研究亮点
本研究开发并进行了外部验证，构建了一种可解释的机器学习（Machine Learning，ML）模型，利用常规血液生物标志物结合人口学与行为学因素，对牙周炎（Periodontitis）严重程度进行分层（III–IV期 vs. I–II期）。堆叠（stacking）模型在区分能力方面表现中等，外部验证曲线下面积（area under the curve，AUC）为0.774。将血液来源指标纳入后，较仅使用年龄、性别和吸烟状态的模型，预测性能略有提升。然而，该模型在外部数据上的校准度欠佳，提示在临床应用前仍需谨慎。探索性分析显示，不同年龄和性别人群中，各预测因子的作用可能存在差异，强调了在不同人群中进一步验证的必要性。
研究背景与疾病负担
牙周炎是一种常见的慢性炎症性疾病，其特征为支持牙齿组织进行性破坏，可导致牙齿脱落及口腔功能受损。该病还与全身健康密切相关，包括与心血管疾病和糖尿病的关联。准确评估牙周炎严重程度有助于指导临床管理，涵盖预防性护理至外科干预。当前，严重程度评估主要依赖临床牙周检查，包括探诊深度、临床附着丧失和影像学骨丧失等，这些技术需要专门的口腔医学经验。反映全身炎症和免疫状态的常规血液生物标志物，可能作为牙周炎严重程度的替代指标，从而支持更广泛的筛查和风险分层。该方向对于基层医疗或资源受限环境具有吸引力，但目前仍缺乏稳健且经过验证的预测模型。
研究设计
本研究为一项双中心回顾性队列研究，纳入来自开发医院的1,321例患者，以及来自浙江大学医学院附属外部验证医院的584例患者。纳入标准聚焦于已确诊牙周炎的成人，并依据标准临床标准分为III–IV期（重度）或I–II期（轻中度）两组。所使用的预测因子包括人口学变量（年龄、性别）、吸烟状态（重要行为学风险因素），以及13项常规血液实验室指标，这些指标反映炎症、免疫功能和血液学状态。数据完整性足以支持模型开发。研究采用堆叠集成机器学习（ML）方法，将多种预测算法整合，以在保持可解释性的同时最大化模型性能。模型性能指标包括区分度（受试者工作特征曲线下面积，即AUC）、校准度（预测概率与实际观察概率的一致性）、分类准确率，以及通过决策曲线分析评估的临床效用。模型在外部验证前已完成定稿，以避免信息泄露。探索性亚组分析使用SHAP（Shapley Additive Explanations）值及限制性立方样条模型，考察年龄和性别相关差异，以阐明预测因子的非线性效应。
主要结果
在开发数据中，堆叠模型的折外（out-of-fold）AUC为0.827（95%置信区间［CI］：0.802–0.851），提示其对重度与较轻度牙周炎具有较强的区分能力。外部验证显示性能略有下降，AUC为0.774（95% CI：0.730–0.818），说明该模型具有一定泛化能力，但也提示存在一定过拟合或人群差异。外部队列中的校准表现不理想，截距为0.785，斜率为0.822，提示对严重程度风险存在系统性低估。仅使用年龄、性别和吸烟状态的简化模型，外部AUC为0.745；加入13项血液生物标志物后，AUC提升至0.763，表明常规实验室数据具有增量但有限的预后价值。
决策曲线分析显示，在合理的风险阈值范围内，该机器学习模型相较默认临床策略具有潜在净临床获益，支持其作为风险分层工具的前瞻性应用价值。探索性SHAP分析提示，某些血液指标（如炎症相关指标）对预测严重程度的贡献存在非线性，且受年龄和性别影响。这些发现提示疾病表现及全身反应可能存在生物学异质性，未来通过模型更新有望进一步优化个体化预测。
专家点评
本研究展示了将常规检测实验室数据纳入机器学习模型、用于牙周炎等复杂慢性疾病预测的潜力与挑战。外部区分度达到中等水平，支持系统性炎症和血液学指标在一定程度上能够反映疾病严重程度。然而，校准不佳以及相较基础临床特征仅有有限增益，提示目前不宜立即用于临床采纳。该模型不能替代专门的牙周检查，而后者仍是诊断与分期的公认金标准。
本研究的局限性包括回顾性设计、潜在残余混杂，以及单一地理区域人群可能限制其广泛适用性。未来应开展前瞻性、多中心研究，纳入更具多样性的人群，并结合唾液诊断或微生物组特征等更多生物标志物，以提高模型稳健性。此外，需利用更大规模的外部数据集进一步校准，并考虑开发年龄和性别分层模型。
从机制角度看，全身血液生物标志物可能捕捉到与重度牙周炎相关的炎症和免疫激活状态，但并不能直接测量局部组织破坏。若与临床及影像学数据整合，可能构建更全面的风险预测框架。
结论
该可解释机器学习模型结合年龄、性别、吸烟状态和常规血液生物标志物，可为已确诊牙周炎成人的严重程度分层提供一种中等准确度的工具。尽管血液标志物相较人口学和行为学因素可带来有限增益，但由于其当前在外部校准和区分能力方面仍存在局限，尚不能作为临床牙科检查的独立诊断替代。若要转化为临床实践，仍需进一步开展多中心验证、模型优化与再校准。本研究为利用易获取的血液生物标志物开展AI辅助牙周风险评估奠定了基础，未来有望促进重度牙周炎的早期识别与精准管理。
资金与ClinicalTrials.gov
本研究使用了浙江大学医学院附属医院的患者数据开展分析。文中未注明具体资助信息或临床试验注册信息。
参考文献
Shi H, Yao J, Jiang Z, Chen M, Zhuge Q, Jiang C, Chen Y, Qian Y. Development and External Validation of An Interpretable Machine Learning Model for Severity Stratification of Current Periodontitis Using Routine Blood Biomarkers, With Exploratory Analyses of Age- and Sex-Specific Model Behaviour. J Clin Periodontol. 2026 Oct 28. doi: 10.1111/jcpe.70220. Epub ahead of print. PMID: 42952114.
