综述：人工智能在预防口腔医学中的作用与影响：一项范围综述

《International Dental Journal》：The Role and Impact of Artificial Intelligence in Preventive Dentistry: A Scoping Review

　　

摘要
目的：本范围综述旨在识别当前人工智能（AI）在预防口腔医学中用于一级疾病预防的应用，并综合关于其对口腔疾病预防影响的证据。
方法：在PubMed、Scopus、Embase和Web of Science中执行了全面的检索策略，纳入2026年1月1日之前发表的研究。纳入标准为采用AI进行口腔疾病预防的原创研究，包括风险预测、风险因素识别、口腔卫生自我监测或口腔健康教育。排除仅关注疾病诊断、非口腔疾病或非临床预防的研究。提取并图表化有关研究特征的数据，包括AI方法、数据来源、临床应用和关键结局。
结果：43篇纳入研究报告了AI在以下领域预防口腔医学中的应用：龋齿风险预测（23/43）和牙周病风险预测（6/43）、通过自动菌斑检测（7/43）、刷牙分析（2/43）和咬合力监测（1/43）进行口腔健康自我监测，以及通过聊天机器人或AI引导视频进行患者教育（4/43）。AI模型主要使用结构化数据（电子健康记录、问卷）、图像数据（照片、放射片）或分子数据（唾液、基因样本）进行训练。研究设计主要为横断面研究和队列研究用于模型开发，样本量从单个参与者到超过43,000人不等。在这些应用中，AI工具在风险分层方面显示出与人类专家相当的准确性，实现了个性化预防策略，并增强了患者参与度。主要挑战包括技术障碍，如缺乏标准化、可互操作的数据集；实际障碍，如高成本和缺乏专业培训；有关数据隐私的伦理问题；以及将AI驱动的知识转化为患者持续行为改变的根本性困难。
结论：AI通过提供强大的工具用于客观风险分层、个性化教育和患者自我监测，已在预防口腔医学中确立了多样且有效的作用。这些智能系统通过识别高风险个体进行针对性干预，实现了主动式方法。尽管存在挑战，但这些技术未来整合到临床工作流程和个人健康应用中，有望建立一种更具预测性、预防性和参与性的范式来管理全球口腔健康。

引言
全球范围内，2021年有36.9亿人受到口腔健康问题的影响，其中未经治疗的龋齿和重度牙周炎是最常见的损害口腔健康相关生活质量乃至全身健康的疾病，给全球医疗系统带来巨大经济负担。大多数口腔疾病在很大程度上是可预防的，尽管过去一个世纪口腔医疗取得了进展，但过去30年来口腔疾病的总体负担基本未变。世界卫生组织及其他机构呼吁采取以预防为重点的方法，以减轻口腔疾病负担，提高可及性、可负担性和公平性，并维持口腔医疗服务的可持续性。预防口腔医学的一个主要支柱是一级预防，即在任何病理过程开始之前采取干预措施以预防疾病发生，包括识别和减轻风险因素，从而促进和维持口腔健康状态。通过在最早期拦截疾病级联反应，一级预防旨在保护天然牙列，减少复杂且昂贵的修复治疗需求，并改善长期健康结局。尽管对口腔疾病预防有明确需求，但从传统的以治疗为中心的模式向预防框架的转变受到涉及患者、临床医生和医疗系统本身的障碍的阻碍。对患者而言，障碍包括口腔健康素养低（预防措施知识可能不一致或被误解），以及在紧迫生活事务中口腔健康优先级低。经济限制和牙科焦虑进一步加剧了这些挑战，常导致症状导向而非常规牙科就诊。从临床医生的角度看，系统性问题（如以经济激励侵入性手术而非预防性咨询的薪酬模式）可能削弱以预防为中心的护理动力。牙医还报告了对患者不依从的挫败感，并可能认为提供预防建议是浪费有限的预约时间，导致对此方面护理的专业责任感降低。