WO2016108348A1 - 치주질환 예측 시스템 및 이를 이용한 치주질환 예측 방법 - Google Patents

치주질환 예측 시스템 및 이를 이용한 치주질환 예측 방법 Download PDF

Info

Publication number
WO2016108348A1
WO2016108348A1 PCT/KR2015/003414 KR2015003414W WO2016108348A1 WO 2016108348 A1 WO2016108348 A1 WO 2016108348A1 KR 2015003414 W KR2015003414 W KR 2015003414W WO 2016108348 A1 WO2016108348 A1 WO 2016108348A1
Authority
WO
WIPO (PCT)
Prior art keywords
periodontal disease
disease prediction
score
personal information
calculation module
Prior art date
Application number
PCT/KR2015/003414
Other languages
English (en)
French (fr)
Inventor
김현덕
신명섭
Original Assignee
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Publication of WO2016108348A1 publication Critical patent/WO2016108348A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment

Definitions

  • the present invention relates to oral health, preventive dentistry, and periodontal science, and more particularly, to a system and method for predicting periodontal disease using various factors.
  • Periodontal disease including gingivitis in the gums and periodontitis in the alveolar bone, means a disease in which surrounding tissues supporting the tooth are destroyed, not a disease in which the tooth itself is damaged, and is an infectious and inflammatory chronic disease.
  • Direct causes of periodontal disease include bacterial plaque, tartar and smoking, but are indirectly associated with socioeconomic standards, lifestyle and general health.
  • the paradigm of medical technology is shifting away from past treatment centers and by predicting and preventing individual risks before the onset of disease, so the need for personalized models to predict the risk of periodontal disease is needed. It is increasing.
  • Japanese Laid-Open Patent Publication No. 2003-0159262 discloses a technique for identifying periodontal disease by collecting and processing data to quantify the progression of periodontal disease, but the information used here includes basic information such as age, sex, smoking, and the presence of medication. Since the accuracy of the coefficients of each piece of information is not considered, the accuracy of the periodontal disease is not the data for prevention of periodontal disease. It is also different from the effect to be achieved.
  • Japanese Laid-Open Patent Publication No. 2005-284660 proposes a technique for examining periodontal disease, which does not consider socio-economic habits and the like as the present invention described below, but also merely determines the progression of the periodontal disease that is already in progress. .
  • Korean Patent Publication No. 2013-7017847 utilizes a variety of information to determine the risk of periodontal disease by examining the oral condition. Since the information used here is only molecular biological factors such as calcium concentration, protein concentration, white blood cell count, etc. However, although it is a technique for predicting risk, its accuracy is low because no socioeconomic habits are considered.
  • the present invention is to solve the problems of the prior art as described above.
  • the present invention proposes a predictive model having excellent diagnostic ability in consideration of all socio-economic factors, molecular biological factors, and systemic health factors, and proposes a system and method for implementing the same.
  • a personal information input module 110 for transmitting a score for a predetermined personal information to the periodontal disease prediction score calculation module 190; Metabolic syndrome calculation module 120 for transmitting whether or not metabolic syndrome to the periodontal disease prediction score calculation module 190; An MMPs calculation module 130 for transmitting a value of MMPs received from a GCF marker result input unit 131 to the periodontal disease prediction score calculation module 190; The periodontal disease prediction using the values transmitted from the personal information input module 110, the metabolic syndrome calculation module 120 and the MMPs calculation module 130 and a periodontal disease prediction score (score) using a predetermined formula Score calculation module 190; And periodontal disease prediction system including a periodontal disease risk output unit 191 which outputs whether or not a periodontal disease prediction score calculated by the periodontal disease prediction score calculation module 190 is compared with a preset risk criterion.
  • the personal information input module 110 transmits the score for the predetermined personal information to the periodontal disease prediction score calculation module 190;
  • the metabolic syndrome calculation module 120 transmitting the metabolic syndrome to the periodontal disease prediction score calculation module 190;
  • (c) transmitting, by the MMPs calculation module 130, the value of MMPs received from the GCF marker result input unit 131 to the periodontal disease prediction score calculation module 190;
  • the periodontal disease prediction score calculating module 190 calculating a periodontal disease prediction score using the values transmitted in the steps (a), (b) and (c) and a preset equation;
  • periodontal disease risk output unit 191 comparing the periodontal disease prediction score (score) calculated in the step (d) with the preset risk criteria, and outputs whether or not the periodontal disease prediction Provide a method.
  • the predetermined score for the personal information is preferably a score for age (Age), sex (Sex), economic level (Income), smoking (Smoking) and drinking (Drinking).
  • the value of said MMPs is a value of MMP-8, MMP-9, and MMP-13.
  • the preset equation is the same as Equation 1 below, where sex (Sex) is “0” if the value transmitted through the personal information input module 110 is “0” and “1” if it is female. , Income is “1” if the value transmitted through the personal information input module 110 is less than 2 million won per month, "2” if more than 2 million won per month and less than 4 million won per month, "3” if more than 4 million won per month "Smoking” is “1” if the value transmitted through the personal information input module 110 is non-smoking, "2” if smoking, and drinking (Drinking) the personal information input module 110 If the value transmitted through non-drinking "1", occasional drinking “2", frequent drinking “3”, and metabolic syndrome (MetS) is the value transmitted through the metabolic syndrome input module 120 is No If "1", Yes is "2" is preferred.
  • the metabolic syndrome calculation module 120 receives the waist circumference from the personal information input module 110, receives information according to the biomarker result from the biomarker result input unit 121, blood pressure input unit 122 It is preferable to calculate the metabolic syndrome by receiving a blood pressure from the input, by a predetermined method using the received information.
  • biomarker result input unit 121 may input triglycerides, HDL cholesterol, and fasting glucose to the metabolic syndrome calculation module 120.
  • the periodontal disease risk output unit 191 outputs the periodontal disease risk when the calculated periodontal disease predicted score (score) is 0.24 or more.
  • the present invention it is easy to prevent periodontal disease because the risk can be predicted before the periodontal disease occurs.
  • risk groups can be motivated to improve their health, and in particular, they can be identified individually by using some indicators without visiting a dentist. Can give
