Utafiti huu unatengeneza, kwa watu wazima wenye umri wa miaka 30–50,makadirio ya iwapo wanahitaji tathmini ya daktari wa meno wakati huokwa kutumia viashiria 14 vinavyopatikana kwa urahisi ambavyo havihitaji uchunguzi wa kliniki wala kipimo cha maabara, kupitia modeli ya logistic regression yenye vigezo vingi. Lengo la modeli si kutambua ugonjwa wa meno; bali kukadiria katika kiwango cha skrini iwapo mtu anapaswa kuelekezwa kwa tathmini ya kitaalamu ya meno.

Modeli ilitengenezwa kwa watu wazima wenye meno wenye umri wa miaka 30–50 katika data za U.S. National Health and Nutrition Examination Survey (NHANES) 2011–2012 na kuthibitishwa kwa nje katika kohorti huru ya NHANES 2013–2014. Matokeo lengwa si mtazamo wa mtu mwenyewe, bali pendekezo rasmi la huduma lililotolewa na madaktari wa meno wenye leseni baada ya uchunguzi wa kawaida wa kliniki.

Katika uthibitishaji wa nje, modeli ilifikia AUC 0,822, unyeti wa %73,5 na umaalumu wa %79,0. Mteremko wa kalibresheni ulikuwa 0,85 na intercept 0,04. Decision Curve Analysis ilionyesha kuwa hasa katika kizingiti cha uamuzi cha 0,33, modeli inaweza kutoa net benefit kubwa zaidi kuliko mbinu ya kuwaelekeza watu wote moja kwa moja kwa daktari wa meno.

Hata hivyo, utafiti huu si modeli ya longitudinal ya hatari inayotabiri magonjwa ya meno yatakayotokea baadaye. Data za NHANES za mkato zilitumika, na modeli imethibitishwa kwa kundi la umri wa miaka 30–50 nchini Marekani. Kabla ya kutumiwa katika nchi au mifumo mingine ya afya, uthibitishaji wa ndani na recalibration zinahitajika.

Kwa nini ni muhimu kutabiri hitaji la kwenda kwa daktari wa meno?

Ingawa kuoza kwa meno, ugonjwa wa periodontal na usafi duni wa kinywa hutokea mara nyingi katika utu uzima, hitaji la tathmini ya kitaalamu linaweza lisitambuliwe na watu wengi.

Mtu anaweza kudhani afya ya kinywa chake ni ya kutosha kwa sababu hahisi maumivu; lakini uchunguzi wa kliniki unaweza kufichua:

• uozo hai wa meno,
• tatizo la periodontal,
• mkusanyiko mkubwa wa plaque au calculus,
• restoration iliyoshindwa,
• kidonda cha tishu laini

na hali nyingine zinazohitaji tathmini ya kitaalamu.

Kwa hiyo, lengo la utafiti ni kutengeneza mbinu ya skrini inayoweza kupanuliwa, inayoweza kuainisha mapema hitaji la tathmini ya kitaalamu kwa kutumia maswali ambayo mtu anaweza kuyajibu kwa urahisi akiwa nyumbani au katika mazingira ya huduma ya afya ya msingi.

Modeli Inatabiri Nini Hasa?

Modeli haitoi utambuzi kama “una kuoza kwa meno”, “una periodontitis” au “jino hili linahitaji kutibiwa”. Lengo linalotabiriwa ni pendekezo la jumla la huduma lililotolewa na madaktari wa meno wa NHANES baada ya uchunguzi wa kawaida.

Ndani ya NHANES kuna makundi manne:

1. Nenda kwa daktari wa meno mara moja.
2. Nenda kwa daktari wa meno ndani ya wiki mbili.
3. Nenda kwa daktari wa meno katika nafasi ya kwanza.
4. Endelea na huduma ya kawaida ya kinywa.

Mtafiti alipunguza matokeo haya manne kuwa madarasa mawili:

1 = Kuna hitaji la kwenda kwa daktari wa meno

0 = Endelea na huduma ya kawaida ya kinywa

Hivyo tatizo linakuwa tatizo la uainishaji/utabiri wa binary.

Modeli Inatumia Taarifa Zipi 14?