在系统层面，这些个体障碍因责任推诿的文化而加剧，预防责任分散于政策制定者、提供者和患者之间，阻碍了协作有效策略的发展。人工智能（AI）的快速发展为（至少部分）克服这些持久挑战提供了机遇。AI系统旨在从庞大复杂的数据集中学习，使其能够执行通常需要人类智能的任务，如模式识别、预测和决策。在口腔医学中，这些技术已在解释诊断图像、评估疾病风险和支持临床工作流程方面显示出巨大潜力，为改善口腔医疗的效率和效果提供了强大的新工具。先进的机器学习（ML）模型可帮助根据龋齿和牙周炎等疾病发生和/或进展的风险对患者进行分层，从而实现针对性干预。尽管AI在临床诊断中的潜力已日益得到认可，但在其系统整合到疾病预防工作流程方面仍存在研究空白。需要更广泛地理解AI如何从诊断辅助工具转变为主动、长期预防性护理的动态工具。因此，本范围综述的目的是识别AI在预防口腔医学中用于一级疾病预防的应用，并综合其表现证据。

方法
本范围综述遵循系统综述和荟萃分析扩展范围综述首选报告项目（PRISMA-ScR）指南进行报告，并已在开放科学框架（OSF）上注册（注册DOI: 10.17605/OSF.IO/J3QFD）。研究问题使用人群、概念和背景（PCC）框架定义。指导本综述的主要研究问题是：AI在预防口腔医学中的当前应用及其对口腔疾病预防的影响是什么？人群：任何接受或可能受益于预防性牙科护理干预的人群组（如儿童、成人、老年人）。概念：核心概念是AI（包括ML或深度学习（DL））用于口腔疾病预防的目的。背景：背景是与一级疾病预防或口腔健康促进相关的环境，包括临床实践、公共卫生项目和个人自我护理环境。在四个主要电子数据库（PubMed、Web of Science、Scopus和Embase）中进行了系统文献检索，纳入2026年1月1日之前发表的研究。检索策略结合了三个核心概念：（1）AI，（2）预防口腔医学，以及（3）口腔状况或疾病。关键词和检索策略列于表1。除数据库检索外，还将手动筛选所有纳入文章和相关综述的参考文献列表以识别额外研究。所有检索到的文章的标题和摘要由两名评审员（JSZ和OYY）根据预定义的资格标准独立使用Endnote进行筛选。随后，检索可能相关文章的全文并进行最终纳入评估。筛选过程中评审员之间的任何分歧通过讨论或必要时由第三名评审员（WYHL）解决。纳入标准旨在捕获利用AI实现口腔疾病早期干预或预防的研究。具体而言，纳入标准为：采用基于AI的方法（如ML、DL、自然语言处理（NLP）、计算机视觉、生成式AI）支持口腔状况发生前的一级预防；AI应用至少涉及一级预防的一个方面：风险预测、可改变风险因素检测、口腔健康或卫生自我监测、或旨在预防疾病发病的口腔健康教育；同行评审的原创研究文章（包括会议论文）；以英文发表。排除标准为：综述、社论、评论、会议摘要（无全文）或技术报告；聚焦非口腔疾病的研究；AI仅用于诊断目的以检测或分类已建立、临床不可逆疾病的研究（边缘案例如早期非龋性病变检测被排除，除非明确显示一级预防目的）；聚焦已发展牙科疾病治疗或干预的研究；聚焦预测正在进行的癌前病变恶性转化风险的研究；仅聚焦AI评分系统开发或可用性评估而未评估其在预防中作用的研究。开发了标准化数据图表化表格以提取纳入研究的相关信息。提取的数据包括关键研究特征，如作者、发表年份、来源国、数据来源和类型、AI技术和算法、研究设计、人群特征、预防口腔医学中的具体应用，以及与AI应用表现和影响相关的关键发现。数据提取中的差异通过讨论达成共识解决。鉴于纳入研究中AI应用、研究设计和结局指标的异质性，采用叙事综合方法总结和报告发现。

结果
