Điểm nổi bật
Nghiên cứu này đã phát triển và thẩm định ngoại kiểm một mô hình machine learning (ML) có khả năng diễn giải nhằm phân tầng mức độ nặng của viêm nha chu (giai đoạn III–IV so với giai đoạn I–II) bằng cách sử dụng các dấu ấn sinh học máu thường quy kết hợp với các yếu tố nhân khẩu học và hành vi. Mô hình stacking cho thấy hiệu năng phân biệt ở mức trung bình, với diện tích dưới đường cong (AUC) trong thẩm định ngoại kiểm là 0,774. Việc bổ sung các chỉ dấu có nguồn gốc từ máu giúp cải thiện dự đoán ở mức độ khiêm tốn so với tuổi, giới và tình trạng hút thuốc. Tuy nhiên, hiệu chỉnh mô hình trên dữ liệu ngoại kiểm chưa tối ưu, cho thấy cần thận trọng trước khi triển khai lâm sàng. Các phân tích thăm dò cho thấy có thể tồn tại sự khác biệt theo tuổi và giới trong tác động của các biến dự báo, nhấn mạnh nhu cầu thẩm định thêm trên các quần thể đa dạng.
Bối cảnh nghiên cứu và gánh nặng bệnh tật
Viêm nha chu là một bệnh viêm mạn tính thường gặp, đặc trưng bởi sự phá hủy tiến triển của các mô nâng đỡ răng, dẫn đến mất răng và suy giảm chức năng miệng. Bệnh còn có ý nghĩa đối với sức khỏe toàn thân, bao gồm mối liên quan với bệnh tim mạch và đái tháo đường. Đánh giá chính xác mức độ nặng của viêm nha chu giúp định hướng xử trí lâm sàng, từ chăm sóc dự phòng đến can thiệp phẫu thuật. Hiện nay, đánh giá mức độ nặng chủ yếu dựa vào thăm khám nha chu lâm sàng, bao gồm độ sâu thăm dò túi nha chu, mất bám dính lâm sàng và mất xương trên X-quang—những kỹ thuật đòi hỏi chuyên môn nha khoa chuyên sâu. Các dấu ấn sinh học máu thường quy phản ánh tình trạng viêm hệ thống và miễn dịch có thể đóng vai trò chỉ dấu thay thế cho mức độ nặng của viêm nha chu, qua đó hỗ trợ sàng lọc rộng hơn và phân tầng nguy cơ. Hướng tiếp cận này đặc biệt hấp dẫn trong chăm sóc ban đầu hoặc các bối cảnh thiếu nguồn lực, nhưng hiện vẫn thiếu các mô hình dự đoán đã được thẩm định mạnh mẽ.
Thiết kế nghiên cứu
Nghiên cứu này là một nghiên cứu đoàn hệ hồi cứu hai trung tâm, bao gồm 1.321 bệnh nhân từ bệnh viện phát triển mô hình và 584 bệnh nhân từ bệnh viện thẩm định ngoại kiểm trực thuộc Trường Y Đại học Chiết Giang. Tiêu chí đưa vào tập trung vào người trưởng thành đã được chẩn đoán viêm nha chu, được phân loại thành nhóm giai đoạn III–IV (nặng) hoặc giai đoạn I–II (nhẹ đến trung bình) theo các tiêu chuẩn lâm sàng chuẩn hóa. Các biến dự báo được sử dụng gồm các biến nhân khẩu học (tuổi, giới), tình trạng hút thuốc (một yếu tố nguy cơ hành vi quan trọng), và 13 chỉ số xét nghiệm máu thường quy phản ánh viêm, chức năng miễn dịch và tình trạng huyết học. Dữ liệu đủ đầy để phát triển mô hình. Phương pháp ML theo kiểu ensemble stacking đã tích hợp nhiều thuật toán dự báo khác nhau nhằm tối đa hóa hiệu năng đồng thời duy trì khả năng diễn giải. Các thước đo hiệu năng của mô hình bao gồm khả năng phân biệt (diện tích dưới đường cong ROC hay AUC), hiệu chỉnh (mức độ phù hợp giữa xác suất dự đoán và xác suất quan sát), độ chính xác phân loại và giá trị lâm sàng được đánh giá bằng phân tích đường cong quyết định. Mô hình được hoàn thiện trước khi thẩm định ngoại kiểm nhằm ngăn ngừa rò rỉ thông tin. Các phân tích phân nhóm thăm dò đánh giá biến thiên theo tuổi và giới bằng giá trị SHAP (Shapley Additive Explanations) và mô hình spline khối lập phương hạn chế để làm rõ các ảnh hưởng phi tuyến của biến dự báo.
Kết quả chính
Mô hình stacking đạt AUC ngoài mẫu là 0,827 (KTC 95%: 0,802–0,851) trên dữ liệu phát triển, cho thấy khả năng phân biệt mạnh giữa viêm nha chu nặng và nhẹ hơn. Thẩm định ngoại kiểm cho thấy hiệu năng giảm ở mức vừa phải với AUC là 0,774 (KTC 95%: 0,730–0,818), khẳng định khả năng khái quát hóa của mô hình nhưng đồng thời cho thấy có thể tồn tại hiện tượng quá khớp hoặc khác biệt quần thể. Hiệu chỉnh trên đoàn hệ ngoại kiểm kém thuận lợi hơn, với intercept là 0,785 và slope là 0,822, gợi ý xu hướng đánh giá thấp có hệ thống nguy cơ nặng của bệnh. Trong các mô hình đơn giản hơn chỉ sử dụng tuổi, giới và tình trạng hút thuốc, AUC ngoại kiểm là 0,745; việc bổ sung 13 dấu ấn sinh học máu cải thiện AUC lên 0,763 ở mức khiêm tốn, cho thấy dữ liệu xét nghiệm thường quy chỉ mang lại giá trị tiên lượng tăng thêm nhưng không mang tính đột phá.
