Bu çalışma, 30–50 yaş arasındaki yetişkinlerin o anda diş hekimi değerlendirmesine ihtiyaç duyup duymadığını, klinik muayene veya laboratuvar testi gerektirmeyen 14 erişilebilir gösterge üzerinden tahmin eden çok değişkenli bir lojistik regresyon modeli geliştirmektedir. Modelin hedefi diş hastalığı tanısı koymak değildir; kişinin profesyonel dental değerlendirmeye yönlendirilmesinin gerekli olup olmadığını tarama düzeyinde tahmin etmektir.

Model ABD National Health and Nutrition Examination Survey (NHANES) 2011–2012 verilerindeki 30–50 yaş arası dişli yetişkinlerde geliştirilmiş ve bağımsız NHANES 2013–2014 kohortunda dış doğrulamaya tabi tutulmuştur. Hedef sonuç, kişinin kendi algısı değil, lisanslı diş hekimlerinin standart klinik muayene sonunda verdiği resmi bakım önerisidir.

Dış doğrulamada model AUC 0,822, %73,5 duyarlılık ve %79,0 özgüllük sağlamıştır. Kalibrasyon eğimi 0,85 ve intercept 0,04’tür. Decision Curve Analysis, özellikle 0,33 karar eşiğinde modelin herkesi otomatik olarak diş hekimine yönlendiren yaklaşıma göre daha yüksek net fayda sağlayabileceğini göstermiştir.

Ancak çalışma gelecekte oluşacak diş hastalıklarını öngören longitudinal bir risk modeli değildir. Kesitsel NHANES verileri kullanılmıştır ve model ABD’de 30–50 yaş grubunda doğrulanmıştır. Farklı ülkelerde veya sağlık sistemlerinde kullanılmadan önce yerel doğrulama ve yeniden kalibrasyon gerekir.

Neden diş hekimine gitme ihtiyacını tahmin etmek gerekiyor?

Diş çürüğü, periodontal hastalık ve kötü ağız hijyeni yetişkinlik boyunca sık görülmesine rağmen profesyonel değerlendirme ihtiyacı birçok kişi tarafından fark edilmeyebilir.

Bir kişi ağrı hissetmediği için ağız sağlığını yeterli kabul edebilir; buna karşın klinik muayene:

• aktif çürük,
• periodontal problem,
• yüksek plak veya kalkülüs birikimi,
• başarısız restorasyon,
• yumuşak doku lezyonu

gibi profesyonel değerlendirme gerektiren durumları ortaya çıkarabilir.

Bu nedenle araştırmanın amacı kişinin kendi başına veya birinci basamak sağlık ortamında kolayca yanıtlayabileceği soruları kullanarak profesyonel değerlendirme ihtiyacını önceden sınıflandırabilecek ölçeklenebilir bir tarama yaklaşımı geliştirmektir.

Model Gerçekte Neyi Tahmin Ediyor?

Model “çürüğünüz var”, “periodontitisiniz var” veya “şu dişin tedavi edilmesi gerekiyor” gibi tanılar üretmez. Tahmin edilen hedef, NHANES diş hekimlerinin standart muayene sonunda verdiği genel bakım önerisidir.

NHANES içinde dört kategori bulunmaktadır:

1. Diş hekimine hemen git.
2. İki hafta içinde diş hekimine git.
3. İlk fırsatta diş hekimine git.
4. Rutin ağız bakımına devam et.

Araştırmacı bu dört sonucu iki sınıfa indirmiştir:

1 = Diş hekimine gitme ihtiyacı var

0 = Rutin ağız bakımına devam

Böylece problem bir ikili sınıflandırma/tahmin problemine dönüşmektedir.

Model Hangi 14 Bilgiyi Kullanıyor?

Modelde 14 önceden belirlenmiş öngörücü bulunmaktadır.

