龋病风险评估模型的研究和应用进展

    龋病是一种由微生物、食物、宿主敏感性等因素共同作用一段时间后发生的牙齿硬组织的进行性破坏，其发病率位于常见慢性病的前列。2017年我国发布了第四次全国口腔健康流行病学调查结果，5岁儿童乳牙患龋率70.9%，12岁儿童恒牙患龋率34.5%，35～44岁人群的患龋率为89.0%。
    龋病发病率高，持续进展可引起牙髓病、根尖周病、颌骨炎症等一系列并发症，对患者的生活质量甚至全身健康造成严重影响。因此，寻找龋病发生发展的危险因素，建立龋病风险评估模型，并通过科学的评估判断人群患龋风险，从而有针对性地给予相应的口腔卫生保健干预措施，最终达到降低龋病发病率的目的。
    常见的龋病风险评估模型如ADA龋风险评估表、CAMBRA（caries management by risk assessment）系统和CAT（caries-risk assessment tool）系统等，大多从医师角度出发，基于量表，遵循一定简单逻辑进行相关患龋风险评估。随着科技的不断进步，机器学习越来越多地被应用到医学领域。在龋病风险评估领域中，出现了Cariogram系统、Nomogram图龋病风险评估模型、分类回归树（classification and regression tree，CART）模型和广义回归神经网络（general regression neural network，GRNN）模型等结合机器学习复杂算法逻辑的评估模型。下面将对各个龋病风险评估模型的研究进展和应用现状进行总结。
    1.基于量表简单逻辑的龋病风险评估模型
    ADA龋风险评估表、CAMBRA系统和CAT系统是对临床患者进行信息采集，内容包括已明确公认的影响龋病发生发展的危险因素，例如口腔清洁情况、甜食摄入情况、患龋经历等。临床医师通过信息采集结果和一定简单规则对患者一定时间内患龋病的风险进行评估，为患者提供相应的龋病预防措施建议。
    1.1ADA龋风险评估表
    ADA龋风险评估表由美国牙科协会（American Dental Association）在2004年提出，根据患者年龄分为0～6岁和6岁以上两种量表。该表将患龋危险因素分为3类：促进因素、一般情况以及临床情况。其中，促进因素指影响龋病发生发展的外部因素；一般情况指患者的全身健康情况；临床情况指患者与龋病直接相关的情况，此外，龋病是牙齿缺失的主要原因，该表还将牙齿缺失情况纳入临床情况中，是其特有的危险因素。该表根据以上因素对患者进行患龋风险评估，根据患者情况显示出不同危险分级。
    临床医师根据患龋风险评估结果有针对性地给予患者防龋指导意见，进行龋病的个性化管理。Jurasic等对57675名退役军人进行了1年期的纵向队列研究，验证了ADA龋风险评估表在识别低风险患者方面的有效性。
    1.2CAMBRA系统
    CAMBRA系统由加利福尼亚牙科协会在2002年提出，其主要从以下3个方面进行龋病风险评估：疾病情况、危险因素、保护因素。疾病情况即临床检查发现的患龋情况；危险因素指的是会促进龋病发生发展的生物因素，因为不正确的喂养方式会增加患龋风险，所以该系统将持续的奶瓶喂养纳入龋病的危险因素，是该系统特有的危险因素；保护因素则是预防龋病或者治疗龋病的措施。
    CAMBRA系统是综合以上3种因素的一个平衡模型，当危险因素增加时，应及时增加保护措施，否则平衡破坏，患龋风险相应增加。Kudlure等对72名收容机构的儿童进行了3年期的纵向队列研究，证实CAMBRA系统在预测收容机构儿童的龋病风险方面是有效的。
    1.3CAT系统
    CAT系统由美国儿童牙科协会于2002年提出，主要适用于儿童和青少年。CAT系统从以下3个方面对患者患龋风险进行评估：临床情况、环境因素以及一般情况。临床情况指与龋病直接相关的情况；环境因素是会影响龋病发生发展的外部因素；一般情况指患者的全身情况，每项影响因素会根据患者的实际情况展现出相应的危险分级，医生可根据各项影响因素的分级决定患者的患龋风险。
    Rechard等对229名患有儿童早期龋的儿童及242名不患儿童早期龋的儿童进行了3年期纵向队列研究，结果显示使用CAT系统及唾液变异链球菌培养来筛查儿童早期龋是降低儿童患龋风险的有效办法。
    2.结合机器学习复杂逻辑的龋病风险评估模型
    随着机器学习在医学领域中的应用越来越广泛，龋病风险评估领域也出现了结合机器学习算法的评估模型。临床上根据患者实际患龋状况和各项龋病危险因素信息建立相应机器算法程序，并按照设计出的算法对患者一定时间内患龋风险进行评估，临床医师可根据患者的主要危险因素提供相应预防措施。
    2.1Cariogram系统
