Một mô hình AI đã định lượng tình trạng mất xương ổ răng và mất răng từ 26.550 phim X-quang toàn cảnh để tạo ra một điểm số sức khỏe răng miệng liên tục.
Điểm số X-quang toàn cảnh do AI tạo ra có mối liên quan độc lập và nghịch biến với 5 bệnh lý toàn thân: đái tháo đường, tăng huyết áp, loãng xương, bệnh tim thiếu máu cục bộ và tăng lipid máu.
Điểm số này có khả năng phân biệt nguy cơ tương đối cao nhất đối với bệnh tim thiếu máu cục bộ, đồng thời cho thấy giá trị dự báo gia tăng đối với đái tháo đường, tăng huyết áp và tăng lipid máu, vượt lên trên tuổi, giới và BMI.
Cách tiếp cận này cung cấp một dấu ấn sinh học hình ảnh tự động, định lượng và không xâm lấn, có thể hỗ trợ quản lý tích hợp bệnh răng miệng và bệnh lý toàn thân.
Bối cảnh nghiên cứu
Sức khỏe răng miệng từ lâu đã được công nhận là có mối liên hệ chặt chẽ với sức khỏe toàn thân, trong đó bệnh nha chu và mất răng có tương quan với các bệnh tim mạch, rối loạn chuyển hóa và loãng xương. Tuy nhiên, việc tích hợp thường quy dữ liệu hình ảnh răng miệng vào đánh giá nguy cơ bệnh lý toàn thân vẫn còn chưa phát triển đầy đủ. Chụp X-quang toàn cảnh được sử dụng rộng rãi trong thực hành nha khoa và cung cấp hình ảnh toàn diện của răng và xương ổ răng. Những tiến bộ trong trí tuệ nhân tạo (AI), đặc biệt là phân tích ảnh tự động, đã mở ra cơ hội khai thác ở quy mô lớn các đặc điểm định lượng phản ánh tình trạng sức khỏe răng miệng. Nghiên cứu này khảo sát liệu một điểm số phim X-quang toàn cảnh do AI tạo ra, phản ánh tình trạng mất răng và mất xương ổ răng, có liên quan độc lập với một số bệnh lý toàn thân lớn hay không, qua đó có thể cung cấp một dấu ấn sinh học mới để hỗ trợ chăm sóc sức khỏe tích hợp.
Thiết kế nghiên cứu
Phân tích hồi cứu, cắt ngang này bao gồm 26.550 phim X-quang toàn cảnh được thu thập từ hai bệnh viện. Một mô hình AI đã phát hiện từng răng và implant nha khoa, đồng thời định lượng mức độ mất xương ổ răng. Từ các tham số này, một điểm số dựa trên phim X-quang được tính theo thang 0-100, có tính đến số lượng răng mất và mức độ mất xương được gán trọng số. Nghiên cứu đánh giá mối liên quan giữa điểm số này với chẩn đoán lâm sàng của 5 bệnh lý toàn thân: đái tháo đường, tăng huyết áp, loãng xương, bệnh tim thiếu máu cục bộ và tăng lipid máu.
Các phương pháp bao gồm so sánh điểm số giữa các nhóm theo tình trạng bệnh, phân tích xu hướng tỷ lệ hiện mắc qua các ngũ phân vị điểm số tăng dần, và các mô hình hồi quy logistic đa biến đã hiệu chỉnh yếu tố nhiễu (tuổi, giới, BMI). Khả năng phân biệt chẩn đoán gia tăng của điểm số AI so với chỉ các biến nhân khẩu học được đánh giá bằng thay đổi diện tích dưới đường cong ROC (ΔAUC) và kiểm định DeLong để xác định ý nghĩa thống kê.
Kết quả chính
So với nhóm chứng, bệnh nhân mắc từng bệnh lý toàn thân đều có điểm số phim X-quang toàn cảnh thấp hơn có ý nghĩa thống kê (tất cả P<0,001), cho thấy tình trạng sức khỏe răng miệng kém hơn. Chênh lệch đã hiệu chỉnh lớn nhất được ghi nhận ở đái tháo đường (hệ số β = -6,25). Xu hướng giảm tỷ lệ hiện mắc nhất quán được quan sát cho cả 5 bệnh qua các mức điểm số tăng dần (có ý nghĩa thống kê theo kiểm định Cochran-Armitage, P<0,001).
Nguy cơ tương đối của bệnh khi so sánh ngũ phân vị điểm số thấp nhất với cao nhất là cao nhất đối với bệnh tim thiếu máu cục bộ (4,73). Sau khi hiệu chỉnh theo tuổi, giới và BMI, điểm số phim X-quang toàn cảnh do AI tạo ra vẫn liên quan độc lập với tất cả các bệnh đã khảo sát, đạt các giá trị diện tích dưới đường cong (AUC) từ 0,74 đến 0,80 — cho thấy khả năng phân biệt ở mức trung bình.
