Бул изилдөө 30–50 жаштагы чоң кишилердиношол учурда стоматологдун баалоосуна муктаж же муктаж эместигин, клиникалык кароону же лабораториялык тестти талап кылбаган 14 жеткиликтүү көрсөткүч аркылуу божомолдогон көп өзгөрмөлүү логистикалык регрессия моделин иштеп чыгат. Моделдин максаты тиш оорусуна диагноз коюу эмес; адамды кесипкөй стоматологиялык баалоого жөнөтүү зарыл же зарыл эместигин скрининг деңгээлинде алдын ала баалоо болуп саналат.

Модель АКШнын National Health and Nutrition Examination Survey (NHANES) 2011–2012 маалыматтарындагы 30–50 жаштагы тиштери бар чоң кишилерде иштелип чыгып, көз карандысыз NHANES 2013–2014 когортунда тышкы валидациядан өткөн. Максаттуу натыйжа адамдын өз баасы эмес, лицензияланган стоматологдор стандарттык клиникалык кароонун соңунда берген расмий кам көрүү сунушу болуп саналат.

Тышкы валидацияда модель AUC 0,822, %73,5 сезгичтик жана %79,0 өзгөчөлүк көрсөткөн. Калибрлөө ылдыйлыгы 0,85, intercept 0,04 болгон. Decision Curve Analysis, айрыкча 0,33 чечим босогосунда, модель баарын автоматтык түрдө стоматологго жөнөткөн ыкмага салыштырганда жогорураак таза пайда бере аларын көрсөткөн.

Бирок бул изилдөө келечекте пайда боло турган тиш ооруларын алдын ала айткан longitudinal тобокелдик модели эмес. Кесилиштик NHANES маалыматтары колдонулган жана модель АКШда 30–50 жаш курагында валидацияланган. Башка өлкөлөрдө же саламаттык сактоо системаларында колдонордон мурда жергиликтүү валидация жана кайра калибрлөө талап кылынат.

Эмне үчүн стоматологго баруу муктаждыгын божомолдоо керек?

Тиш кариеси, периодонталдык оору жана начар ооз гигиенасы чоң кишилерде көп кездешкени менен, кесипкөй баалоо муктаждыгын көп адамдар байкабай калышы мүмкүн.

Адам оору сезбегендиктен ооз саламаттыгын жетиштүү деп эсептеши мүмкүн; бирок клиникалык кароо:

• активдүү кариес,
• периодонталдык көйгөй,
• көп өлчөмдөгү тиш тактасы же ташынын топтолушу,
• ийгиликсиз реставрация,
• жумшак ткандын жарасы

сыяктуу кесипкөй баалоону талап кылган абалдарды аныкташы мүмкүн.

Ошондуктан изилдөөнүн максаты — адам өзү же баштапкы медициналык жардам шартында оңой жооп бере ала турган суроолорду колдонуп, кесипкөй баалоо муктаждыгын алдын ала классификациялай алган масштабдалуучу скрининг ыкмасын иштеп чыгуу.

Модель Чынында Эмнени Божомолдойт?

Модель “сизде кариес бар”, “сизде периодонтит бар” же “бул тиш дарыланышы керек” деген диагноздорду чыгарбайт. Божомолдонгон максат — NHANES стоматологдору стандарттык кароонун соңунда берген жалпы кам көрүү сунушу.

NHANES ичинде төрт категория бар:

1. Дароо стоматологго бар.
2. Эки жуманын ичинде стоматологго бар.
3. Биринчи мүмкүнчүлүктө стоматологго бар.
4. Кадимки ооз кам көрүүсүн улант.

Изилдөөчү бул төрт натыйжаны эки класска бириктирген:

1 = Стоматологго баруу зарылдыгы бар

0 = Кадимки ооз кам көрүүсүн улантуу

Ошентип маселе экилик классификация/божомолдоо маселесине айланат.

Модель Кайсы 14 Маалыматты Колдонот?

Моделде алдын ала белгиленген 14 божомолдоочу бар.

