Die Trinkwasserhärte (als Indikator für Kalzium) verändert signifikant den Zusammenhang zwischen der Kariesprävalenz bei 5-jährigen Kindern und dem Fluoridgehalt des Trinkwassers sowie sozioökonomischen Ungleichheiten in England.

Karies ist nicht nur die häufigste Mundkrankheit bei Kindern (Bernabe et al. 2025 ), von der weltweit 60–90 % der Schulkinder betroffen sind (Mehta und Bhalla 2014 ), sondern auch die weltweit am weitesten verbreitete nichtübertragbare Krankheit (WHO 2025 ). Neben den offensichtlichen direkten negativen Auswirkungen von Karies auf die betroffenen Kinder kann schwere Karies auch weitere negative Folgen für die Familien haben (z. B. Stress und Störungen des normalen Alltags) (Abed et al. 2020 ). In England ist Karies trotz rückläufiger Prävalenz in den letzten Jahrzehnten immer noch weit verbreitet, insbesondere bei etwa einem Viertel der Fünfjährigen (Roberts et al. 2023 ).

Obwohl Karies weit verbreitet ist, zählt sie auch zu den am besten vermeidbaren Krankheiten, insbesondere durch die Einschränkung des Konsums von freiem Zucker und eine gute Mundhygiene mit fluoridhaltiger Zahnpasta (Weltgesundheitsorganisation 2025 ). Beides lässt sich durch öffentliche Gesundheitsprogramme fördern. In den 1940er Jahren wurde die Fluoridierung des Trinkwassers als kosteneffektive Methode zur Reduzierung von Karies vorgeschlagen (Bruvo et al. 2008 ; Moore et al. 2021 ; Whelton et al. 2019 ). Häufig wird betont, dass die Fluoridierung des Trinkwassers besonders für Bevölkerungsgruppen mit niedrigem sozioökonomischem Status von Vorteil ist (Krisdapong et al. 2014 ; Pattussi et al. 2001 ; Tinanoff et al. 2019 ). McGrady et al. ( 2012 ) kamen zu dem Schluss, dass die Trinkwasserfluoridierung eine wirksame Maßnahme zur Verringerung des sozioökonomischen Unterschieds zwischen Benachteiligung und Karieserfahrung darstellt. Eine neuere systematische Übersichtsarbeit konnte jedoch keine Belege dafür finden, dass die Trinkwasserfluoridierung die sozioökonomisch bedingten Ungleichheiten bei Karies verringert (Iheozor-Ejiofor et al. 2024 ). In Großbritannien untersuchten Nyakutsikwa et al. ( 2021 ) die Fluoridkonzentration in den unteren Schichten der städtischen Gebiete (Lower Layer Super Output Areas, LSOAs) Englands und erstellten einen Datensatz für den Zeitraum von 2009 bis 2020. Ihren Ergebnissen zufolge lag die Abdeckung mit der „optimalen Fluoridierung“ (≥ 0.7 mg/l) landesweit zwischen 6.3 % der LSOAs (2016) und 10.9 % der LSOAs (2014). Anschließend führten Nyakutsikwa et al. ( 2022 ) verglichen die Merkmale der Bevölkerung in optimal fluoridierten Gebieten mit denen in nicht fluoridierten Gebieten. Sie stellten fest, dass optimal fluoridierte Gemeinden tendenziell wirtschaftlich benachteiligter, urbaner und im Durchschnitt etwas jünger sind.

Kalzium im Trinkwasser ist ein weiterer Faktor, der laut zahlreichen Studien eine wichtige Rolle für die Verbesserung der Zahn- und Mundgesundheit spielt (Bruvo et al. 2008 ; Huang et al. 2018 ). Lin et al. ( 2014 ) zeigten beispielsweise, dass ein hoher Kalziumgehalt und ein hohes Kalzium-Phosphor-Verhältnis im Trinkwasser mit einer geringeren Anzahl kariöser Zähne (DC) bei Schulkindern einhergingen, während Tanaka et al. ( 2012 ) einen ähnlichen Zusammenhang zwischen der Kalziumzufuhr der Mütter während der Schwangerschaft und der Anzahl kariöser Zähne bei ihren Kindern feststellten. Bruvo et al. ( 2008 ) berichteten über den signifikanten kombinierten Effekt von Kalzium und Fluorid auf die Anzahl kariöser, gefüllter und fehlender Zahnoberflächen (DMF-S). Diese beiden Komponenten erklärten 45 % der DMF-S-Variationen bei 52,057 15-jährigen Schulkindern in Dänemark. Arvin et al. ( 2018 ) erstellten erfolgreich ein lineares Modell, um die Abhängigkeit von DMF-S von der Konzentration von Kalzium und Fluorid im Trinkwasser sowie vom Familieneinkommen in Dänemark zu untersuchen. Sie fanden heraus, dass alle drei Faktoren umgekehrt proportional zu ln(DMF-S) sind. Ähnliche Schlussfolgerungen wurden in Studien in anderen Teilen der Welt gezogen (Akuno et al. 2019 ; Costa et al. 2012 ; Iheozor?Ejiofor et al., 2015 ; Pizzo et al. 2007 ).