Katika modeli kuna vitabiri 14 vilivyoainishwa mapema.

Kati ya ingizo hizi 14, 11 zinaweza kujibiwa kwa chaguo nyingi. Ni vigezo vitatu tu vinavyohitaji ingizo la nambari:

• umri,
• mzunguko wa kiuno,
• mapato ya familia/uwiano wa umaskini.

Muundo huu unaeleza kwa nini modeli inaonekana kufaa kwa matumizi ya nyumbani au kuunganishwa katika programu za afya za kidijitali.

Kwa Nini Logistic Regression Ilitumika?

Matokeo yana madarasa mawili:

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

Logistic regression inafaa kukokotoa uwezekano wa moja ya matokeo haya mawili kwa kutumia vitabiri vingi.

Modeli ya jumla:

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

ina umbo hili.

Hapa:

• \(X_i\) ni taarifa anazotoa mtumiaji,
• \(\beta_i\) ni coefficient ya modeli ya kila kitabiri,
• \(P(Y=1)\) ni uwezekano wa kuhitaji tathmini ya daktari wa meno.

Katika utafiti, vigezo havikuchaguliwa kwa algoritimu ya stepwise ya kiotomatiki. Vigezo kumi na nne vilibainishwa mapema na vyote viliingizwa kwa lazima katika modeli hiyo hiyo ya multivariable.

Data Zinazokosekana Zilishughulikiwaje?

Badala ya kufuta kabisa uchunguzi wenye data zinazokosekana katika NHANES, Multiple Imputation ilitumika.

Katika utafiti:

m = 20

seti za data zilizokamilishwa ziliundwa.

Mbinu ilijengwa juu ya:

• Fully Conditional Specification,
• Predictive Mean Matching

.

Katika modeli ya imputesheni, pamoja na vitabiri 14 vya msingi na kigezo cha matokeo, HbA1c, shinikizo la damu la systolic, cholesterol jumla, BMI na idadi ya meno zilitumika kama vigezo vya kusaidia.

Vigezo hivi vya kusaidia vilitumika tu kurejesha data zinazokosekana; havikuingizwa katika modeli ya mwisho ya logistic regression.

Seti ya data ya uthibitishaji wa nje ilifanyiwa imputesheni kwa kujitegemea kabisa na data ya maendeleo. Muundo huu unapunguza hatari ya data leakage.

Seti za Data Ziligawanywaje?

Sampuli ya uchambuzi ya NHANES 2011–2012:

n = 1870

iliundwa na watu.

Kati yake:

• %90’ı kohorti ya maendeleo/mafunzo:n = 1686
• %10’u internal hold-out validation:n = 184

zilitengwa.

Uthibitishaji mkuu na wa kuamua ulifanywa katika kohorti huru ya NHANES 2013–2014:

n = 2024

Mgawanyo huu ni muhimu; modeli haikutathminiwa tu kwenye data yake ya mafunzo.

Mbinu na Matokeo ya Utafiti

Hitaji la tathmini ya kitaalamu katika kundi la miaka 30–50

Katika kohorti ya maendeleo, prevalence iliyowekewa uzito ya hitaji la kwenda kwa daktari wa meno:

%49,3

ilikokotolewa.

Kwa maneno mengine, katika sampuli hii takriban mtu mmoja kati ya wawili alipokea pendekezo la tathmini ya kitaalamu ya meno zaidi ya huduma ya kawaida kulingana na uchunguzi wa kawaida wa meno wa NHANES.

Moja ya vitabiri vyenye nguvu zaidi: ziara ya mwisho kwa daktari wa meno

Mchango mkubwa zaidi wa kipekee katika uwezo wa modeli kueleza ulitolewa na:

Ziara ya mwisho kwa daktari wa meno — ΔR² = 0,0304

.

Ikilinganishwa na watu waliokwenda kwa daktari wa meno ndani ya miezi sita:

• kwa waliokwenda miaka 1–2 iliyopita aOR ≈ 3,21,
• kwa waliokwenda miaka 2–3 iliyopita aOR ≈ 2,35,
• kwa waliokwenda miaka 3–5 iliyopita aOR ≈ 3,49,
• kwa ambao hawajaenda kwa zaidi ya miaka 5/hawajawahi kwenda aOR ≈ 3,02

ilipatikana.

