अयं अध्ययनः 30–50-वर्ष-वयस्कानांतस्मिन् समये दन्तचिकित्सक-मूल्याङ्कनस्य आवश्यकता अस्ति वा नास्ति इतिक्लिनिकल्-परीक्षणं वा प्रयोगशाला-परीक्षणं न आवश्यकं कुर्वन्ति 14 सुलभ-सूचकान् उपयुज्य बहु-चर logistic regression-मॉडल् विकसित करोत्। मॉडलस्य लक्ष्यं दन्तरोगस्य निदानं न, किन्तु व्यक्तेः व्यावसायिक-दन्त-मूल्याङ्कनाय प्रेषणम् आवश्यकं वा न इति screening-स्तरे अनुमानितुम् अस्ति.

मॉडल् U.S. National Health and Nutrition Examination Survey (NHANES) 2011–2012-दत्तांशेषु 30–50-वर्षीयेषु दन्तयुक्त-वयस्केषु विकसितम्, तथा स्वतन्त्रे NHANES 2013–2014 cohort मध्ये बाह्य-सत्यापनं कृतम्। लक्ष्य-परिणामः व्यक्तेः स्वबोधः न, अपि तु अनुज्ञाप्राप्त-दन्तचिकित्सकैः मानक-क्लिनिकल्-परीक्षणस्य अन्ते प्रदत्ता औपचारिका परिचर्या-सिफारिशः अस्ति.

बाह्य-सत्यापने मॉडल् AUC 0,822, %73,5 sensitivity तथा %79,0 specificity प्राप्तवान्। Calibration slope 0,85 तथा intercept 0,04 आसीत्। Decision Curve Analysis इत्यनेन विशेषतः 0,33 निर्णय-सीमायां, सर्वान् स्वयमेव दन्तचिकित्सकं प्रति प्रेषयति इति नीत्या तुलनया मॉडल् अधिकं net benefit दातुं शक्नोति इति दर्शितम्.

किन्तु अयं अध्ययनः भविष्ये उत्पत्स्यमानानां दन्तरोगाणां पूर्वानुमानं कुर्वन् longitudinal risk model नास्ति। Cross-sectional NHANES-दत्तांशाः उपयुक्ताः, तथा मॉडल् U.S. मध्ये 30–50-वर्ष-वर्गे सत्यापितम्। अन्येषु देशेषु वा स्वास्थ्य-प्रणालीषु उपयोगात् पूर्वं स्थानीय-सत्यापनं पुनः-calibration च आवश्यकम्.

दन्तचिकित्सकं प्रति गमनस्य आवश्यकतां किमर्थं पूर्वानुमातव्यं?

दन्तक्षयः, periodontal रोगः तथा हीना मुख-स्वच्छता वयस्कावस्थायां सामान्यतया दृश्यन्ते, तथापि व्यावसायिक-मूल्याङ्कनस्य आवश्यकता बहुभिः जनैः न ज्ञायेत.

व्यक्तिः वेदनां न अनुभवति इति कारणेन स्वस्य मुख-स्वास्थ्यं पर्याप्तम् इति मन्येत; किन्तु clinical examination इदं प्रकाशयितुं शक्नोति:

• सक्रियः दन्तक्षयः,
• periodontal समस्या,
• अधिकः plaque वा calculus संचयः,
• असफल restoration,
• मृदु-ऊतक lesion

इत्यादीन् व्यावसायिक-मूल्याङ्कनम् अपेक्षमाणान् अवस्थाः.

अतः अध्ययनस्य लक्ष्यं तादृशं विस्तारयोग्यं screening-पद्धतिं विकसितुम् अस्ति या व्यक्तिना स्वयम् अथवा primary-care-परिसरे सुलभतया उत्तरितुं शक्यमानैः प्रश्नैः व्यावसायिक-मूल्याङ्कनस्य आवश्यकतां पूर्वमेव वर्गीकर्तुं शक्नोति.

मॉडल् वास्तवतः किं पूर्वानुमाति?