Obwohl es in England mehrere Studien zum Zusammenhang zwischen DC und verschiedenen Prädiktoren gibt (Balmer et al. 2012 ; Jones und Worthington 1999 , 2000 ; McGrady et al. 2012 ; Moore et al. 2024a ), ist uns unseres Wissens keine Studie bekannt, die den Zusammenhang zwischen DC und dem Kalziumgehalt im Trinkwasser in ganz England systematisch untersucht und quantifiziert hat. Dies mag zum Teil daran liegen, dass Kalzium selbst kein Trinkwasserbestandteil ist, der von Wasserversorgern routinemäßig analysiert werden muss, und daher die Daten zum Kalziumgehalt im Trinkwasser der öffentlichen Wasserversorgung in England relativ spärlich sind. Es liegen jedoch umfangreiche Daten zur Wasserhärte (WH, in mg/L) vor, die sich aus der Summe der Kalzium- (Ca²⁺ ^, in mg/L) und Magnesiumkonzentrationen (Mg²⁺ ^, in mg/L) ergibt – gemäß Gleichung (1). ( 1 )—könnte als Ersatz für Kalzium verwendet werden (Elphick et al. 2011 ; Ghosh 2024 ).

Diese Studie untersucht daher den Zusammenhang zwischen der Prävalenz von Demenz bei Fünfjährigen und drei Faktoren: der Wasserhärte (als Indikator für Kalzium), der Fluoridkonzentration und dem Index der Mehrfachbenachteiligung (IMD). Hierfür wird ein multiples lineares Regressionsmodell (MLR) verwendet. Wir prüfen die Hypothese, dass die Wasserhärte ein signifikanter Prädiktor für Demenz in England ist und dass die Einbeziehung der Wasserhärte in Vorhersagemodelle für Demenz den Zusammenhang zwischen Demenz und anderen bekannten Faktoren, insbesondere der Fluoridkonzentration und dem sozioökonomischen Status, signifikant verändert.

Methodik

Eine schematische Darstellung der Studienmethodik findet sich in Abb. 1. In der ersten Phase wurde ein Datensatz aus verschiedenen Quellen erstellt (siehe Abschnitt „ Studiengebiet und räumliche Einheiten “), wobei DC der Zielparameter ist, der mutmaßlich von WH, F und IMD beeinflusst wird. In der nächsten Phase wurde die Abhängigkeit von DC von diesen drei Prädiktoren mittels (i) einfacher Trend- und statistischer Analysen und (ii) Anwendung eines MLR-Modells in der R-Umgebung (R Core Team 2011 ) untersucht.

Untersuchungsgebiet und räumliche Einheiten

Diese Studie quantifiziert den kombinierten Effekt wichtiger Trinkwasserparameter, insbesondere der Fluoridkonzentration und der Wasserhärte (als Indikator für Kalzium), sowie sozioökonomischer Benachteiligung auf die Kalziumkonzentration in England. Als wichtigstes geografisches Einteilungssystem diente die LSOA (Local Supervision of Areas). LSOAs sind Gebiete mit ähnlicher Bevölkerungsgröße (ca. 1500 Einwohner/650 Haushalte). Für diese Studie wurden die LSOAs von 2011 (n = 32,844) verwendet, die von der Website des UK Data Service (UKdataservice) heruntergeladen wurden. Zur Erstellung des numerischen Datensatzes wurden die Punkte verwendet, die geografisch das Zentrum der LSOAs repräsentieren. Für einige Variablen und Gebiete waren keine Daten auf LSOA-Ebene verfügbar; diese wurden stattdessen aus Daten anderer Verwaltungsebenen, insbesondere Bezirken und/oder Einheitsgemeinden, imputiert. Abbildung 2 zeigt die LSOAs und ihre repräsentativen Punkte in England.

Datensatz

Der in dieser Studie analysierte Datensatz umfasste DC als Zielvariable und WH, IMD und F als Prädiktoren. Die räumliche Verteilung dieser Variablen in England, dargestellt mit ArcGIS Pro (Version 3.3.0), ist in Abb. 3 zu sehen . Die Datenquellen werden im Folgenden detaillierter erläutert.