  • FIG. 1 is a schematic diagram illustrating a system according to the present invention.
  • FIG. 2 illustrates a sample for generating a prediction model according to the present invention.
  • FIG. 5 illustrates a result of reapplying to the deployment model and the verification model in order to verify the prediction model according to the present invention.
  • system refers to an object.
  • module is a unit for calculating information, but it is noted that a plurality of modules are not necessarily physically divided.
  • MMPs refer to Matrix Metalloproteinases and are enzymes that play a role not only in physiological development and tissue reconstitution, but also in pathological tissue disruption.
  • MMPs in the art is MMP-1 to MMP-13 and the like, collectively referred to as MMPs as described.
  • GCF gingival crevicular fluid
  • the system according to the present invention includes a personal information input module 110, metabolic syndrome calculation module 120, MMPs calculation module 130, periodontal disease prediction score calculation module 190 and periodontal disease risk output unit 190. .
  • the personal information input module 110 is provided with a separate input unit to receive preset personal information and transmit a score related thereto to the periodontal disease prediction score calculation module 190.
  • Preset personal information includes age, sex, income, smoking, and drinking, and in some cases, one of the factors that determine metabolic syndrome, which will be described later, is waist It may further include a circumference. Each scoring method is described below.
  • the metabolic syndrome calculation module 120 collects information and determines whether metabolic syndrome is transmitted to the periodontal disease prediction score calculation module 190.
  • the metabolic syndrome calculation module 120 has five factors for determining whether metabolic syndrome is large, 1) the waist circumference directly input to the metabolic syndrome calculation module 120, or input through the personal information input module 110 2) the value of triglycerides input through the biomarker result input unit 121, 3) the HDL cholesterol value input through the biomarker result input unit 121, and 4) the biomarker result input unit 121.
  • the waist circumference is greater than 90 cm for men or more than 85 cm for women, 2) whether the value of triglycerides is greater than 150 mg / dL, and 3) the value of HDL cholesterol is less than 40 mg / dL for men and 50 mg for women. or less than / dL, the fasting blood glucose value of 4) is greater than 110g / dL, 5) blood pressure is greater than 100mmHg when contracted and 85mmHg when expanded, or blood pressure medication medication, etc. Metabolic syndrome is calculated according to a predetermined method.
  • the MMPs calculation module 130 transmits the value of MMPs received from the GCF marker result input unit 131 to the periodontal disease prediction score calculation module 190.
  • GCF markers of MMP-8, MMP-9, and MMP-13 are used, and the result of using the GCF marker is input through the GCF marker result input unit 131.
  • the periodontal disease prediction score calculation module 190 uses the values transmitted from the personal information input module 110, the metabolic syndrome calculation module 120, and the MMPs calculation module 130, and uses the variable values input from the variable input unit 150. To calculate the periodontal disease prediction score (score) using a predetermined formula.
  • the periodontal disease risk output unit 191 outputs a risk by comparing the periodontal disease prediction score (score) calculated by the periodontal disease prediction score calculation module 190 with a preset risk criterion.
  • the prediction method includes the steps of: (a) the personal information input module 110 transmitting a score regarding a preset personal information to the periodontal disease prediction score calculation module 190; (b) the metabolic syndrome calculation module 120 transmitting the metabolic syndrome to the periodontal disease prediction score calculation module 190; (c) transmitting, by the MMPs calculation module 130, the value of MMPs received from the GCF marker result input unit 131 to the periodontal disease prediction score calculation module 190; (d) the periodontal disease prediction score calculating module 190 calculating a periodontal disease prediction score using the values transmitted in the steps (a), (b) and (c) and a preset equation; And (e) periodontal disease risk output unit 191, comparing the periodontal disease prediction score (score) calculated in the step (d) with a predetermined risk criteria and outputs a risk.
  • the preset formula is as follows.
  • Age is the value sent through the personal information input module 110 is used as it is.
  • Sex (Sex) is "0" if the value transmitted through the personal information input module 110, "1" if the female.
  • the economic level is "1" if the value transmitted through the personal information input module 110 is less than 2 million won per month, "2" if more than 2 million won per month and less than 4 million won per month, and "3" if it exceeds 4 million won per month. .
  • Smoking is “1” if the value transmitted through the personal information input module 110 is non-smoking, "2" if smoking.
  • Drinking is “1” if the value transmitted through the personal information input module 110, "2" for occasional drinking, “3” for frequent drinking.
  • the values of non-drinking, occasional drinking, and drinking alcohol are values that are input through the personal information input module 110, and thus, there is no problem in universality.
  • Metabolic syndrome (MetS) is "1" when the value transmitted through the metabolic syndrome input module 120 is No, "2" when Yes.
  • the MMP-8, MMP-9, and MMP-13 use the values transmitted through the MMPs calculation module 130 as they are.
  • the periodontal disease risk output unit 191 determines that the periodontal disease risk is high and outputs it.
  • the constants -4.014 and the coefficients 0.042, -0.232, 0.084, 0.073, -0.365, 0.400, 0.064, -0.005, and 0.021 are values used for the variable input unit 150, and these values are the inventors. Values obtained by a number of experiments with The standard value of risk of 0.24 is also the value obtained by a number of experiments.
  • FIG. 2 illustrates a development sample and a verification sample for obtaining the above-described equation.
  • a total of 322 samples were used as development samples and a total of 184 samples were used as validation samples.
  • FIG. 3 shows c-statics from which sensitivity can be inferred, as well as sensitivity and specificity for identifying ROC curves for various combinations of the above variables.
  • the combination of AGESD-MMP-MetS showed the best performance among various combinations. That is, it is confirmed that the values of IL-6, IN-8, and TNF- ⁇ using cytokines do not need to be considered.
  • the periodontal disease prediction score can be confirmed through a combination of various variables, among which age and MMP-8 are the most important values.
  • FIG. 5 the result of reapplying this to the development sample and the verification sample described in FIG. 2 is shown in FIG. 5.
  • the slight difference in the number of samples in FIG. 2 and FIG. 5 is due to some data missing during the statistical process.
  • the present invention proposes a new prediction model for calculating the periodontal disease prediction score, and provides a system and method for the same.