Thamani hizi si uwiano wa hatari wa kisababishi, bali ni odds ratio zinazohusishwa na hitaji la sasa la tathmini ya meno baada ya kuzingatia vigezo vingine vya modeli.

Tathmini binafsi ya afya ya kinywa

Ikilinganishwa na waliozitathmini meno na fizi zao kuwa “excellent”:

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

ilihusishwa nayo.

Katika kigezo hiki kuna muundo wazi wa dose-response ambapo kujitathmini vibaya zaidi kunaenda sambamba na hitaji kubwa zaidi la huduma ya kitaalamu.

Uvutaji sigara

Ikilinganishwa na wasiovuta sigara:

• kwa wanaovuta baadhi ya sikuaOR 3,34,
• kwa wanaovuta kila sikuaOR 2,79

ilipatikana.

Kwa kuvutia, thamani ya adjusted odds ratio ya kundi la wanaovuta mara kwa mara ilikuwa kubwa kuliko ya kundi la wanaovuta kila siku. Matokeo haya hayapaswi kutafsiriwa kuwa dozi ya sigara ina athari ya kibiolojia ya kinyume; ukubwa wa kategoria, mahusiano na vigezo vingine na multivariable adjustment vinaweza kuathiri coefficients hizi.

Jinsia

Wanawake walipotumika kama rejea, kwa wanaume:

aOR = 2,30

ilipatikana.

Hii pia inaonyesha kuwa katika idadi ya watu ya utafiti, baada ya kudhibiti vitabiri vingine, jinsia ya kiume ilihusishwa na hitaji kubwa zaidi la tathmini ya daktari wa meno.

Mapato na mzunguko wa kiuno

Kadiri uwiano wa mapato ya familia kwa kiwango cha umaskini ulivyoongezeka, uwezekano ulipungua:

aOR = 0,82

Kwa kila ongezeko la sentimita moja la mzunguko wa kiuno:

aOR = 1,016

ilihusishwa.

Mahusiano haya hayamaanishi usababishi kwa mtu binafsi; ni ishara za utabiri ndani ya modeli.

Kisukari na shinikizo la damu la juu

Ingawa uhusiano ghafi wa Self-reported diabetes ulionekana kuwa wenye nguvu, baada ya kudhibiti vigezo vingine:

aOR = 1,09, p = 0,790

ulipatikana.

Kwa shinikizo la damu la juu pia uhusiano uliorekebishwa:

aOR = 1,15, p = 0,425

haukuwa wa maana.

Matokeo haya yanaonyesha kuwa mahusiano ya kigezo kimoja yanaweza kubadilika kwa kiasi kikubwa ndani ya modeli yenye vigezo vingi.

Modeli Inatenganisha Vizuri Kiasi Gani?

Uthibitishaji wa nje

Katika kohorti huru ya NHANES 2013–2014:

AUC 0,822 inaonyesha kuwa modeli inatofautisha watu wanaohitaji na wasiohitaji tathmini ya daktari wa meno vizuri zaidi kuliko bahati nasibu.

Uthibitishaji wa ndani

Katika seti ya data ya hold-out ya watu 184:

Ukaribu wa thamani za AUC katika uthibitishaji wa ndani na nje unaendana na utendaji wa utenganishaji kubaki sawa katika mikondo miwili huru ya tathmini.

Kalibresheni Inaonyesha Nini?

Modeli nzuri ya utabiri haipaswi tu kupanga watu kwa mpangilio sahihi; uwezekano unaotolewa unapaswa pia kuendana na hatari halisi iliyoonekana.

Katika uthibitishaji wa nje:

• mteremko wa kalibresheni = 0,85
• intercept = 0,04

ulipatikana.

Katika modeli bora, mteremko huwa karibu 1 na intercept karibu 0.

Intercept kuwa karibu na 0 kunadokeza kuwa upotovu wa kimfumo katika kiwango cha jumla cha hatari ni mdogo.

Mteremko kuwa chini ya 1 unaashiria kuwa coefficients zinaweza kuwa kali kidogo mno katika kohorti mpya, yaani kuna kiwango kidogo cha overfitting/optimism.

