DOI: https://doi.org/10.1186/s12903-025-05419-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39780148
تاريخ النشر: 2025-01-08
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: صحة الأسنان واستخدام الرعاية
نظرة عامة
هدفت الدراسة إلى تطوير نموذج تعلم آلي (ML) للتنبؤ بتسوس الأسنان في مرحلة الطفولة المبكرة (ECC) من خلال تحليل السلوكيات الصحية الرئيسية بين أزواج الأمهات والأطفال في بنغلاديش. باستخدام عينة من 724 أمًا لديها أطفال دون سن السادسة، استخدمت الدراسة تقييمات سريرية بناءً على معايير ICDAS II جنبًا إلى جنب مع بيانات الاستطلاع. تم إجراء اختيار الميزات باستخدام طرق الإزالة التكرارية للميزات (RFE) وغابة عشوائية (RF)، مما أدى إلى تحديد عشرة متنبئين مهمين: درجة اللويحات، عمر الطفل، تعليم الأم، عدد الأشقاء، عمر الأم، استهلاك الحلويات، أدوات تنظيف الأسنان، تكرار تنظيف الأسنان للطفل، المساعدة في تنظيف الأسنان، واستخدام معجون الأسنان بالفلورايد. أظهر النموذج النهائي أداءً مرضيًا مع درجة AUC-ROC تبلغ 0.77، ودقة 0.72، وحساسية 0.80، ودرجة F1 تبلغ 0.73.
تشير النتائج إلى أن نموذج التعلم الآلي المطور يتنبأ بفعالية بتسوس الأسنان في الأطفال دون سن الخامسة من خلال دمج السلوكيات الصحية الحرجة. ومن الجدير بالذكر أن اللويحات السنية ظهرت كأقوى متنبئ لـ ECC. يمكن أن يسهل تطبيق النموذج برامج وقائية مستهدفة في البيئات ذات الموارد المحدودة. ومع ذلك، هناك حاجة إلى مزيد من البحث للتحقق من صحة ودقة النموذج عبر مجموعات وسياقات متنوعة.
مقدمة
تتناول مقدمة ورقة البحث القضية المهمة للصحة العامة المتعلقة بتسوس الأسنان في مرحلة الطفولة المبكرة (ECC)، والتي تؤثر على عدد كبير من الأطفال على مستوى العالم، مع انتشار يبلغ 24% في الأطفال الذين تتراوح أعمارهم بين 0-2 سنوات و57% في الأطفال الذين تتراوح أعمارهم بين 3-5 سنوات. تكون حدة مشكلة ECC أكثر وضوحًا في البلدان ذات الدخل المنخفض والمتوسط، بما في ذلك المناطق في إفريقيا وجنوب آسيا، حيث تؤدي عوامل مثل النمو السكاني، وسوء النظافة الفموية، والقدرة المحدودة على الوصول إلى رعاية الأسنان إلى تفاقم المشكلة. يمكن أن يؤدي عدم علاج ECC إلى مضاعفات خطيرة، بما في ذلك آلام الأسنان، والعدوى، وآثار سلبية طويلة الأمد على الرفاهية البدنية والنفسية.
تؤكد الورقة على أهمية الرعاية الوقائية والتنبؤ المبكر بـ ECC، مع تسليط الضوء على عوامل سريرية وسلوكية وبيولوجية مختلفة تساهم في تقييم مخاطر التسوس. تدمج النماذج الرسمية مثل إدارة التسوس من خلال تقييم المخاطر (CAMBRA) وCariogram هذه العوامل لتقييم ملفات المخاطر الفردية. ومع ذلك، يبقى التنبؤ بـ ECC معقدًا بسبب طبيعته متعددة العوامل، المتأثرة بالعوامل الوراثية والبيئية ونمط الحياة، فضلاً عن تعليم الأم والوصول إلى الرعاية الصحية. تقترح الدراسة استخدام التعلم الآلي (ML) لتحسين تقييم المخاطر وتحسين التنبؤ بـ ECC، لا سيما في البيئات ذات الموارد المحدودة مثل بنغلاديش، حيث تكون نسبة أطباء الأسنان إلى السكان منخفضة. تهدف الدراسة إلى تطوير نموذج تعلم آلي يحدد السلوكيات الصحية الحرجة لأزواج الأمهات والأطفال لتعزيز التنبؤ بمخاطر ECC، مع معالجة العوامل السياقية المحددة ذات الصلة ببنغلاديش.
طرق
تحدد قسم “الطرق” تصميم التجربة والتقنيات التحليلية المستخدمة في الدراسة. استخدم الباحثون مجموعة من الأساليب الكمية والنوعية لجمع البيانات، مما يضمن فهمًا شاملاً للظواهر قيد التحقيق. تضمنت المنهجيات المحددة تجارب محكومة، واستطلاعات، وتحليلات إحصائية، تم اختيارها لمعالجة أسئلة البحث بفعالية.