Landscapes

  • Medical Informatics (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Health & Medical Sciences (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

본 발명은 치주질환 예측점수를 연산하기 위한 새로운 예측 모델을 제시하고, 이를 위한 시스템 및 방법을 제공한다. 종래 기술과 달리, 사회경제습관 요인, 분자생물학적 요인 및 전신건강 요인을 모두 고려한 예측 모델이며, 검증 결과 진단 능력이 우수함이 확인되었다.

Description

치주질환 예측 시스템 및 이를 이용한 치주질환 예측 방법
본 발명은 구강보건학, 예방치과학, 치주과학에 관한 것으로, 보다 구체적으로 다양한 요인을 이용하여 치주질환을 예측하는 시스템과 방법에 관한 것이다.
치주질환은 잇몸에 발생하는 치은염과 치조골에 발생하는 치주염을 포함하여, 치아 자체가 손상되는 질환이 아닌 치아를 지지하고 있는 주위 조직이 파괴되는 질환을 의미하며, 감염성이며 염증성인 만성질환이다.
치주질환의 직접적 원인은, 세균성 치태, 치석, 흡연 등을 들 수 있으나, 간접적으로는 사회경제 수준은 물론, 생활 습관 및 전신 건강과도 연관이 있는 것으로 알려져 있다.
의료 기술의 패러다임은, 과거의 치료 중심에서 벗어나, 질병이 발병하기 이전에 개인별로 위험을 예견하고 예방하는 방식으로 변경되고 있는바, 치주질환의 위험 정도를 예견할 수 있는 개인별 맞춤식 모델의 필요성은 증가하고 있다.
관련된 종래기술을 살펴보면 다음과 같다.
일본공개특허 제2003-0159262호는 데이터를 수집하고 가공하여 치주병의 진행도를 수치화하여 치주병을 판별하는 기술을 개시하나, 여기에서 사용되는 정보들은 연령, 성별, 흡연, 복약유무 등 기본적인 정보에 불과하며, 각 정보들의 계수 값에 대한 고찰이 없어서 그 정확도가 낮을 수 밖에 없으며, 특히 치주질환의 예방을 위한 데이터가 아니라, 이미 진행되고 있는 치주병의 진행도를 판단하는 것이기에, 본 발명이 이루고자 하는 효과와도 상이하다.
일본공개특허 제2005-284660호는 치주질환을 검사하는 기술을 제시하는데, 후술하는 본 발명과 같이 사회경제습관 요인 등을 고려하지 않으며 역시 이미 진행되고 있는 치주질환의 진행도를 판단하는 것에 불과하다.
한국공개특허 제2013-7017847호는 구강 상태를 검사하여 치주병 위험도를 판정하기 위하여 다양한 정보를 활용하는데, 여기에서 활용되는 정보들은 칼슘 농도, 단백질 농도, 백혈구의 수 등 분자생물학적 요인들에 불과하므로, 비록 위험도를 예측하는 기술이기는 하나 사회경제습관 요인이 전혀 고려되어 있지 않아서 그 정확도가 낮다.
<종래기술>
일본공개특허 제2003-0159262호
일본공개특허 제2005-284660호
한국공개특허 제2013-7017847호
이에, 본 발명은 상기와 같은 종래기술의 문제점을 해결하고자 한다.
구체적으로, 본 발명은 종래기술들과 달리, 사회경제습관 요인, 분자생물학적 요인 및 전신건강 요인을 모두 고려하여 진단능력이 우수한 예측 모형을 제시하고, 이를 구현한 시스템과 방법을 제안하고자 한다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 일 실시예는, 미리 설정된 개인정보에 관한 점수를 치주질환 예측점수 연산모듈(190)에 전송하는 개인정보 입력모듈(110); 대사증후군 여부를 상기 치주질환 예측점수 연산모듈(190)에 전송하는 대사증후군 연산모듈(120); GCF 마커 결과 입력부(131)로부터 입력받은 MMPs의 값을 상기 치주질환 예측점수 연산모듈(190)에 전송하는 MMPs 연산모듈(130); 상기 개인정보 입력모듈(110), 상기 대사증후군 연산모듈(120) 및 상기 MMPs 연산모듈(130)로부터 전송된 값들과 기 설정된 수식을 이용하여 치주질환 예측점수(score)를 연산하는 상기 치주질환 예측점수 연산모듈(190); 및 상기 치주질환 예측점수 연산모듈(190)에서 연산된 치주질환 예측점수(score)를 기 설정된 위험도 기준과 비교하여 위험 여부를 출력하는 치주질환 위험도 출력부(191)를 포함하는, 치주질환 예측 시스템을 제공한다.
