白皓亮 杨禾 赵蕾
口腔疾病研究国家重点实验室 国家口腔疾病临床医学研究中心四川大学华西口腔医院牙周病科 成都610041
在医学中,风险被定义为一种会引起某事件的危险的可能性,风险因素增加事件发生的概率,可能与疾病的发病或进展有关[1-2]。疾病的发生、发展、开始和严重程度通常又由宿主的多种系统性危险因素决定[3]。随着医学模式向生物-心理-社会医学模式的转变,人们对疾病病因的探求从传统的生物理化模式向生物-心理-社会模式发生了巨大的转变[4-5]。牙周病是多因素引起的牙周组织慢性炎症病变[5-7],研究[8-13]显示:吸烟、糖尿病、遗传因素、年龄、性别、社会经济地位、压力等都是牙周病的风险因素。近年来牙周医学概念的建立使得更多关于全身疾病和牙周健康关系的研究进一步发展深入,这对于改变医师的临床诊断和治疗理念、复杂牙周病风险判断无疑具有十分重要的推动作用[6]。牙周病是最复杂的非传染性疾病之一[14],对其风险因素的综合评估将有助于早期发现牙周病,从而有效预防牙周病进一步发展,并帮助接受牙周系统治疗的患者进行治疗预后判断和维护期管理[15-16]。相关工具的开发有利于更系统、便捷、科学地完成患者的个性化牙周病风险评估。
本文就目前已报道和使用的各类牙周病风险评估及预后判断相关工具进行汇总,分为基于个体层面的风险评估工具、基于个体和患牙层面的预后判断工具、基于单个患牙层面的牙周预后判断工具和同时基于个体和患牙层面的牙周病风险评估及预后判断综合工具,分别进行分类综述。
PRA由Lang和Tonetti[17]于2003年提出,是目前使用最广泛的牙周病风险评估工具之一。PRA是一种回顾性模型分析工具,通过收集一定牙周临床参数信息,依据分析算法获得患者的牙周病发生或复发风险[18]。该模型纳入的参数包括:探诊出血阳性位点的百分比、探诊深度(probing depth,PD)≥5 mm的位点数目、骨丧失/年龄比值、牙丧失数、糖尿病状况和吸烟情况,通过综合分析系列风险因素和指标,从而构建临床环境下评估风险的可行算法功能图[17]。PRA可评价牙周积极治疗完成后患者在牙周支持治疗阶段的牙周疾病风险(PRA的免费评估工具网址:http://www.perio-tools.com/pra/en)。尽管PRA系统被广泛使用,但也存在一定局限性:1)主要评估牙周炎患者的累积状态;2)没有正确识别风险因素和风险决定因素;3)患者存在系统性疾病被评估为高风险因素,但不强调患者系统性疾病的当前状态;4)单独评估了吸烟这一因素,但糖尿病这一重要的潜在风险因素没有单独评估,仅被纳入系统性疾病的范畴;5)没有考虑到各种可能改变或引发牙周病进展的牙科因素[19]。
MPRA是由Chandra[19]于2007年提出的一种基于PRA的改良回顾性模型。为了克服PRA的局限性,MPRA模型使用附着丧失代替骨丧失来评价牙周病的严重程度,而非PRA模型中测量PD和放射学检查牙槽骨丧失[17,20-21]。同时,与PRA相比,MPRA模型纳入了更多的风险因素(糖尿病、牙石或可能造成牙石的因素)和风险决定因素(社会经济因素和压力)[22]。有研究[23-25]证实:与全身健康者相比,糖尿病患者对牙周病的易感性更强,牙周病的患病程度更严重,病变累及范围也更广,血糖控制不理想的患者其牙周破坏较控制良好者更为严重,这也佐证了MPRA将糖尿病作为尤其重要的风险因素被单独评估的进步性。然而,也有研究[18]显示:受试者使用PRA与MPRA进行牙周病风险评估,结果并无显著差异。
PRC系统也是目前被广泛应用的牙周病风险评估系统,可用于初诊及维护期等不同阶段,由Page等[26]于2003年开发。PRC模型纳入11个关键风险参数:年龄、吸烟情况、糖尿病情况、牙周手术史、PD、探诊出血、根分叉病变、龈下修复体情况、龈下牙石、放射学牙槽骨高度、牙槽骨垂直吸收情况。基于这些参数计算数值风险和疾病严重程度评分,建立风险评估并量化疾病的严重程度,从而进行高精度的牙周病风险预测[27]。目前广泛认可PRC的风险评分是牙周病患者牙槽骨丧失和牙齿缺失的有力预测因子[26]。口腔微生物群落与系统性疾病紧密相关,口腔微生物群落结构特征可作为口腔及全身健康预警的重要标记[28]。有研究[29]显示:PRC评价“非常高”风险和“高”风险的患者,其龈下菌斑中福赛坦纳菌和中间普氏菌的检出率差异具有统计学意义。这从微生物角度证明了PRC作为牙周病风险评估工具的有效性。目前,由PRC衍生出一系列商品化评估工具,包括:PreViserPRC、DEPPA、YDEPPA等。