شملت عملية جمع البيانات عملية أخذ عينات منهجية، مما يضمن أن تكون العينة ممثلة للسكان الأكبر. تضمن الإطار التحليلي أدوات إحصائية متقدمة، مثل تحليل الانحدار واختبار الفرضيات، لتقييم العلاقات بين المتغيرات. تم التحقق من صحة الطرق بدقة لضمان الموثوقية والدقة، مما ساهم في قوة النتائج المقدمة في الدراسة.
نتائج
تكشف نتائج الدراسة عن أنماط ديموغرافية وسلوكية مهمة بين الأمهات وأطفالهن فيما يتعلق بصحة الأسنان. كانت الغالبية العظمى من الأمهات (62.0%) تتراوح أعمارهن بين 25-55 عامًا، مع 21.6% لديهن أكثر من طفلين. ومن الجدير بالذكر أن 57.9% اعتقدن أنه من المقبول إعطاء الحلويات للأطفال يوميًا، و71.0% لم يساعدن أطفالهن أثناء تنظيف الأسنان. من بين الأطفال، كان 26.9% تتراوح أعمارهم بين 12-31 شهرًا، و39.6% بين 32-46 شهرًا، و33.4% تتراوح أعمارهم بين 47-59 شهرًا. ومن المقلق أن 51.8% من الأطفال أظهروا تسوس الأسنان في مرحلة الطفولة المبكرة (ECC)، و65.6% كان لديهم لويحات سنية موجودة.
فيما يتعلق بالنمذجة التنبؤية، تفوق مصنف الغابة العشوائية (RFC) الذي يستخدم الإزالة التكرارية للميزات (RFE) على النماذج الأخرى، محققًا AUC-ROC قدره 0.77 ودقة قدرها 0.72. أظهر RFC مع RFE حساسية قدرها 0.80 ودرجة F1 قدرها 0.73، مما يشير إلى توازن قوي بين الدقة والاسترجاع. تضمنت الميزات الرئيسية التي تؤثر على التنبؤ بـ ECC درجة اللويحات، مستوى تعليم الأم، وتكرار تنظيف الأسنان للطفل، مع كون درجة اللويحات هي المتنبئ الأكثر أهمية. كما أبرز التحليل أن الأطفال الذين لم تساعدهم أمهاتهم أثناء التنظيف كانوا أكثر عرضة لتطوير ECC، مما يبرز أهمية مشاركة الأم في ممارسات النظافة الفموية.
مناقشة
تقدم الدراسة نموذج تعلم آلي (ML) تم تطويره للتنبؤ بمخاطر تسوس الأسنان في مرحلة الطفولة المبكرة (ECC) بين الأطفال الذين تتراوح أعمارهم بين 1 إلى 5 سنوات في ترشال، بنغلاديش، بناءً على تحليل ثانوي للبيانات من 724 زوجًا من الأمهات والأطفال. حدد النموذج عشرة ميزات رئيسية تؤثر على مخاطر ECC، بما في ذلك درجة اللويحات السنية، عمر الطفل، عمر الأم، تعليم الأم، عدد الأشقاء، المساعدة في التنظيف، طرق تنظيف الأسنان، تكرار التنظيف، استهلاك الحلويات، واستخدام معجون الأسنان بالفلورايد. حقق مصنف الغابة العشوائية (RFC) مع الإزالة التكرارية للميزات (RFE) أعلى مقاييس الأداء، محققًا منطقة تحت منحنى ROC (AUC-ROC) قدرها 0.77 ودقة قدرها 0.72، مما يشير إلى فعاليته في تصنيف مخاطر ECC.
تؤكد النتائج على أهمية دمج كل من بيانات الاستطلاع والبيانات السريرية لتكييف النماذج التنبؤية للسكان المحددين، مما يعزز من صلة التدخلات الوقائية في البيئات ذات الموارد المحدودة. بينما يظهر النموذج نتائج واعدة، فإن القيود مثل حجم العينة واحتمالية تسرب المعلومات من خلال ترميز الهدف تتطلب الحذر في تعميم هذه النتائج خارج السكان المدروسين. يجب أن تأخذ الأبحاث المستقبلية في الاعتبار دمج متغيرات إضافية وبيانات طولية لتحسين قدرات النموذج التنبؤية وقابليته للتطبيق عبر مجموعات ديموغرافية متنوعة. بشكل عام، تسلط هذه الدراسة الضوء على إمكانيات التعلم الآلي في رعاية الأسنان العامة لإبلاغ استراتيجيات الوقاية المستهدفة وتحسين نتائج الصحة الفموية للأطفال في بنغلاديش.
DOI: https://doi.org/10.1186/s12903-025-05419-2
PMID: https://pubmed.ncbi.nlm.nih.gov/39780148
Publication Date: 2025-01-08
Author(s): Zhenyun Du et al.