상기와 같은 과제를 해결하기 위하여, 본 발명의 다른 실시예는, (a) 개인정보 입력모듈(110)이 미리 설정된 개인정보에 관한 점수를 치주질환 예측점수 연산모듈(190)에 전송하는 단계; (b) 대사증후군 연산모듈(120)이 대사증후군 여부를 상기 치주질환 예측점수 연산모듈(190)에 전송하는 단계; (c) MMPs 연산모듈(130)이 GCF 마커 결과 입력부(131)로부터 입력받은 MMPs의 값을 상기 치주질환 예측점수 연산모듈(190)에 전송하는 단계; (d) 상기 치주질환 예측점수 연산모듈(190)이 상기 (a), (b), (c) 단계에서 전송된 값들과 기 설정된 수식을 이용하여 치주질환 예측점수(score)를 연산하는 단계; 및 (e) 치주질환 위험도 출력부(191)가, 상기 (d) 단계에서 연산된 치주질환 예측점수(score)를 기 설정된 위험도 기준과 비교하여 위험 여부를 출력하는 단계를 포함하는, 치주질환 예측 방법을 제공한다.
또한, 상기 미리 설정된 개인정보에 관한 점수는, 연령(Age), 성별(Sex), 경제수준(Income), 흡연(Smoking) 및 음주(Drinking)에 관한 점수인 것이 바람직하다.
또한, 상기 MMPs의 값은 MMP-8, MMP-9 및 MMP-13의 값인 것이 바람직하다.
또한, 상기 기 설정된 수식은 아래의 수학식 1과 같으며, 여기에서, 성별(Sex)은 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 남성이면 "0", 여성이면 "1"이며, 경제수준(Income)은 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 월 200만원 이하이면 "1", 월 200만원 초과 월 400만원 이하이면 "2", 월 400만원 초과이면 "3"이며, 흡연(Smoking)은 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 비흡연이면 "1", 흡연이면 "2"이며, 음주(Drinking)는 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 비음주이면 "1", 가끔음주이면 "2", 자주음주이면 "3"이며, 그리고 대사증후군(MetS)은 상기 대사증후군 입력모듈(120)을 통하여 전송된 값이 No인 경우 "1"이며, Yes인 경우 "2"인 것이 바람직하다.
또한, 상기 대사증후군 연산모듈(120)은, 상기 개인정보 입력모듈(110)로부터 허리 둘레를 입력받고, 바이오마커 결과 입력부(121)로부터 바이오마커 결과에 따른 정보를 입력받고, 혈압 입력부(122)로부터 혈압을 입력받으며, 상기 입력받은 정보들을 이용하여 기 설정된 방법에 의해 대사증후군 여부를 연산하는 것이 바람직하다.
또한, 상기 바이오마커 결과 입력부(121)는 중성지방(triglycerides)의 값과, HDL 콜레스테롤의 값과, 공복혈당(glucose)의 값을 상기 대사증후군 연산모듈(120)에 입력하는 것이 바람직하다.
또한, 상기 치주질환 위험도 출력부(191)는 연산된 상기 치주질환 예측점수(score)가 0.24 이상인 경우, 치주질환 위험으로 출력하는 것이 바람직하다.
본 발명에 의하여 치주질환이 발생하기 이전에 위험도를 예측할 수 있어서 치주질환 예방이 용이하다.
또한, 개인 맞춤형 치주질환 위험 진단이기에 개인 맞춤형 진단과 처방이 가능하고, 치주질환과 연관된 다요인이 수식에 포함되어 있어 정확도가 우수하다.
개별 치주질환 위험도가 점수화되기에, 위험 집단의 경우 건강 증진에 대한 동기를 부여할 수 있으며, 특히 치과에 방문하지 않고서도 몇몇 지표를 활용하여 개별적으로 확인 가능하기에 국민 구강건강 증진에 큰 도움을 줄 수 있다.
도 1은 본 발명에 따른 시스템을 설명하는 개략도이다.
도 2는 본 발명에 따른 예측 모델을 생성하기 위한 샘플을 설명한다.
도 3은 본 발명을 위한 변수들의 다양한 조합 중 가장 우수한 예측 모형을 설명한다.
도 4는 본 발명에 따른 예측 모델의 상수 및 계수를 설명한다.
도 5는 본 발명에 따른 예측 모델을 검증하기 위하여 전개 모델과 검증 모델에 다시 적용한 결과를 설명한다.
[부호의 설명]
110: 개인정보 입력모듈
120: 대사증후군 연산모듈
121: 바이오마커 결과 입력부
122: 혈압 입력부
130: MMPs 연산모듈
131: GCF 마커 결과 입력부
150: 변수 입력부
190: 치주질환 예측점수 연산모듈
191: 치주질환 위험도 출력부
이하에서, "시스템"은 물건을 지칭한다.
이하에서, "모듈"은 정보를 연산하는 단위이되, 다수의 모듈이 반드시 물리적으로 구분되지 않음에 주의한다.
