DOI: https://doi.org/10.1186/s12903-025-05768-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40089762
تاريخ النشر: 2025-03-15
المؤلف: Yafei Wu وآخرون
الموضوع الرئيسي: صحة الأسنان واستخدام الرعاية
نظرة عامة
تستكشف هذه الدراسة تطبيق التعلم الآلي (ML) في التنبؤ بنتائج العلاج لتسوس الأسنان في مرحلة الطفولة المبكرة (ECC)، وهي قضية صحية فموية هامة تؤثر على الأطفال في سن ما قبل المدرسة. باستخدام بيانات من تجربة سريرية شملت 1,070 طفلًا تتراوح أعمارهم بين 3 إلى 4 سنوات، تم استخدام خوارزميات ML مختلفة – بما في ذلك نايف بايز، والانحدار اللوجستي، وأشجار القرار، والغابات العشوائية، وآلات الدعم الناقل، وتعزيز التدرج الشديد – للتنبؤ بنتائج إيقاف التسوس بعد العلاج بالفلورايد والفضة على مدى 30 شهرًا. شملت المتغيرات الرئيسية التي تم تحليلها المعايير السريرية، وسلوكيات الصحة الفموية، والعوامل الاجتماعية والاقتصادية. تم تقييم أداء النموذج من خلال مقاييس مثل الدقة، والاسترجاع، والدقة، ودرجة F1، والمساحة تحت منحنى التشغيل الخاص بالمستقبل (AUROC)، ودرجة بريير، مع استخدام تفسيرات شابلي الإضافية لتسليط الضوء على المتغيرات المهمة.
أشارت النتائج إلى أن جميع نماذج ML أظهرت قدرات تنبؤية قوية، حيث أظهرت مقاييس الأداء دقة تتراوح بين 0.674 إلى 0.740 وقيم AUROC بين 0.771 و0.859. ومن الجدير بالذكر أن المتغيرات الأكثر أهمية لنتائج العلاج شملت سطح وموقع الآفات التسوسية، وظهور تسوس جديد خلال المتابعات، وتجربة التسوس الأساسية، ووجود تنظيف الأسنان بمساعدة وحالة النظافة الفموية. تشير النتائج إلى أن ML يمكن أن تُفيد بشكل فعال في استراتيجيات الإدارة المستهدفة لـ ECC من خلال تحديد العوامل الرئيسية التي تؤثر على نجاح العلاج.
مقدمة
تناقش مقدمة ورقة البحث الأهمية المتزايدة للطب الدقيق في الرعاية الصحية، مع التأكيد على دوره في تخصيص استراتيجيات العلاج والوقاية من خلال دمج البيانات متعددة الأبعاد. يهدف الطب الدقيق إلى تحديد الفروق الفردية واستخدام الأساليب الإحصائية للتنبؤ بالنتائج السريرية، والتي يمكن أن تتأثر بعوامل مختلفة، بما في ذلك الخلفيات الاجتماعية والديموغرافية والسلوكيات المتعلقة بالصحة. غالبًا ما تكافح الأساليب الإحصائية التقليدية، مثل نماذج الانحدار، مع مشكلات مثل التداخل والحاجة إلى مصطلحات تفاعل محددة مسبقًا، مما يحد من فعاليتها في تحديد المتغيرات المربكة ومعدلات التأثير التي تؤثر على نتائج العلاج.
على النقيض من ذلك، يوفر التعلم الآلي بديلاً واعدًا من خلال تمكين تطوير نماذج تنبؤية يمكنها التعامل مع العلاقات المعقدة بين البيانات عالية الأبعاد. يمكن أن تلتقط هذه النماذج المتغيرات ذات الصلة بشكل أكثر فعالية وتحسن دقة التنبؤ دون الافتراضات الصارمة المطلوبة من الأساليب التقليدية. تسلط الورقة الضوء على التطبيق الناجح للتعلم الآلي في التنبؤ باستجابات العلاج عبر مجالات طبية متنوعة وتقدم تفسيرات شابلي الإضافية (SHAP) كأداة لتفسير هذه النماذج. ومن الجدير بالذكر أن هذه الدراسة تهدف إلى استكشاف تطبيق التعلم الآلي في التنبؤ بنتائج العلاج لتسوس الأسنان في مرحلة الطفولة المبكرة (ECC) وتحديد المتغيرات الرئيسية باستخدام طرق SHAP، مما يملأ فجوة في الأبحاث الحالية حول هذا الموضوع.
