Förutsägelse av svårighetsgraden vid skelettfluoros med maskininlärning i olika fluoridexponerade befolkningar i Kina

Varför detta är viktigt för vardagshälsan

Skelettfluoros är en allvarlig bensjukdom som uppstår efter att ha tagit upp för mycket fluorid under många år. Den kan utvecklas från vaga värk till krökta ryggrader, stela leder och livslång funktionsnedsättning. Miljontals människor i låg- och medelinkomstländer lever i områden där vatten, kolrök eller till och med te tyst tillför fluorid dagligen. Denna studie visar hur moderna dataverktyg kan hjälpa läkare att upptäcka personer på en farlig bana mycket tidigare—innan skadorna blir permanenta.

En dold fara i dagliga vanor

I delar av Kina och i andra länder kommer hög fluoridexponering från vardagliga rutiner: att elda lokalt kol inomhus, dricka brunnsvatten eller konsumera starkt tegelte. Fluorid byggs långsamt upp i skelettet och ger först bara mild ledvärk eller stelhet. När röntgenbilder visar tydliga skador är mycket av skadan redan gjord och svår att vända. Forskarna bakom denna studie frågade om information som är lättare att samla in—såsom ålder, enkla smärtskattningar, ledrörelse och urintester—kunde kombineras för att förutsäga hur allvarlig en persons benskada redan är.

En nationell databild

Teamet använde sig av China Fluorosis Cohort, som startade 2022, och fokuserade på tre regioner som representerar de viktigaste exponeringsvägarna: koleldade samhällen i Guizhou, områden med fluoridrika dricksvatten i Shanxi och tegelte-drickande samhällen i Sichuan. Av nästan 1 800 frivilliga som alla hade skelettfluoros inkluderades 1 309 med fullständig information i analysen. Varje deltagare fyllde i detaljerade frågeformulär, fick sin längd, vikt och blodtryck mätta, genomgick ledundersökningar av ortopediska specialister och lämnade blod- och urinprover för flera kemiska tester. Expertradiologer graderade varje persons sjukdom som mild eller måttlig-till-svår med standardiserade röntgenbilder.

Att lära datorer känna igen svår sjukdom

Eftersom dussintals potentiella riskindikatorer registrerades använde teamet först ett statistiskt filter för att skära ner 80 uppmätta variabler till 22 som bar mest information om hur avancerad sjukdomen var. Dessa inkluderade var en person bodde, deras ålder och sömntid, mått på benstyrka, bedömningar av hur fritt stora leder kunde röra sig, en enkel 0–10 smärtskala, nivåer av markörer för benuppbyggnad och bennedbrytning, inflammationssignaler, standard blodvärden, leverfunktion och mängden fluorid i urin. Forskarna tränade sedan fem olika datoriserade modeller, inklusive en populär metod kallad random forest, på data från ungefär 70 % av deltagarna och testade hur väl modellerna fungerade på de återstående 30 %. Prestation bedömdes främst efter hur väl modellerna skilde mild från mer allvarlig sjukdom.

Vad modellen lärde sig om ben och smärta

Random forest-modellen visade sig vara mest träffsäker och särskiljde korrekt mild från måttlig-till-svår fluoros hos ungefär fyra av fem personer i testgruppen. För att öppna modellens ”svarta låda” använde teamet en teknik som tilldelar varje indata en bidragspoäng för varje prediktion. Smärtnivå framträdde som den enskilt viktigaste signalen: högre smärtskattningar drev starkt prediktionerna mot mer allvarlig sjukdom. Begränsad knä- och axelrörelse, högre ålder och högre urinfluoridhalter spelade också stora roller. Personer med lägre bentäthet och ändrade markörer för benbildning hade större sannolikhet att ha avancerade skador, även om deras ben kunde framstå som tätare men mer spröda. Modellen fångade också tydliga regionala mönster: områden där kol eldas hade den största andelen svåra fall, följt av dricksvattenområden, medan tegeltezoner tenderade att visa mildare, mer reversibla sjuktillstånd.

Vad detta betyder för förebyggande

För familjer som lever i högt fluoridmiljöer tyder detta arbete på att enkel information—hur mycket en person har ont, hur väl deras leder rör sig, grundläggande laboratorietester och var de bor—kan kombineras till ett tidigt varningssystem. Istället för att vänta på att röntgen visar avancerade benskador kan vårdpersonal använda en sådan modell för att flagga personer med hög risk och prioritera dem för tätare uppföljning, förändringar av vatten- eller bränslekällor eller andra skyddsåtgärder. Även om tillvägagångssättet fortfarande behöver förfinas och testas i andra länder erbjuder det en praktisk väg mot tidigare upptäckt och smartare folkhälsoplanering i samhällen där skelett tyst registrerar en livstid av fluoridexponering.

Citering: 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

Nyckelord: skelettfluoros, fluoridexponering, maskininlärning, bennytta, miljöepidemiologi