Прогнозирование тяжести скелетного флюороза с помощью машинного обучения в разнообразных популяциях Китая, подвергшихся воздействию фторида

Почему это важно для повседневного здоровья

Скелетный флюороз — серьезное заболевание костей, вызванное длительным употреблением избыточного количества фторида. Оно может начаться с нечетких болей и перерасти в искривление позвоночника, скованность суставов и пожизненную инвалидность. Миллионы людей в странах с низким и средним уровнем дохода живут в районах, где вода, дым от угля или даже чай ежедневно доставляют фторид в организм. Это исследование показывает, как современные инструменты работы с данными могут помочь врачам выявлять людей, находящихся на опасном пути, гораздо раньше — до того, как повреждения станут необратимыми.

Скрытая опасность в повседневных привычках

В некоторых регионах Китая и других стран высокий уровень фторида связан с обычными бытовыми практиками: сжиганием местного угля в помещениях, употреблением воды из колодцев или потреблением крепкого кирпичного чая. Фторид постепенно накапливается в костях, сначала вызывая лишь слабые боли в суставах или скованность. К тому моменту, когда на рентгене видны явные повреждения, значительная часть вреда уже нанесена и трудно поддаётся обратимому лечению. Авторы исследования задали вопрос: можно ли с помощью информации, которую легче собрать — например, возраста, простых оценок боли, подвижности суставов и анализа мочи — предсказать, насколько серьёзны уже имеющиеся повреждения костей.

Национальная картина данных

Команда использовала Китайский когортный реестр по флюорозу, запущенный в 2022 году, сосредоточив внимание на трёх регионах, представляющих основные пути воздействия: сообщества, где в домах сжигают уголь (Гуйчжоу), районы с фторсодержащей питьевой водой (Шаньси) и районы потребления кирпичного чая (Сычуань). Из почти 1800 добровольцев со скелетным флюорозом в анализ вошли 1 309 человек с полными данными. Каждый участник заполнял подробные анкеты, проходил измерение роста, веса и артериального давления, осмотры суставов ортопедами и сдавал кровь и мочу для десятков химических тестов. Экспертные рентгенологи классифицировали тяжесть заболевания как лёгкую или умеренно-тяжёлую/тяжёлую по стандартизированным снимкам.

Обучение компьютеров распознавать тяжёлое заболевание

Поскольку было записано десятки потенциальных показателей риска, команда сначала использовала статистический фильтр, чтобы сократить 80 измеренных переменных до 22, несущих наибольшую информацию о стадии болезни. Сюда вошли место проживания, возраст и продолжительность сна, показатели прочности костей, оценки подвижности крупных суставов, простой болевой балл по шкале 0–10, уровни маркеров формирования и разрушения костной ткани, признаки воспаления, стандартные анализы крови, функции печени и концентрация фторида в моче. Затем исследователи обучили пять различных моделей, включая популярный метод random forest, на данных примерно 70% участников и протестировали их на оставшихся 30%. Оценка работы моделей проводилась главным образом по точности разделения лёгкой и более серьёзной формы болезни.

Что модель узнала о костях и боли

Модель random forest оказалась наиболее точной, правильно отличая лёгкий флюороз от умеренно-тяжёлого/тяжёлого примерно у четырёх из пяти людей в тестовой группе. Чтобы «раскрыть» «чёрный ящик» модели, команда применяла технику, присваивающую каждому входному признаку вклад в каждое предсказание. Уровень боли выявился как самый важный сигнал: более высокие значения боли сильно сдвигали предсказания в сторону более тяжёлого заболевания. Ограниченная подвижность коленей и плеч, более старший возраст и повышенное содержание фторида в моче также сыграли значимые роли. Люди с пониженной костной массой и изменёнными маркерами формирования костной ткани были более склонны иметь выраженные повреждения, даже если их кости могли выглядеть плотнее, но более ломкими. Модель также зафиксировала чёткие региональные закономерности: в зонах с сжиганием угля доля тяжёлых случаев была наибольшей, затем шли районы с загрязнённой питьевой водой, тогда как в регионах потребления кирпичного чая болезни чаще были более лёгкими и обратимыми.

Что это значит для профилактики

Для семей, живущих в районах с высоким уровнем фторида, результаты работы подразумевают, что простые данные — насколько человек испытывает боль, как хорошо двигаются его суставы, базовые лабораторные тесты и место проживания — можно объединить в систему раннего предупреждения. Вместо того чтобы ждать, пока рентген покажет запущенные повреждения костей, медработники могли бы использовать такую модель для выявления людей с высоким риском и приоритизации их для более тщательного наблюдения, изменения источников воды или топлива и других защитных мероприятий. Хотя подход требует доработки и проверки в других странах, он предлагает практический путь к более раннему выявлению и более разумному общественному здравоохранению в сообществах, где кости молчаливо отражают многолетнее воздействие фторида.

Цитирование: Long, H., Zeng, J., Wei, S. et al. Predicting skeletal fluorosis severity using machine learning across diverse fluoride-exposed populations in China. Sci Rep 16, 13858 (2026). https://doi.org/10.1038/s41598-026-43429-4

Ключевые слова: скелетный флюороз, воздействие фторида, машинное обучение, здоровье костей, экологическая эпидемиология