이하에서, "MMPs"는 기질 금속단백 분해효소(Matrix Metalloproteinase)들을 의미하며, 생리적 전개 및 조직 재구성뿐만 아니라, 병리적 조직 붕괴에도 역할을 하는 효소이다. 본 기술분야에서 각각의 MMPs들은 MMP-1 내지 MMP-13 등이며, 통칭하여 MMPs로 널리 지칭되는바 이와 같이 기재한다.
이하에서, "GCF"는 치은열구액(gingival crevicular fluid)을 의미하는 것이며, 본 기술분야에서 GCF로 널리 지칭되는바 이와 같이 기재한다.
본 발명에 따른 시스템의 설명
도 2를 참고하여, 본 발명에 따른 시스템을 설명한다.
본 발명에 따른 시스템은 개인정보 입력모듈(110), 대사증후군 연산모듈(120), MMPs 연산 모듈(130), 치주질환 예측점수 연산모듈(190) 및 치주질환 위험도 출력부(190)를 포함한다.
개인정보 입력모듈(110)에는 별도의 입력부가 구비되어 미리 설정된 개인정보를 입력받고 이에 관련된 점수를 치주질환 예측점수 연산모듈(190)에 전송한다.
미리 설정된 개인 정보는 연령(Age), 성별(Sex), 경제수준(Income), 흡연(Smoking) 및 음주(Drinking)를 포함하며, 경우에 따라 후술하는 대사증후군 여부를 판단하는 요소 중 하나인 허리 둘레를 더 포함할 수 있다. 각각의 점수화 방법은 아래에서 후술한다.
대사증후군 연산모듈(120)은 정보들을 수집하여 대사증후군 여부를 판단하여 치주질환 예측점수 연산모듈(190)에 전송한다.
대사증후군 연산모듈(120)에서 대사증후군 여부를 판단하기 위한 요소는 크게 다섯 가지인데, 1) 대사증후군 연산모듈(120)에 직접 입력되거나, 또는 개인정보 입력모듈(110)을 통해 입력되는 허리 둘레, 2) 바이오마커 결과 입력부(121)를 통해 입력되는 중성지방(triglycerides)의 값, 3) 바이오마커 결과 입력부(121)를 통해 입력되는 HDL 콜레스테롤의 값, 4) 바이오마커 결과 입력부(121)를 통해 입력되는 공복혈당(glucose)의 값, 5) 혈압 입력부(122)를 통해 입력되는 혈압이다.
예를 들어, 1)의 허리 둘레가 남성 90cm 초과 또는 여성 85cm 초과 여부, 2)의 중성지방의 값이 150 mg/dL 초과 여부, 3)의 HDL 콜레스테롤의 값이 남성 40mg/dL 미만, 여성 50mg/dL 미만 여부, 4)의 공복혈당의 값이 110g/dL 초과 여부, 5)의 혈압이 수축시 100mmHg 초과 및 확장시 85mmHg 초과 여부, 또는 혈압약 복약 여부 등이 고려될 수 있으며, 이를 이용하여 미리 정해진 방법에 따라 대사증후군 여부가 연산된다.
MMPs 연산모듈(130)은 GCF 마커 결과 입력부(131)로부터 입력받은 MMPs의 값을 치주질환 예측점수 연산모듈(190)에 전송한다.
본 발명에서는 MMP-8, MMP-9, MMP-13의 세 개의 GCF 마커가 사용되며, 이를 사용한 결과가 GCF 마커 결과 입력부(131)를 통해 입력된다.
치주질환 예측점수 연산모듈(190)은 개인정보 입력모듈(110), 대사증후군 연산모듈(120) 및 MMPs 연산모듈(130)로부터 전송된 값들을 이용하며 변수 입력부(150)에서 입력된 변수 값을 활용하여, 기 설정된 수식을 이용하여 치주질환 예측점수(score)를 연산한다.
치주질환 위험도 출력부(191)은, 치주질환 예측점수 연산모듈(190)에서 연산된 치주질환 예측점수(score)를 기 설정된 위험도 기준과 비교하여 위험 여부를 출력한다.
이들에 대한 상세한 설명은 후술한다.
본 발명에 따른 방법의 설명
전술한 시스템을 활용하여 본 발명에 따른 예측 방법을 설명한다.
본 발명에 따른 예측 방법은, (a) 개인정보 입력모듈(110)이 미리 설정된 개인정보에 관한 점수를 치주질환 예측점수 연산모듈(190)에 전송하는 단계; (b) 대사증후군 연산모듈(120)이 대사증후군 여부를 상기 치주질환 예측점수 연산모듈(190)에 전송하는 단계; (c) MMPs 연산모듈(130)이 GCF 마커 결과 입력부(131)로부터 입력받은 MMPs의 값을 상기 치주질환 예측점수 연산모듈(190)에 전송하는 단계; (d) 상기 치주질환 예측점수 연산모듈(190)이 상기 (a), (b), (c) 단계에서 전송된 값들과 기 설정된 수식을 이용하여 치주질환 예측점수(score)를 연산하는 단계; 및 (e) 치주질환 위험도 출력부(191)가, 상기 (d) 단계에서 연산된 치주질환 예측점수(score)를 기 설정된 위험도 기준과 비교하여 위험 여부를 출력하는 단계를 포함한다.
여기에서, 기 설정된 수식은 하기와 같다.
[수학식 1]