    Cariogram系统是由瑞典学者Petersson等研发的电脑程序，其主要评估患龋经历、相关疾病等9个因素，每个因素输入程序后会获得相应的分值，通过算法加权分析后，便可得到最终图形，展现患龋风险及提供预防措施。Campus等对861例7～9岁儿童进行了为期2年的纵向队列研究并使用Cariogram系统对其患龋风险进行预测，结果显示Cariogram系统在儿童龋病风险评估方面显示出良好的精确度、准确性。Cariogram系统还可用于老年人根面龋的预测。Hayes等对334名老年人根面龋风险预测进行了2年的纵向队列研究，证明Cariogram系统可用于老年人根面龋的风险预测。
    2.2基于Nomogram图的龋病风险评估模型
    Nomogram图是一种应用广泛的风险评估模型，在多因素回归分析的基础上，整合多个评估指标，将各个指标转换成不同长度带有刻度的线段，等比例地绘制在平面上，根据各个线段的长度表达模型中各个指标的关系。Duan等对4573名12岁儿童进行了问卷调查及口腔检查，通过单因素分析及多因素分析筛选出相关性较强的龋病危险因素，建立Nomogram图龋病风险评估模型来评估12岁儿童患严重龋病（龋失补指数≥3）的风险，并采用五折交叉法和留一交叉法对模型进行验证，结果显示Nomogram图在识别儿童患严重龋病风险方面效果良好。
    2.3基于分类回归树的龋病风险评估模型
    分类回归树（CART）是一种数据挖掘方法，使用决策树技术对输入数据进行分类或回归降维，用输出数据来预测未知目标变量的类别，亦可以应用到龋病风险预测中来。Arino等对732名牙科诊所就诊患者的资料进行回顾性分析，采用CART分析，利用患者年龄、恒牙龋失补牙数（decayed-missing filled tooth，DMFT）、变异链球菌和乳酸杆菌水平、唾液流速和缓冲能力以及对预防计划的依从性建立评估模型，从而预测患者患龋风险。结果显示CART分析可以有效识别单个成年患者的患龋风险，也可以分析出成年患者在接受常规预防计划后龋病发病的主要危险因素。
    2.4基于广义回归神经网络的龋病风险评估模型
    广义回归神经网络（GRNN）是一种人工神经网络模型，其基于非参数回归分析模仿生物神经网络的层级结构和功能，具有很强的非线性映射能力和精确的预测能力。此外，GRNN在缺少样本数据时具有合理的外推和良好的预测效果，因此适应于老年人龋病发生发展过程中的高度复杂性、非线性和不确定性。
    Liu等对1144名老年人进行了问卷调查及口腔检查，其后将1144名老年人的数据随机分为两部分：80%纳入建立无条件Logistic回归和GRNN评估模型的训练集，剩余20%作为评估模型的训练集，利用MATLAB软件建立GRNN评估模型。结果显示GRNN可用于筛查、早期诊断老年人龋病，从而能够为其制定相应的治疗计划，促进老年重点人群的口腔健康。
    3.总结与展望
    基于量表简单逻辑的3种龋病风险评估模型以及结合机器学习复杂逻辑的4种模型，龋病风险评估模型的内核正在从相对简单的逻辑判断向支持相对复杂逻辑的机器学习算法转变。相较于基于量表简单逻辑的龋病风险评估模型，结合机器学习算法复杂逻辑的龋病风险评估模型则可表达更为复杂的潜在未知逻辑。
    其需要提前建立好特定的算法，而算法的建立则需要大量的预测及目标数据以及专业的统计学算法知识，通常由口腔临床医生与专业统计人员合作而成，充分发挥学科交叉优势，共同制定拟合真实数据的龋病风险评估模型算法内核。确定好算法后，只需将患者的各项信息输入其中，模型就会自动输出该患者的一定时间内的患龋风险，医生可以根据患者龋病危险因素提供相应的龋病预防措施，具有更强的客观性。
    另外，在处理大样本量数据时，机器学习的数据处理速度及准确性又是其一大优势。近年来，有学者对标准化的龋病风险评估模型能否准确预测个体的龋病发病风险以及模型中龋病危险因素的选择标准表示怀疑，而机器学习算法的出现和应用能够在很大程度上减少简单逻辑带来的误差和偏倚。随着机器学习越来越多地应用到医学领域，运用到龋病预测领域，近年来还出现了通过口腔微生物群的时间变化来评估预测儿童早期龋病的模型，以及通过环境因素和单核苷酸多态性测序分析来对患者龋病分析评估的模型。
    这些大样本量数据结合机器学习算法得以能够将更多龋病危险因素纳入龋病风险评估模型中来。结合更加先进的技术，例如太赫兹成像技术，其在检测龋病方面具有良好的发展前景，且对人体辐射伤害微乎其微，结合机器学习的图像识别功能，可以设计太赫兹成像-机器学习图像识别的龋病风险评估模型，快速准确地判断患者是否处于患龋高危水平及其高危因素，为患者提供相应的预防措施建议，真正做到龋病预防的个性化管理，提高我国人群的整体口腔健康水平。