Бул 14 киргизүүнүн 11ине көп тандоолуу түрдө жооп берүүгө болот. Сандык киргизүүнү талап кылган болгону үч өзгөрмө бар:

• жаш,
• бел айланасы,
• үй-бүлө кирешеси/жакырчылык катышы.

Бул түзүлүш модель үйдө колдонууга же санариптик саламаттык тиркемелерине интеграциялоого эмнеге ылайыктуу деп эсептелерин түшүндүрөт.

Эмне үчүн Логистикалык Регрессия Колдонулду?

Натыйжа эки класстан турат:

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

Логистикалык регрессия ушул эки натыйжанын биринин ыктымалдыгын бир нече божомолдоочу аркылуу эсептөөгө ылайыктуу.

Жалпы модель:

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

түрүндө.

Бул жерде:

• \(X_i\) колдонуучу берген маалыматтар,
• \(\beta_i\) ар бир божомолдоочунун модель коэффициенти,
• \(P(Y=1)\) болсо стоматологдук баалоого муктаж болуу ыктымалдыгы.

Изилдөөдө өзгөрмөлөр автоматтык stepwise алгоритм менен тандалган эмес. Он төрт өзгөрмө алдын ала аныкталып, баары бир эле multivariable моделге милдеттүү түрдө киргизилген.

Жетишпеген Маалыматтар Кантип Каралды?

NHANES маалыматтарындагы жетишпеген байкоолорду толук өчүрүүнүн ордуна Multiple Imputation колдонулган.

Изилдөөдө:

m = 20

толтурулган маалымат топтому түзүлгөн.

Метод:

• Fully Conditional Specification,
• Predictive Mean Matching

негизинде курулган.

Импутация моделинде 14 негизги божомолдоочу жана натыйжа өзгөрмөсүнө кошумча HbA1c, систолалык кан басымы, жалпы холестерин, BMI жана тиштердин саны жардамчы өзгөрмөлөр катары колдонулган.

Бул жардамчы өзгөрмөлөр жетишпеген маалыматтарды калыбына келтирүү үчүн гана колдонулган; акыркы логистикалык регрессия моделине киргизилген эмес.

Тышкы валидация маалымат топтому иштеп чыгуу маалыматынан толугу менен көз карандысыз импутацияланган. Бул долбоор маалымат агып кетүү коркунучун азайтат.

Маалымат Топтомдору Кантип Бөлүндү?

NHANES 2011–2012 аналитикалык үлгүсү:

n = 1870

адамдан турган.

Анын:

• %90’ы иштеп чыгуу/окутуу когорту:n = 1686
• %10’u internal hold-out валидация:n = 184

болуп бөлүнгөн.

Негизги жана чечүүчү валидация көз карандысыз NHANES 2013–2014 когортунда жүргүзүлгөн:

n = 2024

Бул бөлүштүрүү маанилүү; модель өзүнүн окутуу маалыматында гана бааланган эмес.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

30–50 жаш тобунда кесипкөй баалоо муктаждыгы

Иштеп чыгуу когортунда стоматологго баруу муктаждыгынын салмакталган таралышы:

%49,3

деп эсептелген.

Башкача айтканда, бул үлгүдө болжол менен ар эки адамдын бири стандарттык NHANES стоматологиялык кароосуна ылайык кадимки кам көрүүдөн тышкары кесипкөй стоматологиялык баалоо сунушун алган.

Эң күчтүү божомолдоочулардын бири: акыркы стоматологго баруу

Моделдин түшүндүрүү жөндөмүнө эң чоң өз алдынча салымды:

Акыркы стоматологго баруу — ΔR² = 0,0304

берген.

Алты айдын ичинде стоматологго барган адамдарга салыштырганда:

• 1–2 жыл мурда баргандарда aOR ≈ 3,21,
• 2–3 жыл мурда баргандарда aOR ≈ 2,35,
• 3–5 жыл мурда баргандарда aOR ≈ 3,49,
• 5 жылдан ашык убакыт барбаган/эч качан барбагандарда aOR ≈ 3,02

деп табылган.