मॉडल् “भवतः दन्तक्षयः अस्ति”, “भवतः periodontitis अस्ति” अथवा “अयं दन्तः उपचारणीयः” इत्यादीनि निदानानि न जनयति। पूर्वानुमेयः लक्ष्यः NHANES-दन्तचिकित्सकैः मानक-परीक्षणस्य अन्ते प्रदत्ता सामान्य-परिचर्या-सिफारिशः अस्ति.

NHANES मध्ये चत्वारः वर्गाः सन्ति:

1. दन्तचिकित्सकं तत्क्षणं गच्छ.
2. द्वयोः सप्ताहयोः अन्तरे दन्तचिकित्सकं गच्छ.
3. प्रथम-अवसरे दन्तचिकित्सकं गच्छ.
4. नियमित-मुख-परिचर्यां जारी कुरु.

अनुसन्धाता एतान् चतुरः परिणामान् द्वयोः वर्गयोः न्यूनितवान्:

1 = दन्तचिकित्सकं प्रति गमनस्य आवश्यकता अस्ति

0 = नियमित-मुख-परिचर्यां जारी कुरु

एवं समस्या binary classification/prediction-समस्या भवति.

मॉडल् कानि 14 सूचनानि उपयुङ्क्ते?

मॉडले पूर्वनिर्धारिताः 14 predictors सन्ति.

एतेषु 14 inputs मध्ये 11 बहुविकल्प-रूपेण उत्तरितुं शक्यन्ते। केवलं त्रयः variables संख्यात्मक-input अपेक्षन्ते:

• वयः,
• कटि-परिधिः,
• कुल-आयः/गरीबी-अनुपातः.

एषा रचना कथं मॉडल् गृह-उपयोगाय वा digital-health-अनुप्रयोगेषु एकीकरणाय उपयुक्तः मन्यते इति स्पष्टयति.

Logistic Regression किमर्थम् उपयुक्तम्?

परिणामः द्विवर्गीयः अस्ति:

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

Logistic regression अनेक predictors उपयुज्य एतयोः द्वयोः परिणामयोः एकस्य सम्भाव्यतां गणयितुं उपयुक्तम्.

सामान्य-मॉडल्:

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

एवम् अस्ति.

अत्र:

• \(X_i\) उपयोक्त्रा प्रदत्ता सूचनाः,
• \(\beta_i\) प्रत्येक predictorस्य model coefficient,
• \(P(Y=1)\) दन्तचिकित्सक-मूल्याङ्कनस्य आवश्यकता-सम्भावना.

अध्ययने variables स्वचालित-stepwise-algorithm द्वारा न चयनिताः। चतुर्दश variables पूर्वमेव निर्धारिताः, सर्वे च तस्मिन् एव multivariable model मध्ये अनिवार्यतया समाविष्टाः.

अनुपलब्ध-दत्तांशः कथं व्यवहृतः?

NHANES-दत्तांशेषु अनुपलब्धानि observations पूर्णतया अपास्य न, Multiple Imputation प्रयुक्तम्.

अध्ययने:

m = 20

पूर्णीकृत-दत्तांश-समूहाः निर्मिताः.

पद्धतिः:

• Fully Conditional Specification,
• Predictive Mean Matching

एतयोः आधारे स्थापिता.

Imputation-मॉडले 14 मुख्य predictors तथा outcome-variable इत्येतयोः अतिरिक्तं HbA1c, systolic रक्तचापः, total cholesterol, BMI तथा दन्तसंख्या सहायक-variables रूपेण प्रयुक्ताः.

एते सहायक-variables केवलं अनुपलब्ध-दत्तांशस्य पुनर्स्थापनाय; final logistic regression model मध्ये न समाविष्टाः.

External validation-दत्तांश-समूहः development-दत्तांशात् पूर्णतया पृथक् imputation-कृतः। एषा रचना data leakage-जोखिमं न्यूनयति.

दत्तांश-समूहाः कथं विभक्ताः?