HIDEP模型是2001年提出的一种使用预先确定的风险组来选择和管理个人治疗和预防方案的计算机工具[30]。HIDEP未使用新的风险评估技术,而是将现有的检查方法、风险评估系统和处理建议综合成一个工具,其参数包括:牙齿总数、完整牙齿总数、牙龈出血、PD、放射学检查、龋病经历、唾液诊断、糖摄入频率等。HIDEP能够对口腔健康整体状况进行综合分析,根据14个参数的分配分数确定患者所处的健康疾病等级,包括龋病和牙周病的5个风险和4个疾病类别,最终识别出龋病和牙周病的危险因素和高危人群[31]。
Perio Risk是2007年提出的一种以患者为单位,用于围手术期的牙周病风险评估方法。Perio Risk基于患者的病史和临床记录纳入5个参数:吸烟情况、糖尿病情况、PD≥5 mm的位点数量、探诊出血评分和骨丧失/年龄比值。每个参数有其对应的参数分数,计算参数的代数和,并进行5个等级的风险评定:1为低风险,2为低-中风险,3为中风险,4为中-高风险,5为高风险。Perio Risk与PRA具有相同的参数,但Perio Risk的风险计算过程比PRA更加简化,可以更好地对患者的预后进行详细分类,有效评估牙周治疗对患者预后的影响[32]。有研究[33]发现:根据Perio Risk进行的牙周病风险评估有助于识别牙周支持治疗(supportive periodontal therapy,SPT)期间牙齿脱落的风险。由此可见,Perio Risk可以在保证评估系统必要准确性的同时生成简化的风险评分[24]。
预后是基于疾病发病机制的一般知识和疾病危险因素的存在,对疾病的可能病程、持续时间和结果进行预测,建立在诊断之后和治疗计划制定之前。预后因素是一旦疾病出现,随之预测疾病结果的特征。某些情况下危险因素和预后因素相同[34]。牙周病的预后判断一般根据患者的病史、年龄、疾病类型、病情进展速度、牙周破坏程度、牙石菌斑量和其他局部解剖因素、全身或环境因素以及患者本人的意愿、能否积极配合治疗等情况来确定[35]。
McGuire和Nunn[36]基于评估牙齿丧失率,将预后初步分为5种类型。1)预后良好(good prognosis):能够控制致病因素,有足够的牙周支持,患者和医生维护患牙较容易。2)预后一般(fair prognosis):大约25%的附着丧失和/或Ⅰ度根分叉病变(患牙位置和袋深允许依从性良好的患者进行一定的维护)。3)预后较差(poor prognosis):约50%的附着丧失,Ⅱ度根分叉病变(患牙的位置和袋深有进行维护的可能,但存在困难)。4)预后有问题(questionable prognosis):>50%的牙周附着丧失,冠根比失调,根型不佳,Ⅱ度根分叉病变(患牙的位置和袋深使维护存在困难)或Ⅲ度根分叉病变;松动度2度以上;根间距近。5)预后无望(hopeless prognosis):牙周附着水平不能维持健康、功能和舒适。在此分类系统中,良好、一般和无望的预后能够以合理的准确度建立起来。然而,较差和有问题的预后则依赖于大量的因素,这些因素又以不可预测的方式相互作用,因而这两种预后的准确性受到一定影响[37-41]。值得注意的是,判断预后是一个动态的过程。因此,在完成包括牙周支持治疗在内的所有阶段治疗后,应该重新评估最初制定的预后准确性[34]。这样的预后分析系统有利于对牙周病风险评估做更详尽的研究,但其局限性也说明有待提出更系统详细的评估分类体系。