Score = -4.014 + (0.042 × Age) - (0.232 × Sex) + (0.084 × Income) + (0.073 × Smoking) - (0.365 × Frinking) + (0.400 × MetS) + (0.064 × MMP-8) - (0.005 × MMP-9) = (0.021 × MMP-13)
연령(Age)은 개인정보 입력모듈(110)을 통하여 전송된 값이 그대로 사용된다.
성별(Sex)은 개인정보 입력모듈(110)을 통하여 전송된 값이 남성이면 "0", 여성이면 "1"이다.
경제수준(Income)은 개인정보 입력모듈(110)을 통하여 전송된 값이 월 200만원 이하이면 "1", 월 200만원 초과 월 400만원 이하이면 "2", 월 400만원 초과이면 "3"이다.
흡연(Smoking)은 개인정보 입력모듈(110)을 통하여 전송된 값이 비흡연이면 "1", 흡연이면 "2"이다.
음주(Drinking)는 개인정보 입력모듈(110)을 통하여 전송된 값이 비음주이면 "1", 가끔음주이면 "2", 자주음주이면 "3"이다. 비음주, 가끔음주, 자주음주의 값들은 개인정보 입력모듈(110)을 통하여 입력되는 값인바 보편성에 문제가 없음은 물론이다.
대사증후군(MetS)은 대사증후군 입력모듈(120)을 통하여 전송된 값이 No인 경우 "1"이며, Yes인 경우 "2"이다.
MMP-8, MMP-9, MMP-13은 MMPs 연산 모듈(130)을 통하여 전송된 값이 그대로 사용된다.
이상과 같은 방법으로 연산된 치주질환 예측점수(score)가 0.24 이상인 경우, 치주질환 위험도 출력부(191)는 치주질환 위험도가 높은 것으로 판단하여 이를 출력한다.
한편, 위의 수식에서 상수인 -4.014와 계수인 0.042, -0.232, 0.084, 0.073, -0.365, 0.400, 0.064, -0.005, 0.021은 변수 입력부(150)에 활용되는 값인데, 이러한 수치들은 본 발명자들에 의한 다수의 실험에 의하여 획득된 값이다. 위험 여부에 대한 기준값인 0.24 역시 다수의 실험에 의하여 획득된 값이다.
상세한 상수, 계수 및 위의 수식의 획득 방법을 설명하면 아래와 같다.
도 2는 전술한 수식 획득을 위한 전개 샘플과 검증 샘플을 도시한다. 전개 샘플로서 총 322개, 검증 샘플로서 총 184개의 샘플이 사용되었다.
도 2에 도시된 바와 같이, 연령, 성별, 경제수준, 흡연, 음주(이하, 총칭하여 AGESD)는 물론, 대사증후군(MetS) 여부, MMPs 및 사이토카인 (cytokine)을 이용한 IL-6, IN-8, TNF-α의 값들도 확인되었음을 알 수 있다.
도 3은 위의 변수들에 대한 다양한 조합들에 대한 ROC 곡선을 확인하기 위한 민감도와 특이도는 물론, 진단 능력을 유추할 수 있는 c-통계값(c-statics)을 나타낸다.
도 3에 도시된 바와 같이, 다양한 조합들 중에서 AGESD-MMP-MetS의 조합이 가장 우수한 성능을 나타냄을 확인하였다. 즉, 사이토카인(cytokine)을 이용한 IL-6, IN-8, TNF-α의 값들을 고려하지 않아도 됨을 확인한 것이다.
다음, 이를 토대로 공지된 기술인 다변수 로지스틱 회귀분석을 수행하였으며, 이를 통하여 회귀방정식이 유도되었고, 이에 따른 상수(constant)와 각각의 변수에 대한 계수(β)가 도 4에 도시된다.
도 4에 도시된 바와 같이, 다양한 변수들의 조합을 통하여 치주질환 예측점수(score)가 확인될 수 있는데, 그 중에서도 나이(age)와 MMP-8의 값이 가장 중요함이 확인되었다.
다음, 이를 도 2에서 설명한 전개 샘플과 검증 샘플에 다시 적용한 결과가 도 5에 도시된다. 도 2와 도 5의 샘플 개수에 약간의 차이가 있음은 통계 과정에서 발생한 일부 데이터 누락에 기인한다.
도 5에 도시된 결과의 c-통계값을 통해 잘 도시되는 바와 같이, 본 발명에 의한 예측 모델의 진단 능력이 우수함이 확인되었다.
이상과 같이, 본 발명은 치주질환 예측점수를 연산하기 위한 새로운 예측 모델을 제시하고, 이를 위한 시스템 및 방법을 제공한다.
종래 기술과 달리, 사회경제습관 요인, 분자생물학적 요인 및 전신건강 요인을 모두 고려한 예측 모델이되, 사이토카인에 의한 결과들은 생략되었음을 알 수 있다.
또한, 도 5에 도시된 바와 같이 진단 능력이 우수함이 검증되었다.
상기에서는 본 발명의 바람직한 실시 예를 참조하여 설명하였지만, 당업계에서 통상의 지식을 가진 자라면 이하의 특허 청구범위에 기재된 본 발명의 사상 및 영역을 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (14)