Bu 14 girdinin 11’i çoktan seçmeli biçimde yanıtlanabilir. Sayısal giriş gerektiren yalnız üç değişken vardır:

• yaş,
• bel çevresi,
• aile geliri/yoksulluk oranı.

Bu yapı modelin evde kullanım veya dijital sağlık uygulamalarına entegrasyon için neden uygun görüldüğünü açıklamaktadır.

Neden Lojistik Regresyon Kullanıldı?

Sonuç iki sınıflıdır:

\[ Y= \begin{cases} 1,& \text{diş hekimine git}\\ 0,& \text{rutin bakıma devam} \end{cases} \]

Lojistik regresyon, bu iki sonuçtan birinin olasılığını birden fazla öngörücü üzerinden hesaplamaya uygundur.

Genel model:

\[ P(Y=1)= \frac{1} {1+e^{-(\beta_0+\beta_1X_1+\cdots+\beta_{14}X_{14})}} \]

biçimindedir.

Burada:

• \(X_i\) kullanıcının verdiği bilgiler,
• \(\beta_i\) her öngörücünün model katsayısı,
• \(P(Y=1)\) ise diş hekimi değerlendirmesine ihtiyaç olasılığıdır.

Çalışmada değişkenler otomatik stepwise algoritma ile seçilmemiştir. On dört değişken baştan belirlenmiş ve tümü aynı multivariable modele zorunlu olarak dahil edilmiştir.

Eksik Veriler Nasıl Ele Alındı?

NHANES verilerindeki eksik gözlemleri tamamen silmek yerine Multiple Imputation uygulanmıştır.

Çalışmada:

m = 20

tamamlanmış veri seti oluşturulmuştur.

Yöntem:

• Fully Conditional Specification,
• Predictive Mean Matching

üzerine kuruludur.

İmputasyon modelinde 14 ana öngörücü ve sonuç değişkenine ek olarak HbA1c, sistolik kan basıncı, toplam kolesterol, BMI ve diş sayısı yardımcı değişkenler olarak kullanılmıştır.

Bu yardımcı değişkenler yalnız eksik veri restorasyonu içindir; final lojistik regresyon modeline dahil edilmemiştir.

Dış doğrulama veri seti geliştirme verisinden tamamen bağımsız biçimde imputasyona tabi tutulmuştur. Bu tasarım veri sızıntısı riskini azaltmaktadır.

Veri Kümeleri Nasıl Ayrıldı?

NHANES 2011–2012 analitik örneklemi:

n = 1870

kişiden oluşmaktadır.

Bunun:

• %90’ı geliştirme/eğitim kohortu: n = 1686
• %10’u internal hold-out doğrulama: n = 184

olarak ayrılmıştır.

Asıl ve belirleyici doğrulama ise bağımsız NHANES 2013–2014 kohortunda yapılmıştır:

n = 2024

Bu ayrım önemlidir; model yalnız kendi eğitim verisinde değerlendirilmemiştir.

Çalışmanın Yöntemi ve Bulguları

30–50 yaş grubunda profesyonel değerlendirme ihtiyacı

Geliştirme kohortunda diş hekimine gitme ihtiyacının ağırlıklandırılmış prevalansı:

%49,3

olarak hesaplanmıştır.

Başka bir ifadeyle bu örneklemde yaklaşık her iki kişiden biri standart NHANES dental muayenesine göre rutin bakımın ötesinde bir profesyonel dental değerlendirme önerisi almıştır.

En güçlü öngörücülerden biri: son diş hekimi ziyareti

Model açıklayıcılığına en büyük benzersiz katkıyı:

Son diş hekimi ziyareti — ΔR² = 0,0304

sağlamıştır.

Altı ay içinde diş hekimine gitmiş kişilere kıyasla:

• 1–2 yıl önce gitmiş olanlarda aOR ≈ 3,21,
• 2–3 yıl önce gitmiş olanlarda aOR ≈ 2,35,
• 3–5 yıl önce gitmiş olanlarda aOR ≈ 3,49,
• 5 yıldan uzun süredir gitmemiş/hiç gitmemiş olanlarda aOR ≈ 3,02

olarak bulunmuştur.