NHANES 2011–2012 analytical sample:

n = 1870

व्यक्तिभ्यः निर्मितम्.

तस्य:

• %90’ı development/training cohort:n = 1686
• %10’u internal hold-out validation:n = 184

इति विभक्तम्.

मुख्यं निर्णायकं च validation स्वतन्त्रे NHANES 2013–2014 cohort मध्ये कृतम्:

n = 2024

एषः विभागः महत्त्वपूर्णः; मॉडल् केवलं स्वस्य training data मध्ये न मूल्याङ्कितम्.

अध्ययनस्य विधिः परिणामाश्च

30–50-वर्ष-वर्गे व्यावसायिक-मूल्याङ्कनस्य आवश्यकता

Development cohort मध्ये दन्तचिकित्सकं प्रति गमन-आवश्यकतायाः weighted prevalence:

%49,3

इति गणितम्.

अन्यथा उक्ते, अस्मिन् sample मध्ये प्रायः प्रत्येकयोः व्यक्त्योः एकः मानक-NHANES-दन्त-परीक्षणानुसारं routine care इत्यस्मात् अधिकं व्यावसायिक-दन्त-मूल्याङ्कन-सिफारिशं प्राप्तवान्.

बलवत्सु predictors मध्ये एकः: अन्तिमः दन्तचिकित्सक-भ्रमणः

Model-explanatory-power प्रति अधिकतमं विशिष्टं योगदानम्:

अन्तिमः दन्तचिकित्सक-भ्रमणः — ΔR² = 0,0304

दत्तवान्.

षट्-मासाभ्यन्तरे दन्तचिकित्सकं गतैः तुलनया:

• 1–2 वर्षपूर्वं गतानां aOR ≈ 3,21,
• 2–3 वर्षपूर्वं गतानां aOR ≈ 2,35,
• 3–5 वर्षपूर्वं गतानां aOR ≈ 3,49,
• 5 वर्षेभ्यः अधिककालं न गतानां/कदापि न गतानां aOR ≈ 3,02

इति प्राप्तम्.

एते मानाः causal risk ratios न, किन्तु अन्य-model-variables विचार्य वर्तमान-दन्त-मूल्याङ्कन-आवश्यकतया सम्बद्धाः odds ratio सन्ति.

व्यक्तेः स्व-मुख-स्वास्थ्य-मूल्याङ्कनम्

दन्तान् दन्तमांसं च “excellent” इति मूल्याङ्कितवतां तुलनया:

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

इत्यनेन सम्बद्धम्.

अस्मिन् variable मध्ये स्वमूल्याङ्कनस्य अवनतिः उच्चतर-व्यावसायिक-परिचर्या-आवश्यकतया सह स्पष्टं dose-response-pattern दर्शयति.

धूमपानम्

अधूमपायिभिः तुलनया:

• केषुचित् दिनेषु धूमपानकर्तृषुaOR 3,34,
• प्रतिदिनं धूमपानकर्तृषुaOR 2,79

इति प्राप्तम्.

आश्चर्यकररूपेण, intermittent-smoking-groupस्य adjusted odds ratio दैनिक-smoking-groupस्य अपेक्षया उच्चतरः। एतत् परिणामं धूमपान-मात्रायाः विपरीत-जैविक-प्रभावः अस्ति इति न व्याख्येयम्; category size, अन्य-variables-संबन्धाः तथा multivariable adjustment एतान् coefficients प्रभावितुं शक्नुवन्ति.

लिङ्गम्

स्त्रियः reference रूपेण गृहीत्वा पुरुषेषु:

aOR = 2,30

इति प्राप्तम्.

एतत् अपि दर्शयति यत् अध्ययन-जनसंख्यायां अन्ये predictors नियंत्रिते सति पुरुष-लिङ्गं उच्चतर-दन्तचिकित्सक-मूल्याङ्कन-आवश्यकतया सम्बद्धम्.

