基于口腔微生物组构建儿童龋病风险预测模型：一项巢式病例对照研究

为解决儿童龋病（ECC）风险预测模型整合社会人口学、口腔健康行为及口腔微生物组数据不足的问题，上海交通大学医学院附属第九人民医院团队开展了一项巢式病例对照研究。通过高通量16S rRNA基因测序技术分析口腔微生物多样性，结合随机森林算法构建预测模型，发现居住地、母亲口腔卫生维护行为及特定微生物（如Selenomonas sp.）是ECC进展的关键风险因素，模型曲线下面积（AUC）达95%。该研究为儿童龋病早期干预提供了精准化工具。

　　

儿童龋病（Early Childhood Caries, ECC）是全球第五大高发疾病，影响约5.73亿学龄前儿童。若不及时治疗，ECC会导致疼痛、咀嚼功能障碍甚至恒牙发育异常。尽管已知ECC与糖分摄入、牙菌斑微生物失衡密切相关，但现有预测模型（如Cariogram）仅依赖变形链球菌（Streptococcus mutans）检测，未能全面反映口腔微生物组的复杂生态。更棘手的是，低丰度微生物如放线菌（Actinomycetes）可能具有关键致病活性，但传统方法难以捕捉其动态。如何整合多维度数据构建精准预测模型，成为临床预防的迫切需求。

上海交通大学医学院附属第九人民医院口腔预防科团队在《BMC Oral Health》发表研究，通过巢式病例对照设计跟踪36-48月龄儿童，结合高通量测序与机器学习，首次构建了整合社会人口学、行为学及微生物组特征的ECC风险预测模型。研究纳入148名儿童，按龋病进展状态分为持续无龋（H2H）、新发龋（H2C）和持续龋（C2C）三组，采集龈上菌斑进行16S rRNA全长测序，并采用随机森林算法筛选关键预测因子。

主要技术方法
研究依托前瞻性队列，对三所幼儿园儿童进行为期1年随访。通过国际龋病检测评估系统（ICDAS）记录龋损状态，采集基线期龈上菌斑样本。采用PacBio Sequel II平台进行全长16S rRNA基因测序，使用QIIME2和LEfSe分析微生物组差异。随机森林模型整合问卷数据（居住地、刷牙频率等）和差异微生物标记物，通过五折交叉验证优化参数。

研究结果

微生物多样性差异显著
α多样性分析显示，H2H组Simpson指数（0.014）和Shannon指数（0.007）显著高于H2C组，表明健康儿童口腔微生物多样性更丰富。β多样性分析中，H2H组与H2C/C2组菌群结构差异显著（PCA分析），且H2C组微生物组成更接近C2C组，提示龋病进展伴随菌群生态失衡。

关键微生物标记物
LEfSe分析鉴定出28种差异微生物：健康组富集Neisseria mucosa等共生菌，而H2C组以Capnocytophaga granulosa和Fusobacterium nucleatum等致病菌为主。随机森林模型筛选出3个核心微生物标记——Selenomonas sp. oral taxon 137（乳酸代谢菌）、Porphyromonas sp. oral taxon 278 str. W7784（牙周相关菌）和未分类人口腔细菌C730。

多维度预测模型效能卓越
最终模型整合4项行为因素（居住地、母亲参与口腔清洁、每日刷牙≥2次、使用牙线）和3种微生物标记，训练集AUC达95%（95% CI: 86.5-100%），测试集AUC为89.06%。单因素分析显示，居住地（非上海户籍）预测力最强（AUC=85%），Selenomonas sp. oral taxon 137的微生物标记贡献度最高（MDA=77.5%）。

结论与意义
该研究首次证实持续无龋儿童具有独特的口腔微生物组特征，其多样性显著高于龋病进展组。创新性地将社会行为因素（如母亲参与护理）与微生物标记结合，构建的预测模型精度超越传统方法。临床实践中，该模型可识别高风险儿童，针对性地强化口腔卫生指导（如督促非沪籍家庭增加刷牙频率），并对特定微生物（如Selenomonas sp.）开展靶向干预。未来需扩大样本验证模型普适性，并探索C730菌的功能机制。这一成果为ECC的精准预防提供了微生物组学层面的新策略。