此外,该系统可分为个体整体预后和个别牙齿预后两个层面。整体预后与牙列整体状况有关,有诸多因素可能影响整体预后,例如:患者年龄、目前疾病的严重程度、全身因素、吸烟、菌斑、结石、其他局部因素、患者依从性以及修复体。该体系的整体预后回答了是否应该进行治疗,治疗是否有可能成功,当需要更换修复体时剩余牙齿是否能够支撑修复体的额外负担等问题[34]。个别牙齿的预后是在整体预后之后决定的,并受整体预后的影响。
分类回归树(classification and regression trees,CART)是一种应用回归树模型的数据挖掘技术,通过划分一组变量来构建最优决策树,以准确预测结果。用于牙周病单个患牙预后分析的CART模型纳入的变量包括:冠根比、PD、根分叉受累、牙根形态、未经治疗的磨牙症、口腔卫生、患牙松动度、是否佩戴咬合板、平均骨丧失百分比和牙周病家族史。此外,CART还可进行磨牙和非磨牙的分层分析(图1~3[42])。由于CART需要很少的统计假设,数据结构处理方便,尽管其评估结果有待进一步改进,但与传统方式相比,CART可获得更敏感和特异的患牙层面的预后判断结果,因而目前已被广泛应用于牙周预后的流行病学分析中。此外也有研究[43]证明了这种新的统计分析方法在发展循证牙周预后方面的有效性。将来,基于生存树的单个患牙的牙周预后指标可能会有助于更好地制定出以循证的预后为指导的最佳治疗计划。
图1 基于分裂优度法的全牙多元生存树Fig 1 Multivariate survival tree for all teeth based on gooness of sp-lit method
图2 非磨牙的多元指数生存树Fig 2 Multivariate exponential survival tree for non-molars
牙周炎风险和预测算法(the periodontitis risk and prognostication algorithm)是2010年Lindskog等[41]提出的一种基于网络的图形化Web界面工具,可同时基于患者个体和患牙层面,分别给出风险评估及预后分析判断。该方法集成了大约20个风险预测因子,并计算出表明牙列慢性牙周炎风险水平的分数(Ⅰ级),如果发现风险增加,则逐牙预测疾病的进展(Ⅱ级)。在第Ⅰ级中,每个变量(年龄、家族史、系统性疾病、皮肤刺激实验、患者合作与疾病意识、社会经济地位、吸烟情况、牙周治疗护理经验、口腔卫生、牙髓病态、累及根分叉、角形吸收、放射学边缘骨丧失、PD、牙周探诊出血、涉及龈缘的修复体、牙松动度增加)的数值或二分法值通过带有预定义结果的菜单输入到算法中,得出牙列整体的风险评分——牙列DRS(danger risk score of dentition,DRS dentition)。如果Ⅰ级显示风险升高,则详细登记临床和影像学变量来计算每个患牙的风险评分——牙齿DRS(DRStooth)。有研究[42]证明:牙周炎风险和预测算法中包含的预测因子合理,其风险评估和预测为临床医生提供了有效、可靠、一致、客观的治疗计划支持。然而,虽然基于此算法的衍生产品例如DentoRisk等应用前景很可观,但对市场来说还不太成熟,需要扩大样本量,在多样化的患者群体和不同治疗环境中加以研究验证[43]。需要注意的是,有时针对复杂的病情,一时难以判断,也可以采取先进行基础治疗,视牙周组织对于治疗的反应、刺激因素能否彻底消除以及患者的配合程度等,再做进一步的判断与规划[44]。
图3 磨牙的多元指数生存树Fig 3 Multivariate exponential survival tree for molars
对各种工具的细化探讨有助于明确牙周病风险评估和预后判断工具的各自适用范围及其优劣势,帮助医生综合分析从而避免因评估失误所导致的牙周治疗不足或治疗过度[44-45];但应意识到所有模型都是概率事件,危险因素在预测疾病发病、进展和治疗结果方面的作用仍然非常有限[45],对风险评估的解读需要保持谨慎的态度。随着大数据时代的到来,大数据无疑为医学风险评估带来新的机遇与挑战,而牙周病风险的评估与控制作为预防和治疗成功的基石,始终需要每一位牙周相关从业者进一步研究与分析。
利益冲突声明:作者声明本文无利益冲突。