Daten zur Karies

Die Daten zu sichtbarem Kariesbefall (DC), insbesondere der Indikator „Prozentsatz der 5-Jährigen mit sichtbarem Kariesbefall im Schuljahr 2016/2017“, wurden vom Office for Health Improvement and Disparities (OHID 2023 ) bezogen. Diese Daten wurden (OHID 2023 ) mittels einer bevölkerungsbasierten, geschichteten zweistufigen Zufallsstichprobe von Schulen und anschließend von Schulkindern gemäß einem einheitlichen nationalen Protokoll mit geschulten und kalibrierten Prüfern erhoben. Die numerischen Daten wurden für ganz England auf Ebene der Distrikte und urbanen Verwaltungseinheiten (UAs) heruntergeladen (siehe Abb. 3a ).

Wasserhärtedaten

In dieser Studie wurde der deutlich häufiger berichtete WH-Wert für das Jahr 2013 als Indikator für Kalzium verwendet, da die Daten für die öffentliche Trinkwasserversorgung in England [siehe Abb. 3b ] weitgehend unvollständig sind. Die WH-Daten wurden mithilfe eines Machine-Learning-Modells erfasst, das eine Karte digitalisierte, welche die Wasserhärte der öffentlichen Versorgung in England in mg/L als Kalziumgehalt darstellt (scaleguard.co.uk 2024 ). Der Datenerfassungsprozess umfasste Folgendes:

1. (I)Herunterladen und Importieren eines hochauflösenden Bildes in ArcGIS Pro,
2. (Ii)Georeferenzierung des Bildes, um es geografisch an das Untersuchungsgebiet anzupassen,
3. (iii)Bildklassifizierung mithilfe eines Support-Vector-Machine-Modells (SMV) in ArcGIS Pro,
4. (iv)Durchführung manueller Qualitätskontrollen in einigen Bereichen mit einer hohen Dichte an LSOA-Datenextraktionspunkten.

Das Ergebnis war eine Rasterebene mit kategorischen WH-Werten. Abgesehen von Gebieten ohne Informationen und ohne öffentliche Wasserversorgung gab es sechs WH-Klassen: Weich (0–50 mg/L), Mittelweich (51–100 mg/L), Leicht hart (101–150 mg/L), Mittelhart (151–200 mg/L), Hart (201–300 mg/L) und Sehr hart (>300 mg/L) (siehe Abb. 3c ). Im numerischen Datensatz werden diese Klassen durch die Werte 1, 2, 3, 4, 5 bzw. 6 repräsentiert.

Fluoriddaten

Die Daten zur Fluoridkonzentration in der öffentlichen Wasserversorgung für das Jahr 2015 wurden durch Herunterladen von Berichten zur Einhaltung der Wasserqualitätsstandards von den Websites der Wasserversorger mittels einer systematischen Postleitzahlensuche gewonnen, wie bereits von Bowyer et al. ( 2025 ) beschrieben. Fehlende Werte wurden mithilfe von maschinellem Lernen und geografischen Interpolationsmodellen wie folgt imputiert:

1. (I)Die Fluoridkarte von England aus dem Jahr 2014 wurde einer früheren Studie entnommen (Nyakutsikwa et al.). 2021),
2. (Ii)Ein maschinelles Lernmodell – ein künstliches neuronales Netzwerk (KNN) – wurde trainiert, um die Fluoridwerte für 2015 vorherzusagen (unter Verwendung der Fluoridwerte von 2014 als Prädiktor). Anschließend wurde das KNN angewendet, um die fehlenden Werte der Fluoridwerte für 2015 zu imputieren (Details siehe Tabelle im Anhang). S1),
3. (iii)Obwohl das ANN-Modell die meisten fehlenden Daten imputieren konnte, gab es aufgrund fehlender Werte im Prädiktor (d. h. der Fluoridkarte von 2014) immer noch Lücken in den Daten.
4. (iv)Um die verbleibenden Lücken zu schließen, wurde die Natural Neighbors Interpolationstechnik eingesetzt, um den endgültigen Fluorid-Datensatz von 2015 zu erstellen.
5. (V)Schließlich wurde der Datensatz anhand der Vorhersageergebnisse validiert (R²).²?=?0.87—siehe Gl. (5), und mittlerer quadratischer Fehler?=?0.0077 mg/L), sowie visuelle Überprüfungen mit der Fluoridkarte von 2015 aus einer früheren Studie (Roberts et al. ). 2020).

