基于可解释机器学习的重金属暴露与牙周炎关联研究：NHANES 2009–2014数据挖掘与临床转化

来自美国国家健康与营养调查（NHANES）的研究团队开发了一套机器学习（ML）风险分层框架，通过分析2559名≥30岁成人的12种尿液/血液重金属数据及人口学特征，首次证实钼（Mo）、镉（Cd）、铅（Pb）暴露与牙周炎进展显著相关。神经网络模型（AUC=0.748）结合SHAP解释技术，为口腔公共卫生精准预防提供新工具。

　　

这项开创性研究构建了七种机器学习算法（包括决策树、随机森林、XGBoost等）的预测模型，通过分析美国国家健康与营养调查（NHANES）2009-2014周期2559名30岁以上成年人的多维度数据，揭示了重金属暴露与牙周炎的神秘联系。神经网络模型以0.748的曲线下面积（AUC）脱颖而出，其临床价值通过校准曲线和决策曲线分析（DCA）得到双重验证。

令人瞩目的是，SHapley加性解释（SHAP）技术像"化学侦探"般精准锁定三大罪魁祸首：尿液钼（urinary molybdenum）、尿液镉（urinary cadmium）和血铅（blood lead）。这些重金属"坏分子"与高龄、男性、低学历等人口因素协同作用，如同"多米诺骨牌"般推动牙周炎发展。该研究不仅证实了环境毒理学假说，更打造出可临床应用的智能决策工具——就像为牙医配备了"重金属雷达"，能提前预警高风险人群，实现从"千人一策"到"量体裁衣"的预防模式升级。