Hata hivyo, mwandishi anaripoti kuwa kalibresheni ilibaki imara katika wigo wa jumla wa hatari na ilionyesha ulinganifu mzuri hasa katika viwango vya juu vya hatari.

Decision Curve Analysis Inaonyesha Nini?

ROC/AUC inaonyesha uwezo wa modeli kutenganisha; lakini swali kuu kliniki ni “Je, kutumia modeli hii kunaboresha uamuzi kwa kweli?”

Decision Curve Analysis hutathmini swali hili kupitianet benefit.

Katika utafiti, modeli ilionyesha net benefit kubwa zaidi kuliko mikakati ya:

• kuwaelekeza wote kwa daktari wa meno,
• kutomwelekeza mtu yeyote

katika vizingiti vilivyojaribiwa katika kohorti ya uthibitishaji wa nje.

Kwa Nini Kizingiti cha 0,33 Ni Muhimu?

Katika utafiti, kizingiti cha kipaumbele kwa matumizi ya kliniki:

\(P_t=0,33\)

kilitathminiwa.

Katika kizingiti hiki net benefit ya modeli ilikuwa:

0,354

wakati mbinu ya kuwaelekeza wote ilikuwa:

0,284

.

Tofauti ya:

ΔNB = 0,070

ilitafsiriwa katika mfumo wa Decision Curve Analysis kuwa takriban:

sawa na kuepuka tathmini 14 zisizo za lazima kwa watu 100

.

Hii haimaanishi kuwa katika jaribio halisi la prospektivu la kliniki, ziara 14 hasa kati ya watu 100 zilizuiliwa; ni usawa wa uchambuzi wa maamuzi wa kihisabati.

Ukamataji wa matokeo ya kliniki kwenye kizingiti cha 0,33

Katika uthibitishaji wa nje, kizingiti cha 0,33:

• kwa watu wenye kuoza kwa meno kilitoa takribanunyeti wa %90,4,
• kwa ugonjwa wa fizi takribanunyeti wa %87,1

.

Thamani hizi katika kizingiti cha 0,50 ni %78,9 na %79,3 mtawalia.

Kwa hiyo, kizingiti cha chini hunasa visa zaidi vinavyowezekana, lakini kwa gharama ya kuwaelekeza watu wengi zaidi kwa tathmini ya kitaalamu.

Je, Modeli Hii Inaweza Kutambua Ugonjwa wa Meno?

Hapana. Modeli si kifaa cha kutambua kuoza kwa meno, periodontitis, kidonda cha mdomo au ugonjwa mwingine wa meno.

Matokeo yake yanaelekezwa tu kwenye uamuzi wa skrini/triage kama:

“Tathmini ya kitaalamu ya daktari wa meno inapendekezwa”

au

“Endelea na huduma ya kawaida ya kinywa”

.

Kwa hiyo, matokeo chanya hayathibitishi kuwa ugonjwa fulani upo kwa hakika; na matokeo hasi hayathibitishi kuwa mtu hana ugonjwa kabisa.

Je, Modeli Hii Inaweza Kutumika Moja kwa Moja Nchini Uturuki?

Utafiti chanzo haujathibitisha hilo.

Modeli:

• ilitengenezwa katika idadi ya watu ya NHANES ya Marekani,
• imewekewa kikomo kwa watu wazima wenye meno wenye umri wa miaka 30–50,
• inajumuisha mifumo ya matumizi ya huduma za afya, muundo wa kijamii na kiuchumi, na kujitathmini kwa kitamaduni nchini Marekani.

Hasa:

• kategoria za rangi/asili ya kikabila,
• PIR,
• tabia za kutumia huduma za daktari wa meno,
• ufikiaji wa mfumo wa afya

zinaweza kutofautiana kati ya nchi.

Kwa hiyo, mwandishi anaona uthibitishaji wa ndani na, inapohitajika, recalibration kuwa muhimu kabla ya matumizi ya kimataifa.

Vikwazo Vikuu vya Utafiti Ni Vipi?