Bu değerler nedensel risk oranları değil, diğer model değişkenleri hesaba katıldıktan sonra mevcut dental değerlendirme ihtiyacıyla ilişkili odds ratio’lardır.

Kişinin kendi ağız sağlığı değerlendirmesi

Diş ve dişetlerini “excellent” olarak değerlendirenlere göre:

• “fair” değerlendirme: aOR 3,06
• “poor” değerlendirme: aOR 4,53

ile ilişkilendirilmiştir.

Bu değişkende kötüleşen öz değerlendirmenin daha yüksek profesyonel bakım ihtiyacıyla birlikte ilerlediği belirgin bir doz-yanıt örüntüsü görülmektedir.

Sigara

Sigara kullanmayanlara göre:

• bazı günler sigara kullananlarda aOR 3,34,
• her gün sigara kullananlarda aOR 2,79

bulunmuştur.

İlginç biçimde aralıklı sigara grubunun ayarlanmış odds ratio değeri günlük sigara grubundan daha yüksektir. Bu sonuç sigara dozunun ters biyolojik etkisi olduğu şeklinde yorumlanmamalıdır; kategori büyüklüğü, diğer değişkenlerle ilişkiler ve multivariable adjustment bu katsayıları etkileyebilir.

Cinsiyet

Kadınlar referans alındığında erkeklerde:

aOR = 2,30

bulunmuştur.

Bu da çalışma popülasyonunda diğer öngörücüler kontrol edildiğinde erkek cinsiyetinin daha yüksek diş hekimi değerlendirme ihtiyacıyla ilişkili olduğunu göstermektedir.

Gelir ve bel çevresi

Aile gelirinin yoksulluk sınırına oranı arttıkça olasılık düşmüştür:

aOR = 0,82

Bel çevresi için her santimetrelik artış:

aOR = 1,016

ile ilişkilendirilmiştir.

Bu ilişkiler bireysel nedensellik anlamına gelmez; model içindeki tahmin sinyalleridir.

Diyabet ve yüksek tansiyon

Self-reported diabetes’ın kaba ilişkisi güçlü görünmesine rağmen diğer değişkenler kontrol edildiğinde:

aOR = 1,09, p = 0,790

olmuştur.

Yüksek tansiyon için de ayarlanmış ilişki:

aOR = 1,15, p = 0,425

ile anlamlı değildir.

Bu sonuç, tek değişkenli ilişkilerin çok değişkenli model içinde önemli ölçüde değişebileceğini göstermektedir.

Model Ne Kadar İyi Ayırt Ediyor?

Dış doğrulama

Bağımsız NHANES 2013–2014 kohortunda:

AUC 0,822, modelin diş hekimi değerlendirmesine ihtiyaç duyan ve duymayan bireyleri rastlantıdan belirgin derecede daha iyi ayırdığını göstermektedir.

İç doğrulama

184 kişilik hold-out veri setinde:

İç ve dış doğrulamadaki AUC değerlerinin birbirine yakın olması, ayrıştırma performansının iki bağımsız değerlendirme akışında benzer kalmasıyla uyumludur.

Kalibrasyon Neyi Gösteriyor?

İyi bir tahmin modeli yalnız bireyleri doğru sıraya koymamalı; ürettiği olasılıkların gerçek gözlenen riskle de uyumlu olması gerekir.

Dış doğrulamada:

• kalibrasyon eğimi = 0,85
• intercept = 0,04

bulunmuştur.

İdeal modelde eğim yaklaşık 1 ve intercept yaklaşık 0’dır.

Intercept’in 0’a yakın olması genel risk seviyesinde sistematik sapmanın sınırlı olduğunu düşündürmektedir.