Đáng chú ý, điểm số này cải thiện đáng kể khả năng phân biệt vượt trên các yếu tố nhân khẩu học đối với đái tháo đường, tăng huyết áp và tăng lipid máu (ΔAUC dao động từ 0,0015 đến 0,0154; DeLong P<0,0188), trong khi đối với bệnh tim thiếu máu cục bộ và loãng xương, mức cải thiện phân biệt bổ sung không có ý nghĩa thống kê.
Nhận định của chuyên gia
Nghiên cứu này làm sáng tỏ tiềm năng của việc phân tích phim X-quang nha khoa thường quy bằng AI để cung cấp các dấu ấn định lượng liên quan đến tình trạng bệnh lý toàn thân. Mối liên hệ nghịch biến giữa điểm số toàn cảnh và tỷ lệ hiện mắc bệnh toàn thân phù hợp với y văn hiện có, vốn liên kết sức khỏe răng miệng kém, đặc biệt là mất xương ổ răng và mất răng, với đái tháo đường và bệnh tim mạch thông qua các cơ chế như viêm mạn tính và các yếu tố nguy cơ chung.
Hiệu quả dự báo ở mức trung bình, kết hợp với giá trị gia tăng có ý nghĩa đối với các bệnh chuyển hóa, ủng hộ tính hữu ích của điểm số toàn cảnh như một công cụ sàng lọc bổ trợ hoặc phân tầng nguy cơ. Tuy nhiên, thiết kế cắt ngang hạn chế việc suy luận quan hệ nhân quả. Quần thể nghiên cứu được tuyển từ bệnh viện có thể làm giảm khả năng khái quát hóa. Các nghiên cứu tiến cứu theo dõi dọc trong tương lai có thể làm rõ liệu việc tích hợp các chỉ số sức khỏe răng miệng do AI tạo ra vào thực hành lâm sàng có cải thiện phát hiện sớm hoặc quản lý các tình trạng toàn thân hay không.
Ngoài ra, cần nghiên cứu thêm về cơ chế bệnh sinh liên quan đến việc viêm nha chu và mất xương lan tỏa như thế nào đến sinh lý bệnh toàn thân, nhằm củng cố tính hợp lý sinh học của các mối liên quan được ghi nhận bởi điểm số này.
Kết luận
Một điểm số phim X-quang toàn cảnh do AI tạo ra, phản ánh tình trạng sức khỏe răng miệng, đã cho thấy mối liên quan độc lập với 5 bệnh lý toàn thân lớn, trong đó liên hệ mạnh nhất với bệnh tim thiếu máu cục bộ và đái tháo đường. Chỉ số hình ảnh không xâm lấn, tự động này là một công cụ chuyển giao đầy hứa hẹn để kết nối lĩnh vực chăm sóc răng miệng và y tế, có thể hỗ trợ quản lý tích hợp ở bệnh nhân có nhiều bệnh đồng mắc phức tạp.
Nghiên cứu trong tương lai nên tập trung vào xác nhận tiến cứu, tinh chỉnh mô hình AI để nâng cao độ chính xác, và các nghiên cứu triển khai nhằm đánh giá giá trị lâm sàng cũng như hiệu quả chi phí của việc đánh giá nguy cơ bệnh lý toàn thân từ phim X-quang toàn cảnh ở các quần thể đa dạng.
Tài trợ và ClinicalTrials.gov
Nghiên cứu gốc không báo cáo nguồn tài trợ cụ thể hoặc thông tin đăng ký thử nghiệm lâm sàng.
Tài liệu tham khảo
1. Tonetti MS, Jepsen S, Jin L, Otomo-Corgel J. Impact of the global burden of periodontal diseases on health, nutrition and wellbeing of mankind: A call for global action. Journal of Clinical Periodontology. 2017 May;44(5):456-462.
2. Chapple IL, Genco R. Diabetes and periodontal diseases: Consensus report of the joint EFP/AAP Workshop on Periodontitis and Systemic Diseases. J Periodontol. 2013 Apr;84(4-s):S106-12.
3. Preshaw PM, Alba AL, Herrera D, Jepsen S, Konstantinidis A, Makrilakis K, Taylor R. Periodontitis and diabetes: a two-way relationship. Diabetologia. 2012 Jan;55(1):21-31.
4. Tonetti MS, Van Dyke TE. Periodontitis and atherosclerotic cardiovascular disease: Consensus report of the joint EFP/AAP Workshop on Periodontitis and Systemic Diseases. J Periodontol. 2013 Apr;84(4-s):S24-S29.
5. Kinane DF, Stathopoulou PG, Papapanou PN. Periodontal diseases. Nat Rev Dis Primers. 2017 Jun 29;3:17038.
6. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988 Sep;44(3):837-45.
7. Lee JH, et al. Artificial intelligence in dental imaging: Assessment and future perspectives. Imaging Sci Dent. 2020 Sep;50(3):169-177.
8. Wu T, et al. Associations between oral health status and systemic conditions: A systematic review. Int J Environ Res Public Health. 2020;17(1):139.
9. The original study citation: Kahm SH, Ko DY, Choi JS, Lee JH, Cho SH, Lee SY. AI-derived panoramic score and its association with major systemic diseases: A retrospective cross-sectional study. Journal of dentistry. 2026-10-17:107104. PMID:42892360.