Primary Topic: Dental Health and Care Utilization
Overview
The research aimed to develop a machine learning (ML) model for predicting early childhood caries (ECC) by analyzing key health behaviors among mother-child pairs in Bangladesh. Utilizing a sample of 724 mothers with children under six years, the study employed clinical assessments based on ICDAS II criteria alongside survey data. Feature selection was performed using Recursive Feature Elimination (RFE) and Random Forest (RF) methods, leading to the identification of ten significant predictors: plaque score, child’s age, mother’s education, number of siblings, mother’s age, sweet consumption, tooth cleaning tools, child’s brushing frequency, assistance in brushing, and use of fluoride toothpaste. The final model demonstrated a satisfactory performance with an AUC-ROC score of 0.77, accuracy of 0.72, sensitivity of 0.80, and an F1 score of 0.73.
The findings indicate that the developed ML model effectively predicts ECC in children under five years by integrating critical health behaviors. Notably, dental plaque emerged as the strongest predictor of ECC. The model’s application could facilitate targeted preventive programs in low-resource settings. However, further research is necessary to validate and optimize the model’s accuracy across diverse populations and contexts.
Introduction
The introduction of the research paper addresses the significant public health issue of Early Childhood Caries (ECC), which affects a substantial number of children globally, with a prevalence of 24% in those aged 0-2 years and 57% in 3-5-year-olds. The burden of ECC is particularly pronounced in low- and middle-income countries, including regions in Africa and South Asia, where factors such as population growth, poor oral hygiene, and limited access to dental care exacerbate the problem. Untreated ECC can lead to severe complications, including dental pain, infections, and long-term adverse effects on both physical and psychological well-being.
The paper emphasizes the importance of preventive care and early prediction of ECC, highlighting various clinical, behavioral, and biological factors that contribute to caries risk assessment. Formalized models like Caries Management by Risk Assessment (CAMBRA) and Cariogram integrate these factors to evaluate individual risk profiles. However, predicting ECC remains complex due to its multifactorial nature, influenced by genetic, environmental, and lifestyle factors, as well as maternal education and healthcare access. The study proposes the use of machine learning (ML) to refine risk assessment and improve ECC prediction, particularly in resource-limited settings like Bangladesh, where the dentist-to-population ratio is low. The research aims to develop an ML model that identifies critical health behaviors of mother-child pairs to enhance ECC risk prediction, addressing the specific contextual factors relevant to Bangladesh.
Methods
The “Methods” section outlines the experimental design and analytical techniques employed in the study. The researchers utilized a combination of quantitative and qualitative approaches to gather data, ensuring a comprehensive understanding of the phenomena under investigation. Specific methodologies included controlled experiments, surveys, and statistical analyses, which were selected to address the research questions effectively.
Data collection involved a systematic sampling process, ensuring that the sample was representative of the larger population. The analytical framework incorporated advanced statistical tools, such as regression analysis and hypothesis testing, to evaluate the relationships between variables. The methods were rigorously validated to ensure reliability and accuracy, contributing to the robustness of the findings presented in the study.
Results
The results of the study reveal significant demographic and behavioral patterns among mothers and their children regarding dental health. A majority of mothers (62.0%) were aged between 25-55 years, with 21.6% having more than two children. Notably, 57.9% believed it was acceptable to give sweets to children daily, and 71.0% did not assist their children during tooth brushing. Among the children, 26.9% were aged 12-31 months, 39.6% were between 32-46 months, and 33.4% were aged 47-59 months. Alarmingly, 51.8% of children exhibited early childhood caries (ECC), and 65.6% had dental plaque present.
In terms of predictive modeling, the Random Forest Classifier (RFC) utilizing Recursive Feature Elimination (RFE) outperformed other models, achieving an AUC-ROC of 0.77 and an accuracy of 0.72. The RFC with RFE demonstrated a sensitivity of 0.80 and an F1-score of 0.73, indicating a robust balance between precision and recall. Key features influencing ECC prediction included plaque score, mother’s education level, and child’s tooth brushing frequency, with plaque score being the most significant predictor. The analysis also highlighted that children whose mothers did not assist them during brushing had a higher likelihood of developing ECC, emphasizing the importance of maternal involvement in dental hygiene practices.
Discussion
The study presents a machine learning (ML) model developed to predict early childhood caries (ECC) risk among children aged 1 to 5 years in Trishal, Bangladesh, based on a secondary analysis of data from 724 mother-child dyads. The model identified ten key features influencing ECC risk, including dental plaque score, child’s age, mother’s age, maternal education, number of siblings, assistance with brushing, tooth cleaning methods, brushing frequency, sweets consumption, and use of fluoride toothpaste. The random forest classifier (RFC) combined with recursive feature elimination (RFE) yielded the highest performance metrics, achieving an area under the ROC curve (AUC-ROC) of 0.77 and an accuracy of 0.72, indicating its efficacy in classifying ECC risk.
The findings underscore the importance of integrating both survey and clinical data to tailor predictive models for specific populations, enhancing the relevance of preventive interventions in low-resource settings. While the model demonstrates promising results, limitations such as sample size and potential information leakage through target encoding warrant caution in generalizing these results beyond the studied population. Future research should consider incorporating additional variables and longitudinal data to further refine the model’s predictive capabilities and applicability across diverse demographic groups. Overall, this study highlights the potential of ML in public dental care to inform targeted prevention strategies and improve oral health outcomes for children in Bangladesh.