机器学习模型预测再生性牙髓治疗预后的临床价值研究

编辑推荐：本研究针对再生性牙髓治疗(REPs)预后评估缺乏量化工具的临床难题，福建医科大学团队首次应用随机森林(RF)等5种机器学习(ML)模型，基于198例患者268颗牙齿的临床数据，发现RF和梯度提升机(GBM)模型在1年/2年随访期预测中表现最优（AUC达0.94/0.86），并确定创伤类型、根尖周病变大小等关键预测因子，为临床决策提供智能化支持。

　　

在当代牙髓病学领域，再生性牙髓治疗(REPs)作为替代传统根尖诱导成形术的革命性疗法，为年轻恒牙坏死病例带来了保存活力和促进牙根发育的新希望。尽管文献报道其成功率高达78-100%，但临床实践中仍面临诸多挑战：创伤类型、根尖周病变范围等复杂因素导致预后差异显著，而传统统计方法难以处理这些非线性关联。更棘手的是，目前缺乏客观的预后评估工具，临床决策往往依赖医生经验，可能造成治疗失败或错失再生机会。针对这一临床痛点，福建医科大学口腔医学院团队在《BMC Oral Health》发表了一项开创性研究，首次将机器学习(ML)技术引入REPs预后预测领域。

研究团队采用多中心回顾性队列设计，纳入2014-2022年间198例患者（268颗牙齿）的完整临床资料。通过五折分层交叉验证，对比了随机森林(RF)、梯度提升机(GBM)、极限梯度提升(XGB)、逻辑回归(logR)和支持向量机(SVM)五种算法的预测效能。特征工程阶段采用Pearson相关系数筛选变量，并通过基尼指数进行特征重要性排序。模型性能以AUC、准确率等7项指标综合评价。

研究结果部分，特征分析显示创伤类型与牙齿类型的强相关性(r=0.54)，而根发育阶段与根尖直径高度关联(r=0.87)。经特征筛选后，最终纳入年龄、性别、病因等13个核心变量。在1年随访数据中，RF模型展现出全面优势：准确率0.91（NIR 0.83）、AUC 0.94，特异性达0.81，显著优于SVM模型（特异性仅0.38）。2年随访时，RF和GBM保持领先（AUC 0.86 vs 0.85），但所有模型特异性普遍下降，反映长期预测更具挑战性。

特征重要性分析揭示了关键预后因子：创伤类型（尤其干燥时间>60分钟的牙脱位）、根尖周病变大小（与术前PAI指数相关r=0.62）和根发育阶段（影响血运重建）位列前三。值得注意的是，治疗相关因素如支架类型（PRP/PRF）和抗生素糊剂(TAP)重要性较低，提示生物因素可能比技术细节更具预后价值。

讨论部分指出，这是首个将ML应用于REPs预后的研究，其创新性体现在三方面：一是首次量化了不同因素对预后的贡献度，如发现牙脱位病例预后最差（成功率仅33.3%）；二是开发了可动态更新的预测工具，相比传统回归分析更具临床适用性；三是建立了跨时间维度的预测模型，1年预测精度更高可能反映早期感染控制的关键作用。局限性包括样本不平衡（成功率83%）和回顾性设计，未来需通过前瞻性多中心研究优化模型。

该研究的临床转化价值显著：RF模型的高特异性（0.81）可有效避免对高风险病例实施不恰当的REPs，而其对年轻恒牙（根尖直径<1mm）的良好预测能力，有助于保留珍贵的牙根发育潜能。随着数字化牙科发展，这项成果为构建智能诊疗系统奠定了基础，或将改写AAE（美国牙髓病学会）关于REPs适应证的临床指南。