Шефов Владимир Юрьевич, кандидат медицинских наук, ассистент кафедры стоматологии терапевтической и пародонтологии
197000, ул. Льва Толстого, д. 6-8, г. Санкт-Петербург
Vladimir Yu. Shefov, DMD, PhD, Assistant Professor, Department of the Restorative Dentistry and Periodontology
6-8 Lvovskaya Str., Saint Petersburg, 197000
Орехова Людмила Юрьевна, доктор медицинских наук, профессор, заведующая кафедрой стоматологии терапевтической и пародонтологии
Санкт-Петербург
Liudmila Yu. Orekhova, DMD, PhD, DSc, Professor, Head of the Department of Restorative Dentistry and Periodontology
Saint Petersburg
Лобода Екатерина Сергеевна, кандидат медицинских наук, доцент кафедры стоматологии терапевтической и пародонтологии
Санкт-Петербург
Ekaterina S. Loboda, DMD, PhD, Associate Professor, Department of the Restorative Dentistry and Periodontology
Saint Petersburg
Шефова Анастасия Владимировна, аспирант кафедры стоматологии детского возраста и ортодонтии
Санкт-Петербург
Anastasia V. Shefova, DMD, PhD Student, Department of the Pediatric Dentistry and Orthodontics
Saint Petersburg
Актуальность. Индекс КПУ остается основным инструментом эпидемиологической оценки активности кариозного поражения, однако, являясь суммарным показателем, он не учитывает пространственную структуру поражения зубного ряда – локализацию кариеса, характер поражения, симметрию и сложные комбинаторные паттерны. Между тем связь стоматологического и соматического здоровья подтверждена многочисленными метаанализами на когортах в десятки тысяч человек. До настоящего времени практически отсутствуют исследования, применяющие детализированные стоматологические признаки (на уровне отдельных зубов и их групп) для выявления связей с соматическим здоровьем, а стандартные статистические методы, оперирующие попарными линейными ассоциациями, могут оказаться неспособными обнаружить нелинейные и контекстно-зависимые закономерности. Цель: систематическая оценка способности стандартных статистических методов выявлять клинически значимые связи между детализированными стоматологическими признаками показателями соматического здоровья по сравнению с большими языковыми моделями (LLM).
Материалы и методы. Разработана оригинальная цифровая медицинская анкета рукописного кода (133 поля, 9 модулей), развернутая на платформе Amvera Cloud (Яндекс). Обследованы 127 последовательных пациентов на базе ООО «Компания Видент» (Санкт-Петербург). На основании зубной формулы (32 зуба × 4 статуса) и анамнеза получен 121 производный признак в 11 категориях. Выполнено более 2420 попарных тестов с коррекцией Бонферрони и Бенжамин-Хохберг FDR (q = 0,05). Обезличенные данные загружены в большую языковую модель для поиска нелинейных паттернов.
Результаты. Критерий Манна – Уитни (1815 тестов) и точечно-бисериальная корреляция не дали ни одной значимой ассоциации. Логистическая регрессия с 12 стоматологическими признаками показала AUC = 0,43–0,61; добавление стоматологических признаков к возрасту не улучшило предсказательную способность модели (ΔAUC = −0,15…+0,02). Из 25 целенаправленных клинических гипотез подтверждены лишь 2 (8%, что сопоставимо с уровнем ложноположительных). Большая языковая модель на тех же данных выявила 4 нелинейных паттерна: пороговый эффект курения (ρpart = 0,228, p = 0,010 при отсутствии линейной связи p = 0,653), контекстную ассоциацию асимметрии удаленных зубов с ССЗ и приемом антикоагулянтов, нелинейный порог коморбидности при соотношении У/П > 1,0 и клинически интерпретируемые кластеры.
Заключение. Проведенное исследование показало, что стандартные линейные статистические методы не способны выявить клинически значимые связи между конкретными стоматологическими паттернами и показателями соматического здоровья. Полученные результаты обосновывают необходимость разработки специализированных нейросетевых моделей, способных обрабатывать зубную формулу как пространственную структуру и обнаруживать многофакторные нелинейные закономерности.
Relevance. The DMFT index remains the principal epidemiological measure of caries experience. However, as a summary measure, it does not capture the spatial distribution of lesions within the dentition, including their location, symmetry, or complex patterns across individual teeth and tooth groups. Although numerous meta-analyses based on large cohorts have demonstrated links between oral and systemic health, few studies have used detailed dental variables derived from individual teeth and tooth groups to identify such associations. Conventional statistical methods based on pairwise linear associations may therefore be insufficient to detect nonlinear and contextdependent patterns. Objective: To systematically evaluate the ability of conventional statistical methods to detect clinically meaningful associations between detailed dental variables and systemic health indicators, in comparison with large language models (LLMs).
Materials and methods. An original digital medical questionnaire was developed, comprising 133 fields across 9 modules, and implemented on the Amvera Cloud (Yandex) platform. A total of 127 consecutive patients were examined at Vident Company LLC (St. Petersburg). Based on the dental chart (32 teeth × 4 statuses) and medical history data, 121 derived variables were generated across 11 categories. More than 2,420 pairwise tests were performed using Bonferroni correction and Benjamini-Hochberg false discovery rate control (q = 0.05). De-identified data were then uploaded to a large language model to explore nonlinear patterns.
Results. Neither the Mann-Whitney U test (1,815 tests) nor point-biserial correlation identified any significant associations. Logistic regression based on 12 dental variables yielded an AUC of 0.43-0.61. Adding dental variables to age did not improve predictive performance (ΔAUC = -0.15 to +0.02). Of 25 prespecified clinical hypotheses, only 2 were confirmed (8%), a proportion comparable to the expected false-positive rate. In contrast, the large language model identified four nonlinear patterns in the same dataset: a threshold effect of smoking (ρpart = 0.228, p = 0.010, despite the absence of a significant linear association, p = 0.653), a context-dependent association between asymmetry in missing teeth, cardiovascular disease, and anticoagulant use, a nonlinear comorbidity threshold at an M/F ratio > 1.0, and clinically interpretable clusters.
Conclusion. Conventional linear statistical methods appear insufficient for detecting clinically meaningful associations between specific dental patterns and systemic health indicators. These findings support the development of specialized neural network models capable of processing the dental chart as a spatial structure and identifying multifactorial nonlinear patterns.
The authors declare that there are no conflicts of interest present.