基于圆锥束计算机断层扫描（CBCT）与口内扫描融合数据的风险预测算法的开发与验证，用于判断生物宽度是否处于较低水平：一项横断面研究

摘要

背景

生物宽度（BW）对牙周韧带和牙槽骨具有保护作用。生物宽度值降低可能导致牙周并发症。本研究旨在开发和验证数字风险预测算法，以评估口腔卫生良好的成年人是否具有较低的生物宽度。

方法

研究使用了55名口腔卫生良好的成年人的740颗牙齿的4420个牙位数据进行模型开发和验证。采用混合效应逻辑回归模型，结合CBCT（计算机断层扫描）、口内扫描（IOS）和牙周探查数据，推导出低生物宽度的风险预测方程。预测因素包括牙齿类型、牙位、牙龈边缘（GM）-牙骨质-釉质交界处（CEJ）的距离、CEJ-牙槽嵴顶（ARC）的距离以及牙龈厚度（GT）。判断标准是当生物宽度小于1.13毫米时，将其归类为低生物宽度。沟槽深度（SD）通过临床测量获得；GM-CEJ、GT以及GM与ARC之间的距离（D）通过数字化方法测量。生物宽度通过减去D和SD来计算。

结果

原始预测模型表示为方程：logit(P-raw) = 8.40–2.17*GM-CEJ – 2.25*CEJ-ARC + βSite + βTooth + (1 | PatientID)，其中P-raw表示低生物宽度的概率。重新校准后的模型表示为logit(P-cal) = 0.1028–0.7159*logit(P-raw)。类内相关系数（ICC）为0.165，表明16.5%的个体差异可归因于患者个体差异。原始模型的曲线下面积（AUC）为0.867，表明其区分能力良好。校准曲线显示模型内部校准效果良好。外部可行性测试的AUC为0.68，表明模型具有中等区分能力；重新校准模型的外部可行性测试也显示校准效果可接受。该模型的可视化诺模图能够计算单个牙位的低生物宽度风险。

结论

基于CBCT和IOS数据融合开发的经过验证的风险预测模型有助于估计低生物宽度。纳入牙龈边缘-牙骨质-釉质交界处（GM-CEJ）、CEJ-牙槽嵴顶（CEJ-ARC）距离、牙位和牙齿类型等预测因素，有助于临床医生识别高风险牙位，从而便于发现牙周组织损伤。未来的研究可以开发线性回归模型以解决现有模型的局限性，例如确定临界值的定义以及外部验证范围有限的问题。