基于机器学习的苏州地区9岁儿童第一恒磨牙龋病预测模型研究

摘要

目的 利用机器学习算法构建苏州地区9岁儿童第一恒磨牙龋病预测模型，筛选危险因素。方法 采用随机分层整群抽样的方法，在吴中区14个乡镇、街道的38所小学中随机抽取9岁在校学生进行口腔检查和问卷调查。采用Logistic多因素回归分析龋齿的危险因素。将数据集按8∶2随机分为训练集及验证集，使用R 4.3.1构建随机森林、决策树、极端梯度提升（XGBoost）、Logistic回归、轻量级梯度提升（LightGBM） 5种机器学习算法，应用受试者工作特征曲线下面积（AUC）评估5种模型的预测效果。通过沙普利加和解释（SHAP）量化特征对龋齿预测模型的边际贡献。结果 研究纳入符合标准的样本7 225例，其中第一恒磨牙患龋率为54.96%，多因素Logistic回归分析显示，甜饮料、甜点心和糖果、零食频率、刷牙后睡前零食等与第一恒磨牙龋齿的发生存在关联（P<0.05）。决策树、Logistic回归、轻量级梯度提升、随机森林、极端梯度提升这5种预测模型的AUC值分别为75.5%、83.9%、88.6%、88.9%、90.1%。对比独热编码后的变量，高频甜食（如甜点心糖果每天≥2次、母亲含糖饮食每天≥2次）与不良口腔卫生习惯（如刷牙后睡前常吃零食、刷牙不规律）的SHAP值为正。结论 基于极端梯度提升算法构建苏州地区9岁儿童第一恒磨牙龋病的预测模型，具有较好的预测效果。高频甜食和不良口腔卫生习惯对第一恒磨牙患龋有强正向影响，是关键的驱动因素，可用于针对性干预措施的制定。

关键词

第一恒磨牙 / 机器学习 / 影响因素 / 预测模型