طرق البحث
أجرت هذه الدراسة تحليلًا ثانويًا للبيانات من تجربة عشوائية محكومة (RCT) قيمت فعالية علاجين أسنان – 25% نترات الفضة (AgNO₃) تليها 5% فلوريد الصوديوم (NaF) و38% فلوريد دياامين الفضة (SDF) – في إيقاف تسوس الأسنان في مرحلة الطفولة المبكرة (ECC) بين الأطفال في سن ما قبل المدرسة في هونغ كونغ. شملت التجربة الأصلية 1,070 طفلًا في رياض الأطفال وتمت مراقبة نتائجهم على مدى 30 شهرًا. تم جمع بيانات شاملة، تشمل حالة التسوس، والسلوكيات المتعلقة بالصحة الفموية، والخلفيات الاجتماعية والاقتصادية للمشاركين. تم تسجيل التجربة في ClinicalTrials.gov (رقم: NCT02019160)، وتم نشر بروتوكولها في عام 2015، مع إصدار النتائج الرئيسية في عام 2020.
النتائج
يقدم قسم “النتائج” في ورقة البحث النتائج الرئيسية المستمدة من التجارب أو التحليلات التي تم إجراؤها. يسلط الضوء على الاتجاهات البيانية الهامة، والنتائج الإحصائية، وأي ارتباطات ملحوظة تدعم فرضيات الدراسة. عادةً ما يتم توضيح النتائج من خلال الجداول، والرسوم البيانية، أو الأشكال، التي توفر تمثيلًا بصريًا للبيانات لتفسير أوضح.
في هذا القسم، قد يناقش المؤلفون أيضًا تداعيات نتائجهم فيما يتعلق بالأدبيات الحالية، مع التأكيد على كيفية مساهمة نتائجهم في الفهم الأوسع للموضوع. بالإضافة إلى ذلك، يتم الاعتراف بأي قيود واجهت خلال عملية البحث، والتي قد تؤثر على تفسير النتائج. بشكل عام، يخدم هذا القسم لتأكيد أهداف البحث ويضع الأساس للمناقشات والاستنتاجات اللاحقة.
المناقشة
في هذه الدراسة، تم استخدام خوارزميات التعلم الآلي للتنبؤ بنتائج إيقاف التسوس لتسوس الأسنان في مرحلة الطفولة المبكرة (ECC) بعد علاجات الفلورايد والفضة، مما يمثل نهجًا جديدًا في أبحاث الأسنان. استخدم النموذج التنبؤي بيانات من 880 مشاركًا مع 4,157 سطح تسوس، مع التركيز على مجموعة متنوعة من المتغيرات المرشحة المصنفة إلى معايير سريرية، وسلوكيات الصحة الفموية، والحالة الاجتماعية والاقتصادية. كشفت التحليلات أن المتغيرات الأكثر أهمية شملت موقع الآفات التسوسية، وتجربة التسوس الأساسية، وسلوكيات تنظيف الأسنان، مع الإشارة إلى أن الآفات التسوسية على الأسطح الخدّية أو الأسنان الأمامية كانت لها نتائج علاجية أكثر إيجابية.
تم تقييم ستة خوارزميات تعلم آلي – الانحدار اللوجستي، نايف بايز، آلة الدعم الناقل، شجرة القرار، الغابة العشوائية، وتعزيز التدرج الشديد – من حيث أدائها التنبؤي. أظهرت نماذج الغابة العشوائية وXGBoost دقة وتفسيرًا متفوقين، حيث تجاوزت قيم المساحة تحت منحنى التشغيل الخاص بالمستقبل (AUROC) 0.85. كما سلطت الدراسة الضوء على فائدة SHAP (تفسيرات شابلي الإضافية) في تفسير توقعات النموذج، كاشفة أن تنظيف الأسنان بمساعدة وحالة النظافة الفموية أثرت بشكل كبير على نتائج العلاج. بينما تؤكد النتائج على إمكانيات التعلم الآلي في التنبؤ بنتائج علاج ECC، يعترف المؤلفون بالقيود، بما في ذلك الحاجة إلى مزيد من التحقق مع مجموعات أكبر والتمييز بين الارتباط والسببية في علاقات المتغيرات.
DOI: https://doi.org/10.1186/s12903-025-05768-y
PMID: https://pubmed.ncbi.nlm.nih.gov/40089762
Publication Date: 2025-03-15
Author(s): Yafei Wu et al.