  1. (a) 개인정보 입력모듈(110)이 미리 설정된 개인정보에 관한 점수를 치주질환 예측점수 연산모듈(190)에 전송하는 단계;
    (b) 대사증후군 연산모듈(120)이 대사증후군 여부를 상기 치주질환 예측점수 연산모듈(190)에 전송하는 단계;
    (c) MMPs 연산모듈(130)이 GCF 마커 결과 입력부(131)로부터 입력받은 MMPs의 값을 상기 치주질환 예측점수 연산모듈(190)에 전송하는 단계;
    (d) 상기 치주질환 예측점수 연산모듈(190)이 상기 (a), (b), (c) 단계에서 전송된 값들과 기 설정된 수식을 이용하여 치주질환 예측점수(score)를 연산하는 단계; 및
    (e) 치주질환 위험도 출력부(191)가, 상기 (d) 단계에서 연산된 치주질환 예측점수(score)를 기 설정된 위험도 기준과 비교하여 위험 여부를 출력하는 단계를 포함하는,
    치주질환 예측 방법.
  2. 제1항에 있어서,
    상기 (a) 단계에서, 상기 미리 설정된 개인정보에 관한 점수는, 연령(Age), 성별(Sex), 경제수준(Income), 흡연(Smoking) 및 음주(Drinking)에 관한 점수인,
    치주질환 예측 방법.
  3. 제2항에 있어서,
    상기 (c) 단계에서, 상기 MMPs의 값은 MMP-8, MMP-9 및 MMP-13의 값인,
    치주질환 예측 방법.
  4. 제3항에 있어서,
    상기 (d) 단계에서의 기 설정된 수식은 아래와 같으며,
    Score = -4.014 + (0.042 × Age) - (0.232 × Sex) + (0.084 × Income) + (0.073 × Smoking) - (0.365 × Frinking) + (0.400 × MetS) + (0.064 × MMP-8) - (0.005 × MMP-9) = (0.021 × MMP-13)
    여기에서, 성별(Sex)은 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 남성이면 "0", 여성이면 "1"이며, 경제수준(Income)은 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 월 200만원 이하이면 "1", 월 200만원 초과 월 400만원 이하이면 "2", 월 400만원 초과이면 "3"이며, 흡연(Smoking)은 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 비흡연이면 "1", 흡연이면 "2"이며, 음주(Drinking)는 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 비음주이면 "1", 가끔음주이면 "2", 자주음주이면 "3"이며, 그리고 대사증후군(MetS)은 상기 대사증후군 입력모듈(120)을 통하여 전송된 값이 No인 경우 "1"이며, Yes인 경우 "2"인,
    치주질환 예측 방법.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 대사증후군 연산모듈(120)은,
    상기 개인정보 입력모듈(110)로부터 허리 둘레를 입력받고, 바이오마커 결과 입력부(121)로부터 바이오마커 결과에 따른 정보를 입력받고, 혈압 입력부(122)로부터 혈압을 입력받으며, 상기 입력받은 정보들을 이용하여 기 설정된 방법에 의해 대사증후군 여부를 연산하는,
    치주질환 예측 방법.
  6. 제5항에 있어서,
    상기 바이오마커 결과 입력부(121)는 중성지방(triglycerides)의 값과, HDL 콜레스테롤의 값과, 공복혈당(glucose)의 값을 상기 대사증후군 연산모듈(120)에 입력하는,
    치주질환 예측 방법.
  7. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 (e) 단계는, 상기 치주질환 위험도 출력부(191)가, 상기 (d) 단계에서 연산된 치주질환 예측점수(score)가 0.24 이상인 경우, 치주질환 위험으로 출력하는 단계를 포함하는,
    치주질환 예측 방법.
  8. 미리 설정된 개인정보에 관한 점수를 치주질환 예측점수 연산모듈(190)에 전송하는 개인정보 입력모듈(110);
    대사증후군 여부를 상기 치주질환 예측점수 연산모듈(190)에 전송하는 대사증후군 연산모듈(120);
    GCF 마커 결과 입력부(131)로부터 입력받은 MMPs의 값을 상기 치주질환 예측점수 연산모듈(190)에 전송하는 MMPs 연산모듈(130);
    상기 개인정보 입력모듈(110), 상기 대사증후군 연산모듈(120) 및 상기 MMPs 연산모듈(130)로부터 전송된 값들과 기 설정된 수식을 이용하여 치주질환 예측점수(score)를 연산하는 상기 치주질환 예측점수 연산모듈(190); 및
    상기 치주질환 예측점수 연산모듈(190)에서 연산된 치주질환 예측점수(score)를 기 설정된 위험도 기준과 비교하여 위험 여부를 출력하는 치주질환 위험도 출력부(191)를 포함하는,
    치주질환 예측 시스템.
  9. 제8항에 있어서,
    상기 미리 설정된 개인정보에 관한 점수는, 연령(Age), 성별(Sex), 경제수준(Income), 흡연(Smoking) 및 음주(Drinking)에 관한 점수인,
    치주질환 예측 시스템.
  10. 제9항에 있어서,
    상기 MMPs의 값은 MMP-8, MMP-9 및 MMP-13의 값인,
    치주질환 예측 시스템.
  11. 제10항에 있어서,
    상기 기 설정된 수식은 아래와 같으며,
    Score = -4.014 + (0.042 × Age) - (0.232 × Sex) + (0.084 × Income) + (0.073 × Smoking) - (0.365 × Frinking) + (0.400 × MetS) + (0.064 × MMP-8) - (0.005 × MMP-9) = (0.021 × MMP-13)
    여기에서, 성별(Sex)은 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 남성이면 "0", 여성이면 "1"이며, 경제수준(Income)은 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 월 200만원 이하이면 "1", 월 200만원 초과 월 400만원 이하이면 "2", 월 400만원 초과이면 "3"이며, 흡연(Smoking)은 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 비흡연이면 "1", 흡연이면 "2"이며, 음주(Drinking)는 상기 개인정보 입력모듈(110)을 통하여 전송된 값이 비음주이면 "1", 가끔음주이면 "2", 자주음주이면 "3"이며, 그리고 대사증후군(MetS)은 상기 대사증후군 입력모듈(120)을 통하여 전송된 값이 No인 경우 "1"이며, Yes인 경우 "2"인,
    치주질환 예측 시스템.
  12. 제8항 내지 제11항 중 어느 한 항에 있어서,
    상기 대사증후군 연산모듈(120)은, 상기 개인정보 입력모듈(110)로부터 허리 둘레를 입력받고, 바이오마커 결과 입력부(121)로부터 바이오마커 결과에 따른 정보를 입력받고, 혈압 입력부(122)로부터 혈압을 입력받으며, 상기 입력받은 정보들을 이용하여 기 설정된 방법에 의해 대사증후군 여부를 연산하는,
    치주질환 예측 시스템.
  13. 제12항에 있어서,
    상기 바이오마커 결과 입력부(121)는 중성지방(triglycerides)의 값과, HDL 콜레스테롤의 값과, 공복혈당(glucose)의 값을 상기 대사증후군 연산모듈(120)에 입력하는,
    치주질환 예측 시스템.
  14. 제8항 내지 제11항 중 어느 한 항에 있어서,
    상기 치주질환 위험도 출력부(191)는 연산된 상기 치주질환 예측점수(score)가 0.24 이상인 경우, 치주질환 위험으로 출력하는,
    치주질환 예측 시스템.
PCT/KR2015/003414 2014-12-31 2015-04-06 치주질환 예측 시스템 및 이를 이용한 치주질환 예측 방법 WO2016108348A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020140195294A KR101745067B1 (ko) 2014-12-31 2014-12-31 치주질환 예측 시스템 및 이를 이용한 치주질환 예측 방법
KR10-2014-0195294 2014-12-31

