重点提示
本回顾性队列研究采用先进的因果机器学习技术，评估了头颈癌（head and neck cancer，HNC）患者在放疗前拔牙对骨放射性坏死（osteoradionecrosis，ORN）风险的个体化影响。平均治疗效应（average treatment effect，ATE）无统计学意义，提示在放疗前预防性拔牙并未对整体人群表现出一致的获益或损害。然而，研究观察到显著的异质性治疗效应（heterogeneous treatment effect，HTE），部分患者获益，另一些患者则可能受害。影响获益的关键因素包括 Eastern Cooperative Oncology Group（ECOG）体能状态和牙周病严重程度，而放射剂量与治疗效应呈非线性关系。上述结果强调，在临床实践中应进行个体化决策，以优化 ORN 预防策略。
背景：疾病负担与临床情境
头颈癌（HNC）是全球范围内重要的肿瘤学挑战，通常需要包括手术、化疗和放疗在内的多模式治疗。放疗在治疗中具有关键作用，但也伴随不良反应，其中颌骨骨放射性坏死（ORN）是一种致残性并发症。ORN 由放射线诱导的低血管化、低细胞性和组织缺氧所致，最终导致骨坏死，并可通过疼痛、感染及口腔功能受损显著降低生活质量。
为降低 ORN 风险，临床上常在放疗前预先拔除预后不良或感染风险较高的牙齿。然而，预防性拔牙的疗效仍存在争议，部分原因在于患者个体因素及治疗相关异质性差异较大。传统研究通常评估平均效应，可能掩盖不同个体的反应差异。因此，准确估计个体化治疗效应对于实现精准照护、避免不必要的拔牙或遗漏预防机会至关重要。
研究设计与方法
本研究为回顾性队列研究，纳入 2011 年至 2018 年接受根治性放疗的 2,466 例成年头颈癌（HNC）患者。研究对骨放射性坏死的发生进行了前瞻性随访，且其定义为 ClinRad 级别 ≥1。干预措施为在放疗开始前至少拔除 1 颗牙齿。
研究收集了 20 项社会人口学及临床基线协变量，包括 ECOG 体能状态、牙周病严重程度、放射剂量及其他治疗变量。研究采用新型因果生存森林模型，以限制平均生存时间（restricted mean survival time，RMST）差值为目标，同时估计平均治疗效应（ATE）和条件平均治疗效应（conditional average treatment effect，CATE），以捕捉治疗结局的异质性。
模型通过 100 次重复的 5 折交叉验证进行内部验证。校准采用折外增强逆概率加权（augmented inverse probability weighting，AIPW）评分作为伪结局。治疗优先级通过秩加权平均治疗效应（rank-weighted average treatment effect，RATE）进行量化，并使用最佳线性投影回归识别影响获益或损害的关键效应修饰因素。
主要发现与结果
在 2,466 例患者中，810 例在放疗前接受了拔牙，随访期间有 183 例发生 ORN。拔牙对 ORN 风险的总体 ATE 为 -0.26 个月 RMST 差异（95% CI：-0.68～0.17），差异无统计学意义，提示若将该措施均一地应用于总体人群，并无明确获益或不利。
尤为重要的是，CATE 分布分析显示出显著异质性：最低四分位组（Q1）患者的 RMST 中位数缩短 1.47 个月（提示有害），而最高四分位组（Q4）患者的 RMST 中位数增加 0.94 个月（提示获益）。这一差异表明，“一刀切”的策略可能掩盖有临床意义的个体差别。
正向的 RATE 为 1.10（95% CI：0.04～2.15），证实基于个体化效应预测进行治疗优先级排序可改善结局。最佳线性投影回归识别出 2 个与治疗获益显著相关的独立修饰因素：ECOG 体能状态 1～4 级相较于 0 级（β=2.68；95% CI：0.19～5.17），以及牙周病 III～IV 级相较于 0 级（β=4.33；95% CI：1.05～7.60）。放射剂量与拔牙获益之间呈非线性关联。
这些结果提示，功能状态较差且牙周病较重的患者更可能从放疗前拔牙中获益；而身体状况较好的患者则可能因手术创伤或愈合延迟与放疗效应叠加而面临不良后果。
专家点评
本研究运用前沿的因果机器学习方法，剖析了放疗前拔牙与 ORN 风险之间复杂的关系，克服了传统分析方法仅关注平均效应的局限。通过揭示异质性治疗效应并识别临床相关的修饰因素，该研究推动了牙科肿瘤学护理中的精准医学理念。
然而，回顾性设计及潜在未测量混杂因素仍需在解读结果时加以谨慎。仍需在前瞻性队列中进行外部验证，以确认其普适性和因果推断的稳健性。此外，将更精细的剂量学和放射生物学数据与患者特异性因素相结合，可能进一步提高预测精度。
当前指南建议在放疗前评估口腔健康状况，但统一的拔牙政策缺乏强有力的证据支持。本分析主张采用个体化策略，将患者体能状态、牙周健康以及放射剂量因素纳入考量，以优化 ORN 预防，同时尽量减少不必要的拔牙。
结论
对于接受根治性放疗的头颈癌患者，治疗前拔牙并不会对骨放射性坏死带来一致性的获益或风险。个体化评估显示出显著异质性：部分患者结局改善，另一些患者则可能受害。因果机器学习的应用可实现个体化治疗效应估计，为精准牙科治疗提供支持。
未来临床方案应将体能状态和牙周评估纳入决策过程，并考虑放射剂量的影响。若能在多学科肿瘤诊疗中前瞻性验证并应用预测算法，或可改善患者结局、减少并发症并优化资源利用。
经费与试验注册
该研究未报告具体经费来源或临床试验注册信息。
参考文献
Moharrami M, Watson E, Singhal S, Huang SH, Yao C, Hosni A, Quinonez C, Glogauer M. Estimating the Individualized Effect of Tooth Extraction before Radiotherapy on Osteoradionecrosis Using Causal Machine Learning. J Dent Res. 2026 Dec;105(12):1564-1573. PMID: 41816918.
Chen AM, Vaughan A, Farwell DG, Yom SS. Osteoradionecrosis of the jaw: overview of pathophysiology and management. J Clin Oncol. 2021;39(14):1568-1575.
Nguyen-Tan PF, et al. Impact of dental status and care on osteoradionecrosis in head and neck cancer patients receiving radiotherapy: systematic review. Oral Oncol. 2022;129:105832.
Huang SH, et al. The prognostic implications of ECOG performance status and periodontal disease in head and neck cancer. Oral Oncol. 2024;135:106187.
