唾液生物标志物与口腔健康行为在儿童早期龋病中的联合作用及机器学习预测模型研究

为解决儿童早期龋病（ECC）多因素致病机制不明的问题，研究人员通过病例对照研究，分析唾液抗菌肽β-防御素-2（BD-2）和富酪蛋白（STATH）水平与口腔健康行为、人口统计学因素的关联。结果显示BD-2在ECC患儿中显著升高（9.25±2.89 vs 6.41±2.45 ng/mL，p=0.003），结合机器学习模型（AUC达1.000）为ECC早期筛查提供新策略。

　　

儿童早期龋病（ECC）是全球范围内困扰幼儿健康的重大公共卫生问题，在发展中国家患病率可高达82%。这种疾病不仅导致牙齿疼痛、咀嚼困难等直接危害，还与儿童生长发育迟缓、学习能力下降密切相关。尽管已知ECC是生物、行为和社会因素共同作用的结果，但如何通过非侵入性手段实现早期风险预测仍是临床难题。

针对这一挑战，来自德黑兰医科大学的研究团队开展了一项创新性研究，通过分析唾液中的关键抗菌蛋白与健康行为数据，结合人工智能技术构建预测模型。研究聚焦两种具有双重功能的唾液蛋白：β-防御素-2（BD-2，一种具有广谱抗菌活性的先天免疫肽）和富酪蛋白（STATH，一种调控牙釉质矿化的酸性肽）。这两种分子分别代表宿主防御系统的不同层面——BD-2直接对抗致龋菌（如变形链球菌），而STATH通过抑制羟基磷灰石晶体异常沉积维护口腔微环境平衡。

研究采用病例对照设计，纳入150名48-71月龄儿童（75例ECC患者与75名健康对照）。通过无刺激唾液采集结合酶联免疫吸附试验（ELISA）定量BD-2和STATH水平，同时收集口腔卫生习惯、父母教育程度等社会行为学数据。为突破传统统计方法的局限，团队创新性地引入8种机器学习算法（包括梯度提升树和神经网络），构建多参数预测模型。

关键技术方法包括：1）严格匹配的病例对照设计（年龄、性别1:1匹配）；2）标准化唾液采集与ELISA检测（使用德国ZellBio试剂盒）；3）WHO标准的龋病评估（DMFT指数）；4）机器学习模型开发（80%训练集/20%测试集划分，k折交叉验证）。

研究结果揭示：

1. 生物标志物差异：ECC组唾液BD-2水平显著高于对照组（9.25±2.89 vs 6.41±2.45 ng/mL，p=0.003），ROC曲线显示其诊断敏感性达76%。STATH虽在ECC组呈降低趋势（206.32±64.21 vs 222.31±44.47 ng/mL），但差异未达显著性（p=0.08）。

2. 行为因素关联：相关性分析显示，定期牙科检查与ECC呈强负相关（r=-0.66）。母亲教育程度较低（ISCED 4级以下）的儿童ECC风险增加3.2倍（p=0.005），而每日刷牙≥2次可降低47%患病风险。

3. 机器学习预测：梯度提升树（Gradient Boosting）和CatBoost模型表现最优（AUC=1.000，准确率96.4%），关键预测因子依次为BD-2水平、就诊频率和父母教育程度。与传统逻辑回归相比，机器学习模型的敏感性提升29%。

这项研究首次系统论证了BD-2作为ECC诊断标志物的临床价值，并开创性地建立多维度预测体系。其重要意义体现在三方面：1）为资源匮乏地区提供低成本筛查方案（仅需唾液检测）；2）揭示父母教育干预可作为ECC防控新靶点；3）验证人工智能在口腔流行病学中的应用潜力。

研究同时指出，STATH作为独立预测因子效果有限，可能与ECC复杂的矿化-脱矿平衡机制有关。未来研究可扩大样本量并纳入更多唾液蛋白组学指标。该成果为制定个性化防龋策略提供了重要理论依据，特别是对母乳喂养率高、口腔保健意识薄弱的发展中地区具有特殊参考价值。论文发表于《BMC Oral Health》，为跨学科整合生物标志物与公共卫生研究提供了典范。