Графовое представление полости рта как способ скрининга общего состояния пациента

ЦЕЛЬ. Анализ способности полости рта, представленной графом «пациент – зуб» и обработанной графовой нейронной сетью, отражать системное здоровье на примере выявления сопутствующей сердечно-сосудистой патологии.

МАТЕРИАЛЫ И МЕТОДЫ. На крупной популяционной выборке каждый пациент представлен гетерогенным графом «пациент – зуб», отражающим пародонтальный статус и конфигурацию зубного ряда; обучен гетерогенный графовый трансформер с механизмом внимания. Способность структуры нести системный сигнал проверена двумя способами: удалением графовой структуры при сохранении суммарного индекса КПУ и оценкой вклада графа в сценарии стоматологического кресла (модель «возраст, пол + граф» против «только возраст и пол»). В качестве примера выбраны атеросклеротические сердечно-сосудистые заболевания (АССЗ) и хроническая сердечная недостаточность (ХСН); дискриминацию оценивали по AUC с тестом Делонга, применимость – рабочей точкой.

РЕЗУЛЬТАТЫ. Сигнал сердечно-сосудистой патологии содержится именно в графовой структуре: удаление структуры зубов при сохранении индекса КПУ значимо снижало AUC для обоих сердечно-сосудистых исходов – ХСН (−0,024; p = 0,026) и АССЗ (−0,011; p = 0,032). В сценарии стоматологического кресла граф давал прирост AUC +0,083 для ХСН (p = 2 × 10^-⁴) и +0,030 для АССЗ (p = 1,5 × 10^-⁵); при чувствительности около 0,80 модель обеспечивала специфичность 0,70–0,74 и отрицательную прогностическую ценность 0,97–0,99.

ВЫВОДЫ. Получено первое подтверждение гипотезы о том, что графовое представление полости рта может «читаться» как карта системного здоровья: сердечно-сосудистый сигнал заключен в структуре зубного ряда и не сводится к суммарным индексам. Пародонтологический осмотр применим как точка скрининга сопутствующей сердечно-сосудистой патологии с направлением к врачу.

1. Sanz M., Marco Del Castillo A., Jepsen S., Gonzalez-Juanatey J.R., D’Aiuto F., Bouchard P. et al. Periodontitis and cardiovascular diseases: Consensus report. J Clin Periodontol. 2020;47(3):268–288. https://doi.org/10.1111/jcpe.13189

2. Tonetti M.S., D’Aiuto F., Nibali L., Donald A., Storry C., Parkar M. et al. Treatment of periodontitis and endothelial function. N Engl J Med. 2007;356(9):911–920. https://doi.org/10.1056/NEJMoa063186 (Erratum in: N Engl J Med. 2018;378(25):2450. https://doi.org/10.1056/NEJMx180022).

3. Fröhlich H., Herrmann K., Franke J., Karimi A., Täger T., Cebola R. et al. Periodontitis in chronic heart failure. Tex Heart Inst J. 2016;43(4):297–304. https://doi.org/10.14503/THIJ-15-5200

4. Nabila S., Choi J., Kim J.E., Hahn S., Hwang I.K., Kim T.I. et al. Bidirectional associations between periodontal disease and systemic diseases: a nationwide population-based study in Korea. Sci Rep. 2023;13(1):14078. https://doi.org/10.1038/s41598-023-41009-4

5. Шефов В.Ю., Орехова Л.Ю., Лобода Е.С., Шефова А.В. Ограниченность линейных статистических методов в анализе взаимосвязей стоматологического статуса и соматического здоровья пациента. Пародонтология. 2026;31(1):61–76. https://doi.org/10.33925/1683-3759-2026-1210

6. Лосев Ф.Ф., Сорокина А.А., Салахов А.К., Докин С.П. Использование искусственного интеллекта в современной стоматологии в Российской Федерации. Стоматология. 2024;103(5):42–45. https://doi.org/10.17116/stomat202410305142

7. Ойсиева К.Ш., Розов Р.А. Искусственный интеллект в стоматологии как веление времени. Стоматология. 2025;104(1):87–92. https://doi.org/10.17116/stomat202510401187

8. Kinane D.F., Stathopoulou P.G., Papapanou P.N. Periodontal diseases. Nat Rev Dis Primers. 2017;3:17038. https://doi.org/10.1038/nrdp.2017.38

9. Hu Z., Dong Y., Wang K., Sun Y. Heterogeneous graph transformer. In: Proceedings of the Web Conference 2020 (WWW ‘20), Taipei Taiwan, April 20–24, 2020. New York, NY: Association for Computing Machinery; 2020, pp. 2704–2710. https://doi.org/10.1145/3366423.3380027

10. Schlichtkrull M., Kipf T.N., Bloem P., van den Berg R., Titov I., Welling M. Modeling relational data with graph convolutional networks. In: Gangemi A., Navigli R., Vidal M.-E., Hitzler P., Troncy R., Hollink L. et al. (eds) The Semantic Web (ESWC 2018). Lecture Notes in Computer Science, vol 10843. Cham: Springer; 2018, pp. 593–607. https://doi.org/10.1007/978-3-319-93417-4_38

11. Collins G.S., Reitsma J.B., Altman D.G., Moons K.G.M. Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD statement. Ann Intern Med. 2015;162(1):55–63. https://doi.org/10.7326/M14-0697

12. DeLong E.R., DeLong D.M., Clarke-Pearson D.L. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988;44(3):837–845. https://doi.org/10.2307/2531595

13. Vickers A.J., Elkin E.B. Decision curve analysis: A novel method for evaluating prediction models. Med Decis Making. 2006;26(6):565–74. https://doi.org/10.1177/0272989X06295361