आयः तथा कटि-परिधिः

कुल-आयस्य गरीबी-सीमायाः अनुपाते वृद्धि सति सम्भावना न्यूना अभवत्:

aOR = 0,82

कटि-परिधौ प्रत्येकं centimetre-वृद्धिः:

aOR = 1,016

इत्यनेन सम्बद्धा.

एते सम्बन्धाः व्यक्तिगत-causality न सूचयन्ति; एते model-अन्तर्गताः prediction-signals सन्ति.

मधुमेहः तथा उच्च-रक्तचापः

Self-reported diabetes इत्यस्य crude association बलवत् इव दृश्यते, तथापि अन्य-variables नियंत्रिते सति:

aOR = 1,09, p = 0,790

अभवत्.

उच्च-रक्तचापस्य adjusted association अपि:

aOR = 1,15, p = 0,425

इत्यनेन significant न अभवत्.

एतत् दर्शयति यत् univariable associations multivariable model मध्ये पर्याप्तं परिवर्तितुं शक्नुवन्ति.

मॉडल् कियत् सम्यक् भेदं करोति?

बाह्य-सत्यापनम्

स्वतन्त्रे NHANES 2013–2014 cohort मध्ये:

AUC 0,822 दर्शयति यत् मॉडल् दन्तचिकित्सक-मूल्याङ्कनम् आवश्यकं येषां तथा न आवश्यकं येषां तान् व्यक्तीन् chance इत्यस्मात् स्पष्टतया श्रेष्ठं विभजति.

आन्तरिक-सत्यापनम्

184-व्यक्तीनां hold-out data set मध्ये:

आन्तरिक-बाह्य-सत्यापनयोः AUC-मानानां समीपता, द्वयोः स्वतन्त्र-मूल्याङ्कन-प्रवाहयोः discrimination-performance समानतया स्थितम् इति अनुरूपम्.

Calibration किं दर्शयति?

उत्तमः prediction-model केवलं व्यक्तीन् सम्यक् क्रमयेत् न; तेन उत्पादिताः probabilities वास्तविक-observed-risk सह अपि अनुरूपाः भवेयुः.

बाह्य-सत्यापने:

• calibration slope = 0,85
• intercept = 0,04

इति प्राप्तम्.

आदर्श-मॉडले slope प्रायः 1 तथा intercept प्रायः 0 भवति.

Intercept 0 समीपं भवति इति सामान्य-risk-level मध्ये systematic bias सीमितम् इति सूचयति.

Slope 1 अधः भवति इति coefficients नूतन-cohort मध्ये किञ्चित् अतिशय-तीक्ष्णतया व्यवहर्तुं शक्नुवन्ति, अर्थात् सीमितं overfitting/optimism अस्ति इति दर्शयति.

तथापि लेखकः calibration सामान्य-risk-range मध्ये सुदृढम् अवशिष्टम्, विशेषतः उच्च-risk-levels मध्ये उत्तमं अनुरूपत्वं दर्शितम् इति निवेदयति.

Decision Curve Analysis किं दर्शयति?

ROC/AUC मॉडलस्य discrimination-क्षमतां दर्शयति; किन्तु clinic मध्ये मुख्यः प्रश्नः “अस्य मॉडलस्य उपयोगः निर्णयं वास्तवतः सुधरयति वा?” इति.

Decision Curve Analysis एतं प्रश्नंnet benefitद्वारा मूल्याङ्कयति.

अध्ययने मॉडल् external validation cohort मध्ये परीक्षितेषु thresholds मध्ये:

• सर्वान् दन्तचिकित्सकं प्रति प्रेषयितुम्,
• कञ्चन अपि न प्रेषयितुम्

इत्येताभ्यां रणनीतिभ्यां उच्चतरं net benefit दर्शितवान्.

0,33 threshold किमर्थं महत्त्वपूर्णम्?

अध्ययने clinical-use कृते प्राथमिक-threshold:

\(P_t=0,33\)

इति मूल्याङ्कितम्.