Publications (1)

Publication Number Publication Date
WO2016108348A1 true WO2016108348A1 (ko) 2016-07-07

Family

ID=56284486

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2015/003414 WO2016108348A1 (ko) 2014-12-31 2015-04-06 치주질환 예측 시스템 및 이를 이용한 치주질환 예측 방법

Country Status (2)

Country Link
KR (1) KR101745067B1 (ko)
WO (1) WO2016108348A1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102134516B1 (ko) 2018-10-18 2020-07-16 부산대학교 산학협력단 치주 질환 진단용 바이오마커 및 이를 이용한 진단키트
KR102216822B1 (ko) * 2018-12-07 2021-02-18 서울대학교병원 급성 뇌경색 환자의 3개월 후 기능적 예후 예측 방법 및 시스템
KR102098624B1 (ko) * 2019-09-20 2020-04-08 서울대학교산학협력단 타액 mmp-9 및 il-8를 이용한 치주염 예측 시스템 및 이를 이용한 치주염 예측 방법
KR102398684B1 (ko) 2020-08-19 2022-05-13 부산대학교 산학협력단 치주 질환 진단용 대사체 바이오마커 조성물 및 이를 이용한 진단키트

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002253584A (ja) * 2001-02-27 2002-09-10 Motosan Engineering Kk 歯周病診断装置
JP2003159262A (ja) * 2001-11-27 2003-06-03 Sense It Smart Corp 口腔予備検診システム、口腔予備検診方法、記録媒体、プログラム
JP2005017148A (ja) * 2003-06-27 2005-01-20 Motosan Engineering Kk 歯周病診断装置
US20060154210A1 (en) * 2004-11-18 2006-07-13 Martin John A Describing a periodontal disease state

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008257293A (ja) * 2007-03-30 2008-10-23 Koichiro Yuji 健康状態予測システム
TWI405565B (zh) * 2009-04-01 2013-08-21 Colgate Palmolive Co 口腔用組成物之抗－骨質流失及抗－牙周附連喪失之功效

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002253584A (ja) * 2001-02-27 2002-09-10 Motosan Engineering Kk 歯周病診断装置
JP2003159262A (ja) * 2001-11-27 2003-06-03 Sense It Smart Corp 口腔予備検診システム、口腔予備検診方法、記録媒体、プログラム
JP2005017148A (ja) * 2003-06-27 2005-01-20 Motosan Engineering Kk 歯周病診断装置
US20060154210A1 (en) * 2004-11-18 2006-07-13 Martin John A Describing a periodontal disease state

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAN, DONG - HUN ET AL.: "Gingival Crevicular Fluid Levels of Matrix Metalloproteinases Cross-sectionally related to Periodontitis and Metabolic Syndrome in Community Korean s", JOURNAL OF CLINICAL PERIODONTOLOGY, vol. 39, no. 12, December 2012 (2012-12-01), pages 1125 - 1131 *

Also Published As

Publication number Publication date
KR20160083502A (ko) 2016-07-12
KR101745067B1 (ko) 2017-06-12

Similar Documents

Publication Publication Date Title
Meuric et al. Signature of microbial dysbiosis in periodontitis
Castillo et al. Periodontal and oral microbiological status of an adult population undergoing haemodialysis: a cross‐sectional study
Saygun et al. Salivary infectious agents and periodontal disease status
WO2016108348A1 (ko) 치주질환 예측 시스템 및 이를 이용한 치주질환 예측 방법
Rijkschroeff et al. Oral polymorphonuclear neutrophil characteristics in relation to oral health: a cross-sectional, observational clinical study
Shaw et al. Distinguishing the signals of gingivitis and periodontitis in supragingival plaque: A cross-sectional cohort study in Malawi
Flynn et al. Severe odontogenic infections, part 2: prospective outcomes study
WO2018111040A1 (ko) 세균 메타게놈 분석을 통한 위암 진단방법
Bostanci et al. Dysbiosis of the human oral microbiome during the menstrual cycle and vulnerability to the external exposures of smoking and dietary sugar
Acharya et al. Species-level salivary microbial indicators of well-resolved periodontitis: a preliminary investigation
WO2019160284A1 (ko) 세균 메타게놈 분석을 통한 뇌졸중 진단방법
Loeper et al. Microbiota changes impact on sexually transmitted infections and the development of pelvic inflammatory disease
Men et al. Identification of a novel CNV at 8q13 in a family with branchio‐oto‐renal syndrome and epilepsy
Ye et al. Clinical study showing a lower abundance of Neisseria in the oral microbiome aligns with low birth weight pregnancy outcomes
Sparvoli et al. Women's multisite microbial modulation during pregnancy
WO2021025218A1 (ko) 연관 표현형의 유전적 위험도를 결합한 질병의 위험도 예측 장치 및 방법
WO2019147080A1 (ko) 세균 메타게놈 분석을 통한 우울증 진단방법
Wu et al. Bacterial diversity and community characteristics of the sinus and dental regions in adults with odontogenic sinusitis
Lieberman et al. Genomic epidemiology of Treponema pallidum and circulation of strains with diminished tprK antigen variation capability in Seattle, 2021–2022
Kim et al. Effect of a multichannel oral irrigator on periodontal health and the oral microbiome
Gao et al. Differential expressions of biomarkers in gingival crevicular fluid of Han and Uygur populations with peri-implantitis
Mendonça et al. Study of the association between the interleukin-1 β c. 3954C> T polymorphism and periodontitis in a population sample from Bahia, Brazil
De Grandi et al. Salivary calculi microbiota: new insights into microbial networks and pathogens reservoir
WO2019146966A1 (ko) 세균 메타게놈 분석을 통한 담관암 진단방법
Morillo et al. Periodontopathogenic bacteria in subglottic samples from patients undergoing elective intubation for general anesthesia: A pilot study

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15875443

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15875443

Country of ref document: EP

Kind code of ref document: A1