Phân tích đường cong quyết định cho thấy mô hình ML có thể mang lại lợi ích lâm sàng ròng so với các chiến lược lâm sàng mặc định trong khoảng các ngưỡng nguy cơ hợp lý, qua đó hỗ trợ giá trị tiềm năng của mô hình như một công cụ phân tầng nguy cơ. Các phân tích SHAP thăm dò cho thấy một số dấu ấn máu nhất định (ví dụ: các chỉ dấu viêm) có đóng góp phi tuyến, phụ thuộc vào tuổi và giới đối với mức độ nặng được dự đoán. Những phát hiện này gợi ý sự không đồng nhất sinh học trong biểu hiện bệnh và đáp ứng toàn thân, có thể giúp tinh chỉnh dự đoán theo từng bệnh nhân trong các phiên bản mô hình tương lai.
Bình luận chuyên gia
Nghiên cứu này minh họa cả tiềm năng lẫn thách thức của việc tích hợp dữ liệu xét nghiệm thường quy vào các mô hình machine learning cho các bệnh mạn tính phức tạp như viêm nha chu. Khả năng phân biệt ngoại kiểm ở mức trung bình cho thấy tình trạng viêm hệ thống và các dấu ấn huyết học phản ánh mức độ nặng của bệnh ở một mức độ nhất định. Tuy nhiên, hiệu chỉnh chưa tối ưu và giá trị bổ sung chỉ ở mức khiêm tốn so với các đặc điểm lâm sàng cơ bản là lý do để thận trọng trước khi áp dụng lâm sàng ngay lập tức. Mô hình này không thay thế được thăm khám nha chu chuyên biệt, vốn vẫn là tiêu chuẩn vàng đã được thiết lập cho chẩn đoán và phân giai đoạn.
Các hạn chế bao gồm thiết kế hồi cứu, khả năng còn nhiễu nhiễu tồn dư, và việc chỉ dựa trên một quần thể địa lý duy nhất nên có thể hạn chế tính ứng dụng rộng rãi. Các nghiên cứu tiền cứu, đa trung tâm trong tương lai, có bổ sung các quần thể đa dạng hơn và các dấu ấn sinh học khác như xét nghiệm nước bọt hoặc hồ sơ microbiome, có thể cải thiện độ vững chắc của mô hình. Ngoài ra, cần hiệu chỉnh lại mô hình bằng các bộ dữ liệu ngoại kiểm lớn hơn và có thể phát triển các mô hình riêng theo tuổi và giới.
Về mặt cơ chế, các dấu ấn sinh học máu toàn thân có khả năng phản ánh tình trạng viêm và hoạt hóa miễn dịch liên quan đến viêm nha chu nặng, nhưng không đo trực tiếp mức độ phá hủy mô tại chỗ. Việc tích hợp với dữ liệu lâm sàng và hình ảnh có thể tạo ra một khung dự đoán nguy cơ toàn diện hơn.
Kết luận
Mô hình machine learning có khả năng diễn giải, kết hợp tuổi, giới, tình trạng hút thuốc và các dấu ấn sinh học máu thường quy, cung cấp một công cụ có độ chính xác mức trung bình để phân tầng mức độ nặng của viêm nha chu ở người trưởng thành đã mắc bệnh. Mặc dù các dấu ấn máu cải thiện dự đoán ở mức độ khiêm tốn so với các yếu tố nhân khẩu học và hành vi, các hạn chế hiện tại về hiệu chỉnh ngoại kiểm và khả năng phân biệt khiến mô hình này chưa thể được sử dụng như một thay thế chẩn đoán độc lập cho thăm khám nha khoa lâm sàng. Trước khi áp dụng vào thực hành lâm sàng, cần thẩm định đa trung tâm hơn nữa, tinh chỉnh và hiệu chỉnh lại mô hình. Công trình này đặt nền tảng cho việc khai thác các dấu ấn sinh học máu dễ tiếp cận trong đánh giá nguy cơ viêm nha chu có hỗ trợ bởi AI, qua đó có thể hỗ trợ phát hiện sớm và quản lý có mục tiêu đối với viêm nha chu nặng.
Kinh phí và ClinicalTrials.gov
Nghiên cứu được thực hiện trên dữ liệu bệnh nhân từ các bệnh viện trực thuộc Trường Y Đại học Chiết Giang. Không nêu chi tiết về nguồn tài trợ cụ thể hoặc đăng ký thử nghiệm lâm sàng.
Tài liệu tham khảo
1. 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-S172.
2. Chapple IL, Matthews JB. The role of reactive oxygen and antioxidant species in periodontal tissue destruction. Periodontol 2000. 2007;43:160-232.
3. Lundberg KN et al. Machine learning models incorporating systemic inflammatory markers can aid in diagnosis of periodontitis severity. J Clin Periodontol. 2025;52(4):432-440.
4. Lundberg SM, Lee SI. A Unified Approach to Interpreting Model Predictions. In Advances in Neural Information Processing Systems, 2017;30:4765-4774.
5. Preshaw PM et al. Periodontitis and systemic diseases: A common link? Br Dent J. 2019;227(7):577-584.
Công cụ tính theo chuyên khoa
Công cụ tính được hiển thị bằng tiếng Anh.
Dùng để tham khảo lâm sàng, kết hợp với đánh giá chuyên môn.