Бул маанилер себептик тобокелдик катыштары эмес, башка модель өзгөрмөлөрү эске алынгандан кийин учурдагы стоматологиялык баалоо муктаждыгы менен байланышкан odds ratio болуп саналат.

Адамдын өз ооз саламаттыгын баалоосу

Тиштерин жана тиш эттерин “excellent” деп баалагандарга салыштырганда:

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

менен байланышкан.

Бул өзгөрмөдө өзүн-өзү баалоо начарлаган сайын кесипкөй кам көрүү муктаждыгы жогорулай турган айкын доза-жооп үлгүсү көрүнөт.

Тамеки

Тамеки колдонбогондорго салыштырганда:

• айрым күндөрү тамеки чеккендердеaOR 3,34,
• күн сайын тамеки чеккендердеaOR 2,79

деп табылган.

Кызыгы, үзгүлтүктүү тамеки чеккен топтун жөнгө салынган odds ratio мааниси күн сайын чеккен топтон жогору. Бул жыйынтык тамеки дозасынын тескери биологиялык таасири бар деп чечмеленбеши керек; категориянын көлөмү, башка өзгөрмөлөр менен байланыштар жана multivariable adjustment бул коэффициенттерге таасир этиши мүмкүн.

Жыныс

Аялдар шилтеме катары алынганда эркектерде:

aOR = 2,30

деп табылган.

Бул да изилдөө популяциясында башка божомолдоочулар көзөмөлдөнгөндө эркек жынысы стоматологдук баалоого көбүрөөк муктаждык менен байланыштуу экенин көрсөтөт.

Киреше жана бел айланасы

Үй-бүлө кирешесинин жакырчылык чегине катышы өскөн сайын ыктымалдык төмөндөгөн:

aOR = 0,82

Бел айланасынын ар бир сантиметрге өсүшү:

aOR = 1,016

менен байланышкан.

Бул байланыштар жеке деңгээлдеги себептүүлүктү билдирбейт; булар модель ичиндеги божомолдоо сигналдары.

Диабет жана жогорку кан басымы

Self-reported diabetesтын чийки байланышы күчтүү көрүнгөнү менен, башка өзгөрмөлөр көзөмөлдөнгөндө:

aOR = 1,09, p = 0,790

болгон.

Жогорку кан басымы үчүн да жөнгө салынган байланыш:

aOR = 1,15, p = 0,425

менен маанилүү эмес.

Бул жыйынтык бир өзгөрмөлүү байланыштар көп өзгөрмөлүү модель ичинде олуттуу өзгөрүшү мүмкүн экенин көрсөтөт.

Модель Канчалык Жакшы Айырат?

Тышкы валидация

Көз карандысыз NHANES 2013–2014 когортунда:

AUC 0,822 модель стоматологдук баалоого муктаж жана муктаж эмес адамдарды кокустуктан кыйла жакшы ажыратарын көрсөтөт.

Ички валидация

184 адамдык hold-out маалымат топтомунда:

Ички жана тышкы валидациядагы AUC маанилеринин бири-бирине жакын болушу ажыратуу көрсөткүчүнүн эки көз карандысыз баалоо агымында окшош бойдон калганына туура келет.

Калибрлөө Эмнени Көрсөтөт?

Жакшы божомол модели адамдарды туура иретке гана койбостон, чыгарган ыктымалдыктары чыныгы байкалган тобокелдик менен да дал келиши керек.

Тышкы валидацияда:

• калибрлөө ылдыйлыгы = 0,85
• intercept = 0,04

деп табылган.

Идеалдуу моделде ылдыйлык болжол менен 1, intercept болжол менен 0 болот.

Interceptтин 0гө жакын болушу жалпы тобокелдик деңгээлинде системалуу четтөө чектелүү экенин болжолдойт.

Ылдыйлыктын 1ден төмөн болушу коэффициенттер жаңы когортто бир аз ашыкча курч иштеши мүмкүн экенине, башкача айтканда чектелген деңгээлде overfitting/optimism бар экенине ишарат кылат.

