高齢者における認知機能、口腔状態、全身代謝機能の関係

Relationship Between Cognitive Function, Oral Conditions and Systemic Metabolic Function in the Elderly.

抄録

生活習慣病を含む全身性の代謝異常は認知症の危険因子として知られている。さらに、歯周病や虫歯などの口腔疾患も生活習慣病などの全身性代謝異常と関連し、認知症発症の危険因子の指標となることが報告されている。本研究では、高齢者の認知機能と口腔状態、全身代謝機能との関連を検討した。高齢者41名（69.7±5.6歳）を対象に、健康な歯の本数、補綴歯の装着本数、補綴歯の欠損本数などを調査した。認知機能はMMSE（Mini Mental State Examination）で評価した。また、ディープラーニングを用いたMMSE得点の評価を用いて、各被験者のMMSE得点を推定した。このディープラーニング法は、健康診断の基本的な血液検査データに基づいてMMSEスコアの推定を可能にし、生活習慣病を含む全身の代謝状態を反映する。推定されたMMSEスコアは、年齢と負の相関（r=-0.381）、健康な歯の本数と正の相関（r=0.37）、欠損補綴歯の本数と負の相関（r=-0.39）を示した。この関係はMMSE得点の測定値には認められなかった。年齢と現在の歯の数との間には負の相関（r=-0.36）が認められ、年齢と欠損補綴歯の数との間には正の相関（r=0.37）が認められた。また、補綴が必要な歯の本数と生活習慣病との間には正の相関が認められた。ディープラーニングを用いた認知機能推定法により、口腔内の健康状態、全身の代謝機能と認知機能障害のリスクとの間に密接な関係があることが明確に示された。その結果、現存歯数が少ないほど、また欠損補綴歯数が多いほど、認知機能障害のリスクが高いことが明らかになった。全身の代謝機能は、口腔の健康と認知機能に影響を及ぼすと推定される。興味深いことに、測定されたMMSEスコアにはそのような関係は認められなかった。これには2つの理由が考えられる。1つ目は、MMSEは主観的な検査であり、認知機能の評価において正確性に欠けるということである。もう1つは、ディープラーニングを用いて血液データに基づいて推定されたMMSEは、代謝機能に基づいて算出されているため、代謝機能に影響される口腔の健康状態との相関が強いということである。結論として、口腔の健康状態は高齢者の認知機能障害を予測する可能性がある。

Systemic metabolic disorders, including lifestyle-related diseases, are known risk factors for dementia. Furthermore, oral diseases such as periodontal disease and tooth decay are also associated with systemic metabolic disorders such as lifestyle-related diseases, and have also been reported to be indicators of risk factors for developing dementia. In this study, we investigated the relationship between cognitive function, oral conditions and systemic metabolic function in the elderly. We investigated the number of healthy teeth, the number of prosthetic teeth fitted, the number of missing prosthetic teeth, etc., in 41 elderly patients (69.7 ± 5.6 years old). Cognitive function was evaluated by the Mini Mental State Examination (MMSE). We also estimated MMSE scores for each subject using deep learning-based assessment of MMSE scores. This deep learning method enables the estimation of the MMSE score based on basic blood test data from medical examinations and reflects the systemic metabolic state including lifestyle-related diseases. The estimated MMSE score correlated negatively with age (r = -0.381), correlated positively with the number of healthy teeth (r = 0.37), and correlated negatively with the number of missing prosthetic teeth (r = -0.39). This relationship was not found in the measured MMSE scores. A negative correlation (r = -0.36) was found between age and the current number of teeth and a positive correlation (r = 0.37) was found between age and the number of missing prosthetic teeth. A positive correlation was found between the number of teeth requiring prosthesis and lifestyle-related diseases. The deep learning-based estimation method of cognitive function clearly demonstrated the close relationship between oral health condition, systemic metabolic function and the risk of cognitive impairment. It was determined that the smaller the number of existing teeth and the larger the number of missing prosthetic teeth, the higher is the risk of cognitive impairment. Systemic metabolic function is presumed to affect oral health and cognitive function. Interestingly, no such relationship was found in the measured MMSE scores. There are two possible reasons for this. The first is that MMSE is a subjective test and is less accurate in assessing cognitive function. The second is that because the MMSE estimated based on blood data using deep learning is calculated based on the metabolic function, it has a stronger correlation with the oral health condition affected by the metabolic function. In conclusion, oral health condition may predict cognitive impairment in the elderly.