Eğimin 1’in altında olması ise katsayıların yeni kohortta hafif fazla keskin davranabileceğine, yani sınırlı düzeyde overfitting/optimism bulunduğuna işaret eder.

Yazar buna rağmen kalibrasyonun genel risk aralığında güçlü kaldığını ve özellikle yüksek risk seviyelerinde iyi uyum gösterdiğini bildirmektedir.

Decision Curve Analysis Ne Gösteriyor?

ROC/AUC modelin ayrıştırma becerisini gösterir; ancak klinikte asıl soru “Bu modeli kullanmak karar vermeyi gerçekten iyileştiriyor mu?”dur.

Decision Curve Analysis bu soruyu net benefit üzerinden değerlendirir.

Çalışmada model, dış doğrulama kohortunda test edilen eşikler boyunca:

• herkesi diş hekimine yönlendirme,
• kimseyi yönlendirmeme

stratejilerinden daha yüksek net fayda göstermiştir.

0,33 Eşik Değeri Neden Önemli?

Çalışmada klinik kullanıma yönelik öncelikli eşik:

\(P_t=0,33\)

olarak değerlendirilmiştir.

Bu eşikte modelin net faydası:

0,354

iken herkesi yönlendirme yaklaşımında:

0,284

olarak hesaplanmıştır.

Aradaki:

ΔNB = 0,070

farkı, Decision Curve Analysis çerçevesinde yaklaşık:

100 kişide 14 gereksiz değerlendirmeden kaçınmaya eşdeğer

olarak yorumlanmıştır.

Bu, gerçek bir prospektif klinik deneyde 100 kişiden kesin olarak 14 ziyaretin engellendiği anlamına gelmez; matematiksel karar analizi karşılığıdır.

0,33 eşikte klinik bulgu yakalama

Dış doğrulamada 0,33 eşik:

• çürük bulunan bireyler için yaklaşık %90,4 duyarlılık,
• dişeti hastalığı için yaklaşık %87,1 duyarlılık

sağlamıştır.

Bu değerler 0,50 eşikte sırasıyla %78,9 ve %79,3’tür.

Dolayısıyla daha düşük eşik daha fazla potansiyel vakayı yakalamakta, fakat bunun karşılığında daha fazla kişiyi profesyonel değerlendirmeye yönlendirmektedir.

Bu Model Bir Diş Hastalığı Tanısı Koyabilir mi?

Hayır. Model çürük, periodontitis, oral lezyon veya başka bir dental hastalık için tanı aracı değildir.

Ürettiği çıktı yalnız:

“Profesyonel diş hekimi değerlendirmesi öneriliyor”

veya

“Rutin ağız bakımına devam”

şeklindeki bir tarama/triage kararına yöneliktir.

Bu nedenle pozitif sonuç, belirli bir hastalığın kesin olarak var olduğunu; negatif sonuç ise kişinin kesinlikle hastalıksız olduğunu göstermez.

Bu Model Türkiye’de Doğrudan Kullanılabilir mi?

Kaynak çalışma bunu doğrulamamaktadır.

Model:

• ABD NHANES popülasyonunda geliştirilmiştir,
• 30–50 yaş arası dişli yetişkinlerle sınırlıdır,
• ABD’deki sağlık hizmeti kullanımı, sosyoekonomik yapı ve kültürel öz değerlendirme örüntülerini içermektedir.

Özellikle:

• ırk/etnik köken kategorileri,
• PIR,
• diş hekimi kullanım alışkanlıkları,
• sağlık sistemine erişim

ülkeler arasında farklılık gösterebilir.

Yazar bu nedenle uluslararası kullanımdan önce yerel validasyon ve gerekirse yeniden kalibrasyon yapılmasını gerekli görmektedir.

Çalışmanın Temel Sınırlılıkları Nelerdir?

