基于机器学习预测无托槽隐形矫治后下颌中切牙开放性龈外展隙的新型模型构建与验证研究

《Progress in Orthodontics》：A novel machine-learning-based model for prediction of open gingival embrasures between mandibular central incisors after clear aligners treatment: a retrospective cohort study

本研究针对无托槽隐形矫治(CAT)后下颌中切牙间开放性龈外展隙(OGE)预测难题，开发了整合ClinCheck特征与临床风险因素的机器学习预测模型。通过回顾性分析297例Invisalign?矫治病例，采用LASSO回归筛选出年龄、龈乳头角(GPA)、邻面去釉(IPR)、牙冠形态及牙齿移动差异度等6个关键预测因子，构建的联合列线图模型显示优异预测性能(AUC=0.880)。该模型为临床精准预测和预防OGE提供了创新工具，对提升隐形矫治美学效果具有重要意义。

　　

当人们选择无托槽隐形矫治器追求完美笑容时，一个被称为"黑三角"的隐形杀手——开放性龈外展隙(Open Gingival Embrasures, OGE)正悄然潜伏在矫治旅程的终点。这种发生在牙齿邻接点与龈乳头顶端之间的三角形间隙，不仅影响美观，更会导致食物嵌塞、菌斑堆积等一系列口腔健康问题。尤其令人担忧的是，研究发现隐形矫治后OGE的发生率显著高于传统固定矫治，在下颌前牙区更是高达上颌的2.3倍，而在拔牙病例中发生率甚至突破50%大关。

面对如此高发的并发症，临床医生却一直缺乏有效的预测工具。现有的预测方法或依赖于主观经验判断，或受限于影像学测量的复杂性。ClinCheck数字化模拟系统虽然能提供矫治后的牙龈形态预测，但其单独使用时的预测准确性仍有局限，且未能整合患者个体化的临床风险因素。这种预测盲区的存在，使得医生难以在矫治前为患者提供准确的效果预估，也无法针对性制定预防措施。

为解决这一临床难题，南京大学医学院附属口腔医院正畸科的研究团队开展了一项创新性研究，开发了一种融合机器学习技术的预测模型。该研究发表在《Progress in Orthodontics》期刊，通过整合ClinCheck系统的数字化预测信息与临床风险因素，构建了一个能够精准预测下颌中切牙间OGE发生风险的列线图模型。

研究团队采用了多项关键技术方法：通过回顾性队列研究设计，从2015年7月至2022年7月期间在南京大学医学院附属口腔医院接受治疗的病例中筛选出297例符合标准的Invisalign?矫治患者；利用ClinCheck系统测量预测的OGE区域面积(OGE-area)；采用LASSO回归算法从23个临床特征中筛选关键预测因子；通过逻辑回归构建临床模型和联合模型，并使用Bootstrap重采样进行内部验证。

参与者特征

研究共纳入297例患者（134例出现OGE，163例正常），OGE发生率为45.12%。统计分析显示，OGE组与非OGE组在年龄、拔牙模式、邻面去釉(IPR)、龈乳头角(GPA)、牙冠形态以及牙齿旋转和倾斜移动差异度等方面存在显著差异。

OGE预测模型的开发与列线图构建

ClinCheck模型基于虚拟OGE-area建立，显示单独使用ClinCheck预测具有良好效能。通过LASSO回归分析，从23个临床特征中筛选出6个关键预测因子：牙冠形态、IPR、牙齿倾斜度、年龄、牙齿旋转差异度(D-rotation)和GPA。进一步通过后退法逻辑回归，最终确定5个变量构建临床模型。联合模型整合了OGE-area和临床预测因子，结果显示牙冠形态是显著的保护因素，而OGE-area每增加一个单位，OGE发生风险增加4.75倍。年龄每增加一岁，风险增加6%。牙齿旋转差异度也显示与OGE风险正相关。

模型的验证与性能

经过1000次Bootstrap重采样验证，联合列线图的校正C统计量为0.888，显示优秀的内部验证性能。校准曲线显示预测与实际观察结果高度一致，平均绝对误差仅为0.012。联合模型的AUC值达到0.880，显著优于单独的临床模型(AUC=0.815)和ClinCheck模型(AUC=0.860)。决策曲线分析(DCA)显示，在阈值概率超过0.13时，联合模型比临床模型具有更高的净收益，在0.13-0.63范围内优于ClinCheck模型。

研究结论与讨论部分强调，该联合列线图首次成功整合了ClinCheck OGE-area与临床预测因子，为CAT后下颌中切牙间OGE的风险量化提供了可靠工具。研究中发现的几个关键创新点值得关注：GPA作为新型测量指标，首次量化了龈乳头高度与邻牙形态对OGE形成的联合影响；牙冠形态证实与OGE风险显著相关，宽短牙冠相比狭长牙冠具有更低风险；年龄增长确认为独立风险因素，每增加一岁风险提升8%。

特别值得注意的是，研究通过ClinCheck牙齿移动指标间接评估牙列拥挤度，避免了传统测量方法的误差。差异旋转运动(D-rotation)与OGE的关联性提示，牙齿排齐过程中的牙龈纤维拉伸和牙龈厚度减少可能是OGE形成的重要机制。这为临床采取"分阶段排齐"策略预防OGE提供了理论依据。

尽管该研究存在回顾性设计的局限性，且样本来源特定于Invisalign?系统，但其构建的预测模型展现出优秀的临床实用价值。研究人员还开发了用户友好的R-Shiny网络应用程序，便于临床医生直接使用该预测工具。这项研究不仅为隐形矫治的并发症预防提供了创新解决方案，也为正畸领域的数字化预测模型发展树立了新的标杆。