志物的非侵入性方法在初级保健和基于人群的设置中具有作为一线筛查和转诊工具的潜力，尤其是在无法常规进行全面牙周检查的情况下。需要在更大、更多样化的人群中进行进一步验证，以支持其临床应用。