• Çalışma kesitseldir; gelecekteki hastalık insidansını tahmin etmez.
• Bazı öngörücüler kişinin kendi bildirimine dayanır.
• Recall bias ve social desirability bias oluşabilir.
• Granüler beslenme bilgileri modele dahil değildir.
• Doğrulanmış psikososyal ölçekler veri setinde bulunmamaktadır.
• Potansiyel incorporation bias tamamen sıfırlanamaz; ancak NHANES protokolündeki bağımsız veri toplama ve examiner blinding ile azaltılmıştır.
• Model yalnız ABD’de ve 30–50 yaş grubunda doğrulanmıştır.
• Başka ülkelerde kullanımdan önce yerel doğrulama gerekir.
• Kalibrasyon eğimi 0,85’tir ve yeni popülasyonlarda operasyonel recalibration gerekebilir.
• Model profesyonel muayenenin yerine geçmez.

Kaynak ve Yöntem Notu

Bu Verianla içeriği, Miika Penttala tarafından hazırlanan Predicting the Need to Visit a Dentist in Young to Middle-Aged Adults: A Development and External Validation başlıklı akademik çalışmaya dayanarak bağımsız biçimde oluşturulmuştur.

Makale Dentistry Journal dergisinde 2026 yılında, Cilt 14, Makale 398 olarak yayımlanmıştır. DOI: 10.3390/dj14070398. Yayın tarihi 1 Temmuz 2026’dır. Çalışma MDPI tarafından Creative Commons Attribution (CC BY) lisansı altında açık erişim olarak yayımlanmıştır.

Araştırma NHANES 2011–2014 verilerine dayanan kesitsel bir klinik tahmin modeli geliştirme ve dış doğrulama çalışmasıdır. NHANES 2011–2012 geliştirme kaynağı, NHANES 2013–2014 ise bağımsız temporal dış doğrulama kohortu olarak kullanılmıştır.

Hedef sonuç, NHANES’in lisanslı diş hekimleri tarafından verilen Overall Recommendation for Care değişkenidir. “Hemen”, “iki hafta içinde” ve “ilk fırsatta” diş hekimine gitme önerileri tek pozitif sınıfta birleştirilmiş, “rutin bakıma devam” negatif sınıf olarak kullanılmıştır.

Model 14 önceden belirlenmiş öngörücüye dayanan çok değişkenli lojistik regresyondur. Değişkenler otomatik stepwise seçimle değil, klinik kullanılabilirlik ve ağız sağlığıyla ilişkileri temel alınarak önceden belirlenmiştir.

Eksik veriler 20 çoklu imputasyonla ele alınmış; external validation kohortu geliştirme verisinden bağımsız olarak işlenmiştir. Model performansı AUC, Brier skoru, duyarlılık, özgüllük, kalibrasyon ve Decision Curve Analysis ile değerlendirilmiştir.

Bağımsız dış doğrulamada AUC 0,822, kalibrasyon eğimi 0,85 ve intercept 0,04 olarak raporlanmıştır. 0,50 eşikte duyarlılık %73,5 ve özgüllük %79,0’dır.

0,33 karar eşiğinde raporlanan “100 kişide yaklaşık 14 gereksiz değerlendirmeden kaçınma” ifadesi gerçek dünya prospektif kullanım sonucunu değil, Decision Curve Analysis içinde hesaplanan net-fayda eşdeğerini temsil eder.

Çalışma gelecekte diş hastalığı gelişimini tahmin etmez ve dental tanı koymaz. Modelin amacı profesyonel diş hekimi değerlendirmesine mevcut ihtiyacın taranmasıdır. ABD dışındaki kullanımlar için yerel doğrulama ve yeniden kalibrasyon gereklidir.

Araştırma dış finansman almamıştır. Kullanılan NHANES protokolü NCHS Research Ethics Review Board tarafından onaylanmış ve katılımcılardan bilgilendirilmiş onam alınmıştır. Bu çalışma kamuya açık anonimleştirilmiş veri kullanan ikincil analizdir. Yazar çıkar çatışması bildirmemiştir.