Ограниченность линейных статистических методов в анализе взаимосвязей стоматологического статуса и соматического здоровья пациента

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.

1. Thurzo A, Urbanová W, Novák B, Czako L, Siebert T, Stano P, et al. Where Is the Artificial Intelligence Applied in Dentistry? Systematic Review and Literature Analysis. Healthcare. 2022;10(7):1269. http://dx.doi.org/10.3390/healthcare10071269

2. Schwendicke F, Samek W, Krois J. Artificial Intelligence in Dentistry: Chances and Challenges. J Dent Res. 2020;99(7):769-774. http://dx.doi.org/10.1177/0022034520915714

3. Khanagar SB, Al-Ehaideb A, Maganur PC, Vishwanathaiah S, Patil S, Baeshen HA, et al. Developments, application, and performance of artificial intelligence in dentistry – A systematic review. J Dent Sci. 2021;16(1):508-522. http://dx.doi.org/10.1016/j.jds.2020.06.019

4. Ahmed N, Abbasi MS, Zuberi F, Qamar W, Halim MSB, Maqsood A, et al. Artificial Intelligence Techniques: Analysis, Application, and Outcome in Dentistry – A Systematic Review. Biomed Res Int. 2021;1:9751564. http://dx.doi.org/10.1155/2021/9751564

5. Lee JH, Kim DH, Jeong SN, Choi SH. Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. J Dent. 2018;77:106-111. http://dx.doi.org/10.1016/j.jdent.2018.07.015

6. Mohammad-Rahimi H, Motamedian SR, Rohban MH, Krois J, Uribe SE, Mahmoudinia E, et al. Deep learning for caries detection: A systematic review. J Dent. 2022;122:104115. http://dx.doi.org/10.1016/j.jdent.2022.104115

7. Mertens S, Krois J, Cantu AG, Arsiwala LT, Schwendicke F. Artificial intelligence for caries detection: Randomized trial. J Dent. 2021;115:103849. http://dx.doi.org/10.1016/j.jdent.2021.103849

8. Lian L, Zhu T, Zhu F, Zhu H. Deep Learning for Caries Detection and Classification. Diagnostics. 2021;11(9):1672. http://dx.doi.org/10.3390/diagnostics11091672

9. Reyes LT, Knorst JK, Ortiz FR, Ardenghi TM. Machine Learning in the Diagnosis and Prognostic Prediction of Dental Caries: A Systematic Review. Caries Res. 2022;56(3):161-170. http://dx.doi.org/10.1159/000524167

10. Revilla-León M, Gómez-Polo M, Barmak AB, Inam W, Kan JYK, Kois JC, et al. Artificial intelligence models for diagnosing gingivitis and periodontal disease: A systematic review. J Prosthet Dent. 2023;130(6):816-824. http://dx.doi.org/10.1016/j.prosdent.2022.01.026

11. Patel JS, Su C, Tellez M, Albandar JM, Rao R, Iyer V, et al. Developing and testing a prediction model for periodontal disease using machine learning and big electronic dental record data. Front Artif Intell. 2022;5:979525. http://dx.doi.org/10.3389/frai.2022.979525

12. Pang L, Wang K, Tao Y, Zhi Q, Zhang J, Lin H. A New Model for Caries Risk Prediction in Teenagers Using a Machine Learning Algorithm Based on Environmental and Genetic Factors. Front Genet. 2021;12:636867. http://dx.doi.org/10.3389/fgene.2021.636867

13. Qu X, Zhang C, Houser SH, Zhang J, Zou J, Zhang W, et al. Prediction model for early childhood caries risk based on behavioral determinants using a machine learning algorithm. Comput Methods Programs Biomed. 2022;227:107221. http://dx.doi.org/10.1016/j.cmpb.2022.107221

14. Hung M, Voss MW, Rosales MN, Li W, Su W, Xu J, et al. Application of machine learning for diagnostic prediction of root caries. Gerodontology. 2019;36(4):395-404. http://dx.doi.org/10.1111/ger.12432

15. Huang H, Zheng O, Wang D, Yin J, Wang Z, Ding S, et al. ChatGPT for shaping the future of dentistry: the potential of multi-modal large language model. Int J Oral Sci. 2023;15(1):29. http://dx.doi.org/10.1038/s41368-023-00239-y

16. Giannakopoulos K, Kavadella A, Aaqel Salim A, Stamatopoulos V, Kaklamanos EG. Evaluation of the Performance of Generative AI Large Language Models ChatGPT, Google Bard, and Microsoft Bing Chat in Supporting Evidence-Based Dentistry: Comparative Mixed Methods Study. J Med Internet Res. 2023;25:e51580. http://dx.doi.org/10.2196/51580

17. Liu M, Okuhara T, Huang W, Ogihara A, Nagao HS, Okada H, et al. Large Language Models in Dental Licensing Examinations: Systematic Review and Meta-Analysis. Int Dent J. 2025;75(1):213-222. http://dx.doi.org/10.1016/j.identj.2024.10.014

18. Umer F, Batool I, Naved N. Innovation and application of Large Language Models (LLMs) in dentistry – a scoping review. BDJ Open. 2024;10(1):90. http://dx.doi.org/10.1038/s41405-024-00277-6