初始文献检索在四个数据库中识别出6326条记录。去除1659条重复后，4667条独特记录进行了标题和摘要筛选。在此阶段，4614条记录被排除，主要因为是综述文章、聚焦非口腔疾病、与牙科疾病预防无关或未涉及一级预防策略。评估了剩余53篇文章的全文以确定是否符合资格，另有10项研究因缺乏直接应用于口腔疾病预防而被排除。最终，43项研究符合资格标准并被纳入本综述（图1）。纳入的43项研究提取的数据见表2。纳入研究主要发表于2020年至2025年，2024年和2025年发表数量显著增加（图2）。研究来自广泛国家。大量研究在亚洲进行，包括中国（n=10）、马来西亚（n=2）、韩国（n=4）、印度（n=3）、日本（n=1）、孟加拉国（n=1）、巴基斯坦（n=1）、泰国（n=2）和伊朗（n=1）。欧洲研究来自土耳其（n=3）、罗马尼亚（n=2）、英国（n=2）、意大利（n=1）和波兰（n=1）。美洲由美国（n=6）、巴西（n=1）和墨西哥（n=1）的研究代表，而一项研究在沙特阿拉伯进行（图3）。研究采用了多种数据源来开发和验证AI模型。结构化数据通过结构化问卷（n=14）和临床检查数据（n=20）前瞻性收集，捕获了患者行为、社会经济状况和口腔健康指标的详细信息。电子健康记录（EHRs）也是结构化数据分析的主要来源，提供全面的临床和人口统计学数据（n=10）。成像数据，包括口内照片、全景放射片和荧光图像，用于训练模型检测风险条件如牙菌斑或预测龋齿（n=6）。六项研究研究了分子和生物学数据，分析唾液和龈上菌斑样本以识别可预测疾病的生物标志物。这些分析通常涉及16S rRNA基因测序等先进技术来描述口腔微生物组。此外，一些研究探索了使用来自口内压力传感器的传感器数据监测咬合力，或嵌入智能牙刷中的运动传感器追踪刷牙习惯。应注意，纳入研究通常使用单中心数据集，可能无法捕获更广泛人群的人口统计学和临床多样性。此外，许多研究依赖自我报告的问卷数据来捕获行为和社会经济因素，引入了回忆偏倚和社会期望偏倚的可能性，可能影响模型准确性。大多数纳入研究的主要研究设计为横断面研究（n=18），这对于初始模型开发和识别风险因素与疾病之间的关联有效，但固有地限制了建立因果关系的能力。较少但仍有相当数量的研究采用队列设计，允许研究人员随时间追踪参与者，并通过观察风险因素（如微生物变化、行为改变）与口腔疾病发病之间的时间关系，为AI模型的预测有效性提供更强证据（n=8）。随机对照试验（RCT）是最不常见的设计，主要用于评估AI工具（如聊天机器人和AI生成的教育视频）与标准护理或传统教育方法相比的有效性（n=2）。在大多数研究的模型开发中，疾病的存在与否通过经过校准的牙科专家进行的临床或放射学检查确定。一个显著的方法学局限性是主要依赖内部验证，这不能保证模型能很好地推广到不同患者群体或临床环境。只有两项研究包含外部验证队列，因此观察到许多研究缺乏独立的外部验证。在样本量方面观察到显著的方法学差异。基于分子或生物学数据或测试新型传感器技术的概念验证研究通常使用非常小的样本（N<100），这限制了其统计功效，需要谨慎解读。相反，基于EHR或图像的研究通常包含数千或数万名参与者。AI技术的应用涵盖了广泛的口腔疾病和状况，主要聚焦于龋齿（尤其是早期儿童龋）的预测和预防（n=21）。还开发了模型预测老年人根面龋以及与阻生第三磨牙相关的龋齿。一些研究通过检测、量化或预测牙菌斑和牙结石来开发AI模型以应对生物膜作为口腔疾病风险因素的问题（n=6）。AI也被应用于预测和管理牙周疾病，包括牙龈炎、牙周炎和种植体周围炎（n=4）。AI应用的环境从模型开发扩展到直接临床和公共卫生实施。相当一部分研究聚焦于开发验证预测模型以识别各种口腔疾病高风险个体（n=23）。这些AI模型旨在支持牙医和公共卫生官员设计实施大规模筛查项目，特别是在资源有限的环境中。