Автор ошого карабастан калибрлөө жалпы тобокелдик диапазонунда күчтүү бойдон калганын жана айрыкча жогорку тобокелдик деңгээлдеринде жакшы шайкештик көрсөткөнүн билдирет.

Decision Curve Analysis Эмнени Көрсөтөт?

ROC/AUC моделдин ажыратуу жөндөмүн көрсөтөт; бирок клиникадагы негизги суроо “Бул моделди колдонуу чечим кабыл алууну чындап жакшыртабы?” деген суроо.

Decision Curve Analysis бул суроонуnet benefitаркылуу баалайт.

Изилдөөдө модель тышкы валидация когортунда сыналган босоголор боюнча:

• баарын стоматологго жөнөтүү,
• эч кимди жөнөтпөө

стратегияларына караганда жогору таза пайда көрсөткөн.

0,33 Босого Мааниси Эмне Үчүн Маанилүү?

Изилдөөдө клиникалык колдонууга артыкчылыктуу босого:

\(P_t=0,33\)

деп бааланган.

Бул босогодо моделдин таза пайдасы:

0,354

болгон, ал эми баарын жөнөтүү ыкмасында:

0,284

деп эсептелген.

Арадагы:

ΔNB = 0,070

айырма Decision Curve Analysis алкагында болжол менен:

100 адамда 14 керексиз баалоодон качууга барабар

деп чечмеленген.

Бул чыныгы проспективдүү клиникалык сыноодо 100 адамдын ичинен так 14 визиттин алдын алынды дегенди билдирбейт; бул математикалык чечим талдоосунун эквиваленти.

0,33 босогодо клиникалык табылгаларды кармоо

Тышкы валидацияда 0,33 босого:

• кариеси бар адамдар үчүн болжол менен%90,4 сезгичтик,
• тиш эт оорусу үчүн болжол менен%87,1 сезгичтик

камсыз кылган.

Бул маанилер 0,50 босогодо тиешелүүлүгүнө жараша %78,9 жана %79,3.

Демек, төмөнүрөөк босого көбүрөөк потенциалдуу учурларды кармайт, бирок анын ордуна көбүрөөк адамды кесипкөй баалоого жөнөтөт.

Бул Модель Тиш Оорусуна Диагноз Коя Алабы?

Жок. Модель кариес, периодонтит, ооз көңдөйүнүн жарасы же башка стоматологиялык оору үчүн диагностикалык аспап эмес.

Анын чыгарган натыйжасы болгону:

“Кесипкөй стоматологдук баалоо сунушталат”

же

“Кадимки ооз кам көрүүсүн улантуу”

түрүндөгү скрининг/triage чечимине багытталган.

Ошондуктан оң натыйжа белгилүү бир оору сөзсүз бар экенин; терс натыйжа адам сөзсүз оорудан таза экенин көрсөтпөйт.

Бул Модель Түркияда Түз Колдонулушу Мүмкүнбү?

Булак изилдөө муну ырастабайт.

Модель:

• АКШнын NHANES популяциясында иштелип чыккан,
• 30–50 жаштагы тиштери бар чоң кишилер менен чектелген,
• АКШдагы саламаттык сактоо кызматтарын колдонуу, социалдык-экономикалык түзүлүш жана маданий өзүн-өзү баалоо үлгүлөрүн камтыйт.

Айрыкча:

• расалык/этникалык теги категориялары,
• PIR,
• стоматологго кайрылуу адаттары,
• саламаттык сактоо системасына жеткиликтүүлүк

өлкөлөр арасында айырмаланышы мүмкүн.

Автор ушул себептен эл аралык колдонууга чейин жергиликтүү валидация жана зарыл болсо кайра калибрлөө жүргүзүлүшү керек деп эсептейт.

Изилдөөнүн Негизги Чектөөлөрү Кандай?

