职业风险因素对产业工人牙科疾病的影响：一种机器学习方法

《Global Health Journal》：Effects of occupational risk factors on dental diseases in industrial workers: a machine learning approach

　　

目标：牙科疾病（dental diseases）是一个长期的全球健康问题，然而职业暴露（occupational exposures）在其发展中的作用尚未得到充分探索。研究人员利用包含66,449名产业工人（industrial workers）的大型职业健康数据集，研究了职业危险因素（occupational risk factors）与牙科疾病之间的关系。方法：研究人员对包含66,449名产业工人的数据集进行了一项横断面研究（cross-sectional study），以检查职业危险因素与牙科疾病患病率之间的关联，这些牙科疾病包括残根（residual roots）、缺牙（missing teeth）、龋齿（dental caries）、牙周病（periodontal disease）、牙体硬组织沉积物（deposits on dental hard tissues）以及其他牙科疾病。采用机器学习（machine learning）来评估职业暴露与牙科疾病结局之间的关系。结果：在机器学习分析中，噪声暴露（单独或与粉尘联合）与牙周病的较高预测可能性相关，尽管鉴于该筛查数据集中牙周病的低患病率，应谨慎解读这些估计值。年龄和性别与特定的口腔疾病结局相关。口腔疾病模式也因行业部门而异，龋齿与供电和金属结构制造行业的就业之间存在探索性关联。企业规模与若干口腔健康结局相关。结论：本研究确定了人口学和职业暴露与产业工人中筛查检测出的口腔疾病结局之间的关联。未来研究应在前瞻性研究中验证这些发现，并评估基于工作场所的预防策略，以解决潜在可改变的暴露和口腔保健障碍。

牙科疾病（dental diseases）是全球最普遍的非传染性疾病之一，影响约35亿人，其中龋齿（dental caries）最为常见，严重牙周病（periodontal disease）影响约10%的全球人口并与系统性疾病相关。尽管口腔预防和治疗取得进展，但口腔健康不平等依然存在，尤其在职业危害暴露的工人中。职业暴露（occupational exposures）对全身健康的影响已被广泛研究，但大规模职业人群探索职业危险因素（occupational risk factors）与口腔疾病关联的研究有限，既往研究多关注肌肉骨骼疾患等，较少评估口腔健康结局。为填补此空白，研究人员利用广东省江门市2023—2024年职业健康检查大数据，纳入66,449名产业工人，采用机器学习方法探索职业危险因素与牙科疾病的关系，旨在识别关键预测因子并为干预提供依据。本研究发表于《Global Health Journal》。

研究方法：本研究为横断面设计，数据来自江门市职业健康检查，经排除缺失数据后最终纳入66,449人。口腔疾病由牙科专业人员根据标准化方案诊断，分为无异常、残根（residual roots）、缺牙（missing teeth）、残根和缺牙、龋齿、牙周病、牙体硬组织沉积物（deposits on dental hard tissues）及其他牙科疾病。职业暴露根据工作场所因素分类。输入机器学习的变量包括性别、年龄、职业类型、行业类型、企业规模、经济类型和职业危害因素。采用Bootstrap Forest、Decision Tree、Neural Boosted和Naive Bayes等机器学习模型，以Bootstrap Forest为最优模型（基于R²和根平均平方误差RASE等指标）。使用合成少数类过采样技术与编辑最近邻（SMOTE-ENN）方法处理类别不平衡，评估指标包括受试者工作特征曲线下面积（AUC）、准确率等。统计分析和建模使用JMP（18.2）和SPSS（30.0）。

研究结果：
3.1 人口学特征：研究人群以男性为主（79.1%），平均年龄（38.76±10.03）岁，20~<40岁组占52.1%，43.2%受雇于中型企业，操作工占18.2%，噪声或噪声联合其他危害暴露最常见（55.06%）。通过描述性统计分析得出。
3.2 基于结果的机器学习模型：在所有模型中，Bootstrap Forest模型在训练（熵R²=0.176，RASE=0.559）和验证（熵R²=0.149，RASE=0.561）数据集中表现最佳，误分类率0.305，被选为最优模型。通过比较各模型性能指标得出。
3.3 机器学习模型性能：经SMOTE-ENN处理后，Bootstrap Forest模型在验证数据集中AUC为0.720，准确率69.5%，显示出可接受的判别能力。各口腔疾病类别的ROC值分别为：残根0.683，缺牙0.688，残根和缺牙0.722，龋齿0.781，牙周病0.805，牙体硬组织沉积物0.765，其他牙科疾病0.632。通过模型评估得出。
3.4 职业危害危险因素与牙科疾病的关联：Bootstrap Forest模型估计显示，噪声暴露（单独：估计值=0.514，P=0.002）及噪声与粉尘联合暴露（估计值=0.463，P=0.005）与牙周病较高预测可能性相关。高处电工作业（单独及联合其他危害）与残根、缺牙、残根和缺牙及其他牙科疾病较高预测可能性相关；X射线暴露与残根较高预测可能性相关。行业方面，供电行业与牙周病（估计值=0.764，P=0.048）、龋齿（估计值=0.444，P=0.035）及其他牙科疾病较高预测可能性相关；金属结构制造业与缺牙（估计值=0.977，P<0.001）、牙体沉积物（估计值=0.799，P<0.001）、龋齿（估计值=0.880，P<0.001）及其他牙科疾病较高预测可能性相关；电子电路制造业与牙周病（估计值=0.751，P=0.004）较高预测可能性相关；一般医院行业与残根、残根和缺牙及其他牙科疾病较高预测可能性相关；核发电行业在所有疾病类别中均呈现较低预测可能性。企业规模较大与残根、缺牙、龋齿、牙体沉积物及其他牙科疾病较高预测可能性相关。性别方面，男性在残根、缺牙、龋齿和牙周病方面预测可能性较低，而在牙体沉积物和其他牙科疾病方面预测可能性较高。年龄的关联因结局类别而异。这些关联通过机器学习模型估计得出，属探索性分析，不能推断因果。

讨论部分总结：研究人员指出，本研究发现职业暴露与牙科疾病存在关联，噪声与牙周病的关联可能与压力导致的生理和行为改变有关；不同行业的差异可能与工作条件影响唾液功能等有关。企业规模、性别和年龄的关联需谨慎解读，可能受健康寻求行为、角色分化或工人健康效应等未测量因素影响。Bootstrap Forest模型表现可接受，但属探索性预测建模，不能确立因果关系。研究局限性包括缺乏吸烟、饮酒、口腔卫生行为及糖尿病等关键变量，部分数据缺失和类别不平衡可能影响估计精度，部分估计值（尤其龋齿的暴露类别）标准误较大。未来需前瞻性设计验证发现并评估工作场所预防策略。结论：机器学习技术，特别是Bootstrap Forest模型的应用，展示了可接受的预测性能，并强调了在大型产业工人群体中职业暴露、人口学因素与牙科疾病之间的复杂关系。当纳入多个人口学和职业变量时，机器学习分析表明了牙科疾病结局与职业暴露、企业规模和行业部门之间的关联。工作场所单独噪声暴露或噪声与粉尘联合暴露与牙周病的较高预测可能性相关，而供电和金属结构制造行业的工人表现出较高的龋齿预测可能性。这些发现突出了员工口腔疾病中的职业模式，并强调了职业口腔健康研究和主动的工作场所口腔健康预防计划的重要性，以解决未被充分认识的口腔健康风险并减轻职业性牙科疾病的负担。