19. Ahmed Z, Degroat W, Abdelhalim H, Zeeshan S, Fine D. Deciphering genomic signatures associating human dental oral craniofacial diseases with cardiovascular diseases using machine learning approaches. Clin Oral Investig. 2024;28(1):52. http://dx.doi.org/10.1007/s00784-023-05406-3

20. Pietropaoli D, Monaco A, D'Aiuto F, Muñoz Aguilera E, Ortu E, Giannoni M, et al. Active gingival inflammation is linked to hypertension. J Hypertens. 2020;38(10):2018-2027. http://dx.doi.org/10.1097/HJH.0000000000002514

21. Ben-Assuli O, Bar O, Geva G, Siri S, Tzur D, Almoznino G. Body Mass Index and Caries: Machine Learning and Statistical Analytics of the Dental, Oral, Medical Epidemiological (DOME) Nationwide Big Data Study. Metabolites. 2022;13(1):37. http://dx.doi.org/10.3390/metabo13010037

22. Yadalam PK, Arumuganainar D, Ronsivalle V, Di Blasio M, Badnjevic A, Marrapodi MM, et al. Prediction of interactomic hub genes in PBMC cells in type 2 diabetes mellitus, dyslipidemia, and periodontitis. BMC Oral Health. 2024;24(1):385. http://dx.doi.org/10.1186/s12903-024-04041-y

23. Broadbent JM, Thomson WM. For debate: problems with the DMF index pertinent to dental caries data analysis. Community Dent Oral Epidemiol. 2005;33(6):400-409. http://dx.doi.org/10.1111/j.1600-0528.2005.00259.x

24. Nguyen TM, Rogers H, Taylor GD, Tonmukayakul U, Lin C, Hall M, et al. Fit for Purpose? The Suitability of Oral Health Outcome Measures to Inform Policy. JDR Clin Trans Res. 2024;9(2):190-192. http://dx.doi.org/10.1177/23800844231189997

25. Campus G, Cocco F, Ottolenghi L, Cagetti MG. Comparison of ICDAS, CAST, Nyvad's Criteria, and WHODMFT for Caries Detection in a Sample of Italian Schoolchildren. Int J Environ Res Public Health. 2019;16(21):4120. http://dx.doi.org/10.3390/ijerph16214120

26. Лосев ФФ, Сорокина АА, Салахов АК, Докин СП. Использование искусственного интеллекта в современной стоматологии в Российской Федерации. Стоматология. 2024;103(5):42-45. http://dx.doi.org/10.17116/stomat202410305142

27. Ойсиева КШ, Розов РА. Искусственный интеллект в стоматологии как веление времени. Стоматология. 2025;104(1):87-92. http://dx.doi.org/10.17116/stomat202510401187

28. Колсанов АВ, Попов НВ, Аюпова ИО, Цицашвили АМ, Гайдель АВ, Добратулин КС. Цефалометрический анализ рентгенологических снимков боковой проекции черепа с помощью компонентов мягких вычислений в поиске ключевых точек. Стоматология. 2021;100(4):63-67. http://dx.doi.org/10.17116/stomat202110004163

29. Мураев АА, Гусейнов НА, Цай ПА, Кибардин ИА, Буренчев ДВ, Иванов СС, и др. Искусственные нейронные сети в лучевой диагностике, в стоматологии и в челюстно-лицевой хирургии (обзор литературы). Клиническая стоматология. 2020;3(95):72-80. http://dx.doi.org/10.37988/1811-153X_2020_3_72

30. Мокренко МЕ, Гусейнов НА, Аль Xаффар Ж., Тутуров НС, Саркисян МС. Обзор рентгенодиагностических on-line сервисов, основанных на искусственных нейронных сетях в стоматологии. Медицинская визуализация. 2022;26(3):114-122. http://dx.doi.org/10.24835/1607-0763-1103

31. Turosz N, Chęcińska K, Chęciński M, Brzozowska A, Nowak Z, Sikora M. Applications of artificial intelligence in the analysis of dental panoramic radiographs: an overview of systematic reviews. Dentomaxillofac Radiol. 2023;52(7):20230284. http://dx.doi.org/10.1259/dmfr.20230284

32. Ряховский АН, Ряховский СА. Сравнительная оценка точности 3D-анализа элементов височнонижнечелюстного сустава, выполненного различными способами обработки компьютерных томограмм. Стоматология. 2024;103(2):56-60. http://dx.doi.org/10.17116/stomat202410302156

33. Revilla-León M, Gómez-Polo M, Vyas S, Barmak AB, Özcan M, Att W, et al. Artificial intelligence applications in restorative dentistry: A systematic review. J Prosthet Dent. 2022;128(5):867-875. http://dx.doi.org/10.1016/j.prosdent.2021.02.010

34. Chandrashekar G, AlQarni S, Bumann EE, Lee Y. Collaborative deep learning model for tooth segmentation and identification using panoramic radiographs. Comput Biol Med. 2022;148:105829. http://dx.doi.org/10.1016/j.compbiomed.2022.105829

35. Elmakaty I, Elmarasi M, Amarah A, Abdo R, Malki MI. Accuracy of artificial intelligence-assisted detection of oral squamous cell carcinoma: A systematic review and meta-analysis. Crit Rev Oncol Hematol. 2022;178:103777. http://dx.doi.org/10.1016/j.critrevonc.2022.103777