• Изилдөө кесилиштик; келечектеги оору инцидентин божомолдобойт.
• Айрым божомолдоочулар адамдын өзүнүн билдирүүсүнө негизделет.
• Recall bias жана social desirability bias пайда болушу мүмкүн.
• Майда-чүйдө тамактануу маалыматы моделге киргизилген эмес.
• Валидацияланган психосоциалдык шкалалар маалымат топтомунда жок.
• Потенциалдуу incorporation bias толугу менен жок кылынбайт; бирок NHANES протоколундагы көз карандысыз маалымат чогултуу жана examiner blinding аркылуу азайтылган.
• Модель АКШда жана 30–50 жаш тобунда гана валидацияланган.
• Башка өлкөлөрдө колдонуудан мурда жергиликтүү валидация керек.
• Калибрлөө ылдыйлыгы 0,85 жана жаңы популяцияларда операциялык recalibration талап кылынышы мүмкүн.
• Модель кесипкөй кароонун ордун баспайт.

Булак жана Ыкма Жөнүндө Эскертүү

Бул Verianla мазмуну Miika Penttala даярдаганPredicting the Need to Visit a Dentist in Young to Middle-Aged Adults: A Development and External Validationаттуу академиялык изилдөөгө таянып өз алдынча түзүлгөн.

МакалаDentistry Journalжурналында 2026-жылы, 14-том, 398-макала катары жарыяланган. DOI:10.3390/dj14070398. Жарыяланган датасы 1-июль 2026. Изилдөө MDPI тарабынан Creative Commons Attribution (CC BY) лицензиясы менен ачык жеткиликтүү жарыяланган.

Изилдөө NHANES 2011–2014 маалыматтарына негизделген кесилиштик клиникалык божомол моделин иштеп чыгуу жана тышкы валидациялоо изилдөөсү. NHANES 2011–2012 иштеп чыгуу булагы, ал эми NHANES 2013–2014 көз карандысыз убакыттык тышкы валидация когорту катары колдонулган.

Максаттуу натыйжа NHANESтин лицензияланган стоматологдору берген Overall Recommendation for Care өзгөрмөсү. “Дароо”, “эки жуманын ичинде” жана “биринчи мүмкүнчүлүктө” стоматологго баруу сунуштары бир оң класска бириктирилип, “кадимки кам көрүүнү улантуу” терс класс катары колдонулган.

Модель алдын ала белгиленген 14 божомолдоочуга негизделген көп өзгөрмөлүү логистикалык регрессия. Өзгөрмөлөр автоматтык stepwise тандоо менен эмес, клиникалык колдонууга жарамдуулугу жана ооз саламаттыгы менен байланышынын негизинде алдын ала белгиленген.

Жетишпеген маалыматтар 20 Multiple Imputation менен иштетилген; external validation когорту иштеп чыгуу маалыматынан көз карандысыз иштетилген. Модель көрсөткүчтөрү AUC, Brier упайы, сезгичтик, өзгөчөлүк, калибрлөө жана Decision Curve Analysis менен бааланган.

Көз карандысыз тышкы валидацияда AUC 0,822, калибрлөө ылдыйлыгы 0,85 жана intercept 0,04 деп билдирилген. 0,50 босогодо сезгичтик %73,5 жана өзгөчөлүк %79,0.

0,33 чечим босогосунда билдирилген “100 адамда болжол менен 14 керексиз баалоодон качуу” деген сөз чыныгы дүйнөдөгү проспективдүү колдонуу натыйжасын эмес, Decision Curve Analysis ичинде эсептелген net-benefit эквивалентин билдирет.

Изилдөө келечектеги тиш оорусунун өнүгүшүн божомолдобойт жана стоматологиялык диагноз койбойт. Моделдин максаты кесипкөй стоматологдук баалоого учурдагы муктаждыкты скрининг кылуу. АКШдан тышкары колдонуу үчүн жергиликтүү валидация жана кайра калибрлөө талап кылынат.

Изилдөө тышкы каржылоо алган эмес. Колдонулган NHANES протоколу NCHS Research Ethics Review Board тарабынан жактырылган жана катышуучулардан маалымдалган макулдук алынган. Бул изилдөө жалпыга ачык анонимдештирилген маалыматтарды колдонгон экинчи даражадагы талдоо. Автор кызыкчылыктардын кагылышуусун билдирген эмес.