它们还可作为决策支持系统，指导临床医生为高风险患者制定个性化预防计划。另一个关键应用领域是患者教育和行为改变。AI驱动的聊天机器人和对话代理被开发用于提供定制化的口腔健康信息（如氟化物教育）并回答患者查询（n=3）。类似地，AI生成的教育视频被测试用于改善参与者的口腔健康知识（n=1）。此外，AI驱动的远程监测系统实现了对口腔卫生的持续追踪，并为患者监测提供实时反馈（n=2）。来自43项纳入研究的集体证据表明，AI应用在增强口腔疾病预防方面具有前景。ML模型在预测龋齿、菌斑积聚和牙周疾病风险方面持续显示出与人类牙医或专家相当的准确性（n=23）。分子数据的整合也被证明有效，基于唾液微生物组组成的模型成功预测了ECC的发生，提前时间长达两年（n=2）。AI驱动的聊天机器人在改善护理人员和患者的口腔健康知识和刷牙技术方面有效。正畸患者的远程监测系统导致口腔卫生显著改善和菌斑评分降低（n=3）。

讨论
本范围综述揭示，AI正迅速成为预防口腔医学中的变革力量，研究产出在2024年后明显加速。发表时间线和纳入研究的国家表明，AI在预防口腔医学中的应用相对未被充分探索（图2、图3）。这一研究领域近期才出现，最早纳入的研究发表于2020年。此后，该领域至2025年每年呈现适度增长（图2）。尽管近期有所增长，但与AI在其他牙科专科中更成熟的应用相比，总体发表量仍然相对较小。AI在预防口腔医学中的应用显示出应对历史上阻碍向预防性口腔健康模式转变的障碍的潜力。对患者而言，AI驱动的应用可通过个性化、可访问的教育内容增强健康素养。AI驱动的聊天机器人可提供24/7可访问的可靠健康信息，而移动应用可使用游戏化和个性化反馈鼓励遵守口腔卫生习惯，解决患者层面的障碍如竞争性优先事项和牙科焦虑。对临床医生而言，AI可缓解临床医生层面的障碍，如时间限制和不利于预防性咨询的薪酬模式。AI决策支持工具可自动化风险评估，快速分析图像以识别风险因素，并生成个性化预防计划，使临床医生能够专注于患者沟通和复杂护理，从而提高效率，在有限预约时间内使提供预防性护理更可行。对医疗系统而言，AI可通过识别需要针对性干预的高风险人群和地理区域来优化资源配置。通过分析人群级数据识别高风险社区并展示针对性预防项目的成本效益，AI可为循证健康政策提供信息，并更有效地指导公共资源分配。AI在预防口腔医学中的应用主要聚焦于常见口腔疾病（包括龋齿和牙周病）高风险个体的早期识别。几乎所有纳入研究都显示出在预测口腔疾病风险或识别风险因素（如菌斑积聚）方面与人类牙医相当的准确性。然而，关键点是当前监督AI模型对人类标注数据的根本依赖。尽管模型可达到高报告准确性，但其表现本质上受限于训练数据中嵌入的质量、一致性和专业知识。AI学习人类专家提供的模式，意味着它也学习其局限性和潜在偏见。因此，即使是最先进的模型也可能仅复制人类级诊断能力，而非实现真正超人类的理解。此外，许多预测研究并未真正预测未来事件；相反，它们生成准确性数据，证明AI能有效学习给定数据集中的模式。这些研究中常见的做法是使用同一数据集训练和验证模型分类或识别其已暴露模式的能力，这不足以证明其推广到全新、未见患者群体或来自不同临床环境的外部测试集的能力，而这对于临床转化至关重要。因此，需要在独立外部队列上进行前瞻性验证以显示这些AI模型的可靠性。AI在预防口腔医学中关于患者口腔健康教育的另一个主要应用显示出增强预防性护理的巨大潜力。研究表明，AI驱动的聊天机器人和教育视频可显著改善参与者的口腔健康知识和卫生习惯。类似地，提供个性化通知的AI驱动远程监测系统已被证明可有效减少正畸患者的菌斑和牙龈炎。