• Utafiti ni wa mkato; hautabiri incidence ya magonjwa ya baadaye.
• Baadhi ya vitabiri vinategemea taarifa za mtu mwenyewe.
• Recall bias na social desirability bias vinaweza kutokea.
• Maelezo ya kina ya lishe hayakujumuishwa katika modeli.
• Vipimo vya kisaikolojia-kijamii vilivyothibitishwa havipo katika seti ya data.
• Potential incorporation bias haiwezi kuondolewa kabisa; hata hivyo imepunguzwa kwa ukusanyaji huru wa data na examiner blinding katika itifaki ya NHANES.
• Modeli imethibitishwa nchini Marekani pekee na katika kundi la umri wa miaka 30–50.
• Uthibitishaji wa ndani unahitajika kabla ya matumizi katika nchi nyingine.
• Mteremko wa kalibresheni ni 0,85 na operational recalibration inaweza kuhitajika katika idadi mpya za watu.
• Modeli haichukui nafasi ya uchunguzi wa kitaalamu.

Maelezo ya Chanzo na Mbinu

Maudhui haya ya Verianla yameandaliwa kwa kujitegemea kwa kutegemea utafiti wa kitaaluma ulioandaliwa na Miika Penttala wenye kichwaPredicting the Need to Visit a Dentist in Young to Middle-Aged Adults: A Development and External Validation.

Makala ilichapishwa katikaDentistry Journalmwaka 2026, Juzuu 14, Makala 398. DOI:10.3390/dj14070398. Tarehe ya kuchapishwa ni 1 Julai 2026. Utafiti ulichapishwa na MDPI kama ufikiaji wazi chini ya leseni ya Creative Commons Attribution (CC BY).

Utafiti ni wa maendeleo na uthibitishaji wa nje wa modeli ya kliniki ya utabiri wa mkato inayotegemea data za NHANES 2011–2014. NHANES 2011–2012 ilitumika kama chanzo cha maendeleo, na NHANES 2013–2014 kama kohorti huru ya temporal external validation.

Matokeo lengwa ni kigezo cha Overall Recommendation for Care kinachotolewa na madaktari wa meno wenye leseni wa NHANES. Mapendekezo ya kwenda kwa daktari wa meno “mara moja”, “ndani ya wiki mbili” na “katika nafasi ya kwanza” yaliunganishwa kuwa darasa moja chanya, na “endelea na huduma ya kawaida” ikatumika kama darasa hasi.

Modeli ni logistic regression yenye vigezo vingi inayotegemea vitabiri 14 vilivyoainishwa mapema. Vigezo havikuchaguliwa kwa stepwise ya kiotomatiki, bali vilibainishwa mapema kwa kuzingatia matumizi ya kliniki na uhusiano wake na afya ya kinywa.

Data zinazokosekana zilishughulikiwa kwa Multiple Imputation mara 20; kohorti ya external validation ilichakatwa kwa kujitegemea na data ya maendeleo. Utendaji wa modeli ulitathminiwa kwa AUC, alama ya Brier, unyeti, umaalumu, kalibresheni na Decision Curve Analysis.

Katika uthibitishaji huru wa nje, AUC 0,822, mteremko wa kalibresheni 0,85 na intercept 0,04 ziliripotiwa. Katika kizingiti cha 0,50, unyeti ni %73,5 na umaalumu %79,0.

Kauli ya “kuepuka takriban tathmini 14 zisizo za lazima kwa watu 100” iliyoripotiwa katika kizingiti cha uamuzi cha 0,33 haiwakilishi matokeo ya matumizi halisi ya prospektivu, bali ni usawa wa net-benefit uliokokotolewa ndani ya Decision Curve Analysis.

Utafiti hautabiri maendeleo ya baadaye ya ugonjwa wa meno na hautoi utambuzi wa meno. Lengo la modeli ni kuskrini hitaji la sasa la tathmini ya kitaalamu ya daktari wa meno. Kwa matumizi nje ya Marekani, uthibitishaji wa ndani na recalibration zinahitajika.

Utafiti haukupokea ufadhili wa nje. Itifaki ya NHANES iliyotumika iliidhinishwa na NCHS Research Ethics Review Board na washiriki walitoa ridhaa iliyoarifiwa. Huu ni uchambuzi wa pili unaotumia data za umma zilizofichwa utambulisho. Mwandishi hakuripoti mgongano wa maslahi.