基于常规血液指标的可解释机器学习模型用于牙周炎严重程度分层及外部验证

Journal of clinical periodontology · 2026-10-28 · 期刊论文

• 一句话结论：作者报告，基于年龄、性别、吸烟状态与13项血液指标的堆叠模型在已确诊牙周炎成人中区分III–IV期与I–II期，外部验证AUC为0.774，判别能力中等但校准欠佳；属回顾性模型研究层面的证据支持，尚不足以支持临床直接使用。
• 研究设计与做法：研究为两中心回顾性研究，开发队列1321例、外部验证队列584例，均来自浙江大学医学院附属两家医院；模型在外部验证前冻结，采用判别度、校准、分类指标与决策曲线评价，SHAP与限制性立方样条分析为探索性。
• 主要结果：主要结果：开发队列袋外AUC 0.827（95% CI 0.802–0.851），外部AUC 0.774（95% CI 0.730–0.818）；外部校准截距0.785、斜率0.822；仅用年龄、性别、吸烟状态外部AUC 0.745，加入13项血液指标后为0.763。
• 机制或解释：作者未对机制作生物学解释，模型可解释性分析（SHAP、限制性立方样条）定位为探索性，用于呈现变量贡献与年龄、性别特异性行为，而非因果机制。
• 局限与边界：局限包括：回顾性两中心设计、仅纳入已确诊牙周炎且预测变量数据足够完整的成人，存在选择偏倚；外部校准欠佳；血液指标带来的判别提升有限；作者明确指出模型不能替代牙周检查，临床使用前需多中心验证与校准。
• 可否落地：对牙周炎分层筛查的科研方向有提示意义，可作为分诊或研究分层工具的雏形；当前证据档位为C，判别中等且校准不理想，不足以下临床落地结论，不应替代牙周探诊等标准检查。

🔗 打开原文

Shi H, Yao J, Jiang Z 等

本文摘自《每日前沿研究简报 · 2026-10-30》「AI 医学影像与临床决策」。本内容仅用于研究信息整理与科普交流，不构成医疗建议。