尽管有这些有希望的结果，但大多数工具仅在小型实验人群中测试。这些工具的常规公共使用仍面临挑战。主要挑战可能是人群的数字可及性和素养。部分人群可能缺乏有效参与复杂应用的技能或资源，从而可能扩大现有健康差距。尽管AI在重塑预防口腔医学方面显示出巨大潜力，但将AI工具转化为预防口腔医学中的常规临床和社区环境仍然相对缓慢。技术障碍包括缺乏标准化的、高质量的、可互操作的数据集用于稳健的模型开发。对数据安全和隐私的担忧，以及AI在医疗领域应用的严格法规，为构建稳健AI模型带来了重大伦理和法律挑战。实际实施挑战也很大。开发、验证和将AI系统整合到现有临床工作流程的成本对许多诊所来说难以负担，特别是在资源有限的环境中。牙科专业人员缺乏AI专业知识，以及牙科学校AI培训课程不足，导致知识差距和对采用AI技术预防实践的抵制，从而破坏既定实践模式。此外，许多先进算法的内在“黑箱”性质可能引起一些临床从业者的怀疑，因为从业者理解地不愿信任和依据他们无法临床合理化的建议采取行动。更根本的是，核心挑战不仅在于工具部署，还在于人类行为改变本身的复杂性。仅靠知识通常不足以驱动口腔卫生或饮食习惯的持续改变，除非有内在动机。因此，AI在患者教育中的最终成功不仅取决于算法复杂性，更取决于其与行为科学原理整合以在现实世界中有效培养和维持患者动机的能力。AI在预防口腔医学中的未来取决于系统解决当前开发和实施挑战，以实现真正的临床整合。推进数据质量需要建立国际合作网络，创建大型、多样化、标准化的数据集，捕获异质性人群和临床背景，以减轻算法偏差并提高泛化性。必须执行严格的外部验证方案，用前瞻性多中心研究和真实世界部署试验取代对内部交叉验证的依赖。为克服技术障碍，开发者应优先考虑直观、可访问的界面，为不同数字素养的临床医生和多样化患者群体设计。实际实施需要全面的整合策略，包括与现有牙科诊所管理系统的互操作性、最小化临床工作流程中断以及基于证据的成本效益分析以证明资源分配的合理性。建立信任需要向可解释AI（XAI）架构转变，提供透明、临床可解释的预测理由，同时有确保安全性和有效性的稳健监管框架。同样关键的是将AI教育嵌入牙科课程和继续专业发展项目，以培养劳动力能力和接受度。通过这种多方面的协调方法，聚集AI开发者、政策制定者、临床医生和患者，AI可以从研究新奇事物转变为常规预防实践，并协助提供高质量、个性化的口腔医疗服务。本综述存在固有局限性。首先，与我们的目标一致，即映射一级预防口腔医学中AI应用现有证据的广度，我们未对纳入研究的方法学质量进行正式批判性评估。因此，支持报告AI模型有效性的证据强度未进行定量评估。第二，由于纳入文章在AI方法、研究人群和结局指标方面存在显著异质性，采用了叙事综合方法。该方法排除了定量荟萃分析，因此无法提供AI干预整体有效性的汇总估计。此外，我们的检索策略虽涵盖四个主要数据库，但限于英文出版物，引入了潜在的语言和发表偏倚，因为非英语地区相关研究可能被遗漏。最后，我们的纳入标准有意聚焦于一级预防以保持清晰范围。这必然排除了大量关于AI在诊断、治疗计划和疾病监测中应用的研究。虽然此聚焦对综述目标至关重要，但意味着我们的发现未捕获AI对口腔医学影响的全部谱系，其中诊断和预防应用常紧密交织。

结论
本范围综述绘制了支持口腔医学一级预防的AI技术的现有证据。这些发现表明，AI已应用于龋齿和牙周病的风险分层、个性化患者教育以及口腔健康自我监测。这些应用可通过识别高风险个体实现针对性干预，并通过增强患者口腔健康素养支持从反应性治疗向主动预防的根本转变。本综述还识别了当前研究缺乏外部验证。尽管AI整合到临床和个人健康应用中具有前景，但需要进一步严格验证和实施研究，才能就其一级预防结局的影响得出明确结论。