अस्मिन् threshold मध्ये मॉडलस्य net benefit:

0,354

आसीत्, सर्वान् प्रेषयति इति दृष्टौ:

0,284

इति गणितम्.

मध्यस्थः:

ΔNB = 0,070

भेदः Decision Curve Analysis-परिप्रेक्ष्ये प्रायः:

100 व्यक्तिषु 14 अनावश्यक-मूल्याङ्कनानां परिहारस्य तुल्यः

इति व्याख्यातः.

एतत् न सूचयति यत् वास्तविके prospective clinical trial मध्ये 100 व्यक्तिषु निश्चितरूपेण 14 visits निवारिताः; एषः mathematical decision-analysis-equivalent अस्ति.

0,33 threshold मध्ये clinical findings ग्रहणम्

External validation मध्ये 0,33 threshold:

• दन्तक्षययुक्त-व्यक्तीनां कृते प्रायः%90,4 sensitivity,
• दन्तमांस-रोगस्य कृते प्रायः%87,1 sensitivity

दत्तवान्.

एते मानाः 0,50 threshold मध्ये क्रमशः %78,9 तथा %79,3 सन्ति.

अतः निम्नतर-threshold अधिकानि संभावित-cases गृह्णाति, किन्तु तस्य मूल्येन अधिकान् व्यक्तीन् व्यावसायिक-मूल्याङ्कनाय प्रेषयति.

अयं मॉडल् दन्तरोगस्य निदानं कर्तुं शक्नोति वा?

न। मॉडल् दन्तक्षयः, periodontitis, oral lesion वा अन्यः dental disease इत्यस्य diagnostic tool नास्ति.

तस्य output केवलम्:

“व्यावसायिक-दन्तचिकित्सक-मूल्याङ्कनं सिफारिश्यते”

वा

“नियमित-मुख-परिचर्यां जारी कुरु”

इत्याकारस्य screening/triage निर्णयस्य कृते.

अतः positive result विशिष्टः रोगः निश्चिततया अस्ति इति न दर्शयति; negative result अपि व्यक्तिः निश्चिततया रोगरहितः इति न दर्शयति.

अयं मॉडल् तुर्की-देशे प्रत्यक्षं उपयोगनीयः वा?

मूल-अध्ययनं तत् न सत्यापयति.

मॉडल्:

• U.S. NHANES population मध्ये विकसितम्,
• 30–50-वर्षीय-दन्तयुक्त-वयस्कैः सीमितम्,
• U.S.-स्वास्थ्य-सेवा-उपयोगं, सामाजिक-आर्थिक-संरचनां तथा सांस्कृतिक-स्वमूल्याङ्कन-patterns समावेशयति.

विशेषतः:

• race/ethnic-origin categories,
• PIR,
• दन्तचिकित्सक-उपयोग-आदतयः,
• स्वास्थ्य-प्रणाली-प्रवेशः

देशानुसारं भिन्नाः भवितुं शक्नुवन्ति.

अतः लेखकः अन्तर्राष्ट्रीय-उपयोगात् पूर्वं स्थानीय-सत्यापनं तथा आवश्यके सति पुनः-calibration आवश्यकम् इति मन्यते.

अध्ययनस्य मुख्य-सीमाः काः?

• अध्ययनं cross-sectional अस्ति; भविष्यत्-रोग-incidence न पूर्वानुमाति.
• केचन predictors व्यक्तेः self-report उपरि आधारिताः.
• Recall bias तथा social desirability bias संभवतः भवेताम्.
• सूक्ष्म-पोषण-सूचनाः मॉडल् मध्ये न समाविष्टाः.
• Validated psychosocial scales दत्तांश-समूहे न सन्ति.
• Potential incorporation bias पूर्णतया शून्यं कर्तुं न शक्यते; किन्तु NHANES protocol मध्ये independent data collection तथा examiner blinding द्वारा न्यूनितम्.
• मॉडल् केवलं U.S. तथा 30–50-वर्ष-वर्गे सत्यापितम्.
• अन्येषु देशेषु उपयोगात् पूर्वं स्थानीय-सत्यापनम् आवश्यकम्.
• Calibration slope 0,85 अस्ति तथा नूतन-populations मध्ये operational recalibration अपेक्षितं भवेत्.
• मॉडल् व्यावसायिक-परीक्षणस्य स्थानं न गृह्णाति.