Primary Topic: Dental Health and Care Utilization
Overview
This study investigates the application of machine learning (ML) in predicting treatment outcomes for early childhood caries (ECC), a significant oral health issue affecting preschool children. Utilizing data from a clinical trial involving 1,070 children aged 3 to 4 years, various ML algorithms—including Naive Bayes, logistic regression, decision trees, random forests, support vector machines, and extreme gradient boosting—were employed to forecast caries-arresting outcomes following fluoride and silver therapy over a 30-month period. Key predictors analyzed encompassed clinical parameters, oral health behaviors, and socioeconomic factors. Model performance was assessed through metrics such as accuracy, recall, precision, F1 score, area under the receiver operating characteristic curve (AUROC), and Brier score, with Shapley additive explanations used to highlight significant predictors.
The results indicated that all ML models demonstrated strong predictive capabilities, with performance metrics showing accuracy ranging from 0.674 to 0.740 and AUROC values between 0.771 and 0.859. Notably, the most critical predictors for treatment outcomes included the surface and location of carious lesions, the emergence of new caries during follow-ups, baseline caries experience, and the presence of assisted toothbrushing and oral hygiene status. The findings suggest that ML can effectively inform targeted management strategies for ECC by identifying key factors influencing treatment success.
Introduction
The introduction of the research paper discusses the growing significance of precision medicine in healthcare, emphasizing its role in personalizing treatment and prevention strategies through the integration of multi-dimensional data. Precision medicine aims to identify individual differences and utilize statistical methods to predict clinical outcomes, which can be influenced by various factors, including sociodemographic backgrounds and health-related behaviors. Traditional statistical methods, such as regression models, often struggle with issues like collinearity and the need for predefined interaction terms, limiting their effectiveness in identifying confounders and effect modifiers that impact treatment outcomes.
In contrast, machine learning offers a promising alternative by enabling the development of predictive models that can handle complex relationships among high-dimensional data. These models can capture relevant predictors more effectively and improve prediction accuracy without the stringent assumptions required by traditional methods. The paper highlights the successful application of machine learning in predicting treatment responses across various medical fields and introduces SHapley Additive exPlanations (SHAP) as a tool for interpreting these models. Notably, this study aims to explore the application of machine learning in predicting treatment outcomes for early childhood caries (ECC) and to identify key predictors using SHAP methods, filling a gap in existing research on this topic.
Methods
This study conducted a secondary analysis of data from a randomized controlled trial (RCT) that assessed the effectiveness of two dental therapies—25% silver nitrate (AgNO₃) followed by 5% sodium fluoride (NaF) and 38% silver diamine fluoride (SDF)—in arresting early childhood caries (ECC) among preschool children in Hong Kong. The original RCT included 1,070 kindergarten children and monitored their outcomes over a 30-month period. Comprehensive data were collected, encompassing caries status, oral health-related behaviors, and socioeconomic backgrounds of the participants. The trial was registered with ClinicalTrials.gov (No.: NCT02019160), and its protocol was published in 2015, with main findings released in 2020.
Results
The “Results” section of the research paper presents key findings derived from the conducted experiments or analyses. It highlights significant data trends, statistical outcomes, and any observed correlations that support the study’s hypotheses. The results are typically illustrated through tables, graphs, or figures, which provide a visual representation of the data for clearer interpretation.
In this section, the authors may also discuss the implications of their findings in relation to existing literature, emphasizing how their results contribute to the broader understanding of the topic. Additionally, any limitations encountered during the research process are acknowledged, which may influence the interpretation of the results. Overall, this section serves to validate the research objectives and lays the groundwork for subsequent discussions and conclusions.
Discussion
In this study, machine learning algorithms were employed to predict the caries-arresting outcomes of early childhood caries (ECC) after fluoride and silver treatments, marking a novel approach in dental research. The predictive model utilized data from 880 participants with 4,157 carious surfaces, focusing on various candidate predictors categorized into clinical parameters, oral health-related behaviors, and socioeconomic status. The analysis revealed that the most significant predictors included the location of carious lesions, baseline caries experience, and toothbrushing behaviors, with findings indicating that carious lesions on buccal surfaces or anterior teeth had more favorable treatment outcomes.
Six machine learning algorithms—logistic regression, Naive Bayes, support vector machine, decision tree, random forest, and extreme gradient boosting—were assessed for their predictive performance. The random forest and XGBoost models demonstrated superior accuracy and interpretability, with area under the receiver operating characteristic (AUROC) values exceeding 0.85. The study also highlighted the utility of SHAP (Shapley Additive Explanations) for interpreting model predictions, revealing that assisted toothbrushing and oral hygiene status significantly influenced treatment outcomes. While the findings underscore the potential of machine learning in predicting ECC treatment outcomes, the authors acknowledge limitations, including the need for further validation with larger cohorts and the distinction between correlation and causation in predictor relationships.