स्रोतः तथा विधि-विवरणम्

इदं Verianla-विषयवस्तु Miika Penttala इत्यनेन रचितस्यPredicting the Need to Visit a Dentist in Young to Middle-Aged Adults: A Development and External Validationइति शीर्षकस्य academic study आधारं कृत्वा स्वतन्त्रतया निर्मितम्.

लेखःDentistry Journalइत्यस्मिन् 2026-वर्षे, Volume 14, Article 398 रूपेण प्रकाशितः। DOI:10.3390/dj14070398. प्रकाशन-दिनाङ्कः 1 July 2026। अध्ययनं MDPI द्वारा Creative Commons Attribution (CC BY) license अन्तर्गतं open access रूपेण प्रकाशितम्.

अध्ययनं NHANES 2011–2014-दत्तांश-आधारितं cross-sectional clinical prediction model-development तथा external validation study अस्ति। NHANES 2011–2012 development source, NHANES 2013–2014 च independent temporal external validation cohort रूपेण उपयुक्तम्.

लक्ष्य-परिणामः NHANES-लाइसेंसयुक्त-दन्तचिकित्सकैः प्रदत्तः Overall Recommendation for Care variable अस्ति। “तत्क्षणम्”, “द्वयोः सप्ताहयोः अन्तरे” तथा “प्रथम-अवसरे” दन्तचिकित्सकं प्रति गमन-सिफारिशाः एकस्मिन् positive class मध्ये संयोजिताः, “नियमित-परिचर्यां जारी कुरु” negative class रूपेण उपयुक्तम्.

मॉडल् पूर्वनिर्धारित-14-predictors-आधारितं multivariable logistic regression अस्ति। Variables स्वचालित-stepwise-selection द्वारा न, किन्तु clinical usability तथा oral health-संबन्धाः आधारं कृत्वा पूर्वमेव निर्धारिताः.

अनुपलब्ध-दत्तांशः 20 Multiple Imputation द्वारा व्यवहृतः; external validation cohort development-dataतः स्वतन्त्रतया संसाधितः। Model performance AUC, Brier score, sensitivity, specificity, calibration तथा Decision Curve Analysis द्वारा मूल्याङ्कितम्.

स्वतन्त्र-बाह्य-सत्यापने AUC 0,822, calibration slope 0,85 तथा intercept 0,04 निवेदितम्। 0,50 threshold मध्ये sensitivity %73,5 तथा specificity %79,0.

0,33 decision threshold मध्ये निवेदितं “100 व्यक्तिषु प्रायः 14 अनावश्यक-मूल्याङ्कन-परिहारः” इति वाक्यं वास्तविक-world prospective-use-result न, किन्तु Decision Curve Analysis मध्ये गणितं net-benefit-equivalent प्रतिनिधयति.

अध्ययनं भविष्यत्-दन्तरोग-विकासं न पूर्वानुमाति तथा dental diagnosis न करोति। मॉडलस्य लक्ष्यं व्यावसायिक-दन्तचिकित्सक-मूल्याङ्कनस्य वर्तमान-आवश्यकतायाः screening अस्ति। U.S. बाह्य-उपयोगेभ्यः स्थानीय-सत्यापनं पुनः-calibration च आवश्यकम्.

अध्ययनं बाह्य-वित्तपोषणं न प्राप्तवत्। प्रयुक्तः NHANES protocol NCHS Research Ethics Review Board द्वारा अनुमोदितः, सहभागिभ्यः informed consent प्राप्तम्। अयं अध्ययनः सार्वजनिक-अनामिकीकृत-दत्तांशं उपयुज्य secondary analysis अस्ति। लेखकः conflict of interest न निवेदितवान्.