Daten zur sozioökonomischen Ungleichheit

In dieser Studie wird soziale Benachteiligung als Faktor betrachtet, der die zahnärztliche Gesundheit der Bevölkerung beeinflussen kann, ähnlich wie das Familieneinkommen in früheren Arbeiten (Arvin et al. 2018 ). Der Benachteiligungsstatus der LSOAs wurde anhand von IMD-Daten aus dem Jahr 2015 dargestellt (siehe Abb. 3e ). Diese berücksichtigen sieben Benachteiligungsindikatoren in den Bereichen Einkommen, Beschäftigung, Bildung, Qualifikation und Ausbildung, Gesundheit und Behinderung, Kriminalität, Wohnen und Dienstleistungen sowie Lebensumfeld. Die IMD-Dezilwerte reichen von 1 bis 10 und kennzeichnen die am stärksten bzw. am wenigsten benachteiligten LSOAs. Die IMD-Daten für die LSOAs wurden von der Website der britischen Regierung für Dienstleistungen und Informationen ( www.gov.uk 2015 ) heruntergeladen.

Beschreibende Statistik

Nach der Erfassung und räumlichen Vorverarbeitung der DC-Datensätze und Prädiktoren (WH, IMD und F) umfasst der finale Datensatz 26,971 Datensätze. Histogramme der Häufigkeitsverteilung von WH, IMD, F und DC sind in Abb. 4 dargestellt . Wie in Abb. 4 (a–d) zu sehen ist, weisen die Prädiktorvariablen WH, IMD und F im Gegensatz zu DC, das nahezu normalverteilt ist, keine Normalverteilung auf, obwohl Normalverteilung keine Voraussetzung für die multiple lineare Regression (MLR) ist (Bradley 1960 ). Eine Zusammenfassung der deskriptiven Statistiken zur Verteilung findet sich in Tabelle 1. Der mittlere DC-Wert beträgt 23 %, wobei die Werte in den einzelnen LSOAs (auf LAD-Skala) zwischen 4 und 50 % variieren. Die Mittelwerte der Prädiktoren WH, IMD und F betragen 4.09, 5.47 bzw. 0.24 mg/L, die Bereiche liegen bei [1, 6], [1, 10] bzw. [0.01, 1.57] mg/L.

Die Korrelationsmatrix des Datensatzes ist in Tabelle 2 dargestellt . DC korreliert negativ mit WH, IMD und F mit Pearson-Korrelationskoeffizienten (?, siehe Gl. ( 4 )) von 0.41, 0.37 bzw. 0.18, was moderaten, niedrigen bzw. schwachen inversen Korrelationen entspricht (Mukaka 2012 ; Schober et al. 2018 ) und die Nützlichkeit eines multiplen Regressionsmodellierungsansatzes unterstreicht.

Modell

In dieser Studie wurde MLR (Faraway 2016 ; Montgomery et al. 2021 ) verwendet, um objektiv den Zusammenhang zwischen der Zielvariablen DC und mehreren Prädiktoren, nämlich WH, IMD und F, zu ermitteln. Für verschiedene Modelle wurden auch Interaktionsterme zwischen WH, IMD und F gemäß Gleichung ( 2 ) berücksichtigt.

Dabei ist ? ₀ der Achsenabschnitt, ? _i ( i ?=? 1–7 ) repräsentieren unterschiedliche Regressionskoeffizienten und ? steht für den Standardfehler des Residuums (RSE) des Modells. Insgesamt wurden 16 Modelle untersucht, indem verschiedene Kombinationen von Regressionskoeffizienten ? _i angepasst wurden , wie in Tabelle 3 dargestellt.

Des Weiteren implementierten wir das oben beschriebene MLR-Modell in einem F-segmentierten Format, um die Beziehung zwischen DC und F genauer zu untersuchen (Wagner et al. 2002 ). Dabei wurden, basierend auf den als Wendepunkte (BPs) definierten F-Konzentrationen, links und rechts jedes Wendepunkts unterschiedliche Modelle angepasst. Dies führte zu einem flexibleren Modell, das die F-Konzentrationen aufzeigte, bei denen die Zusammenhänge zwischen DC signifikante Veränderungen aufweisen.

Qualitätsindikatoren

Zur Beurteilung der Modellqualität wurden fünf Qualitätsindikatoren herangezogen: RSE, ?, Bestimmtheitsmaß (R² ⁾ , Akaike-Informationskriterium (AIC) und Bayes-Informationskriterium (BIC). Diese Indikatoren wurden gemäß den Gleichungen ( 3 , 4 , 5 , 6 , 7 ) berechnet.

wobei = beobachteter Wert und = vorhergesagter Wert, = Mittelwert der beobachteten Werte, = Mittelwert der vorhergesagten Werte, n = Anzahl der Beobachtungen, p? = Anzahl der geschätzten Parameter (einschließlich Achsenabschnitt), k = Anzahl der geschätzten Parameter plus eins (Fehlerterm) und logL = Log-Likelihood des Modells [Details in Ref. (Kuha 2004 )].

Das BIC dient der Bestimmung des sparsamsten der getesteten Modelle. Eine Reduktion um mehr als 2 Einheiten deutet in der Regel auf ein wesentlich verbessertes Modell hin. In dieser Studie wurde zusätzlich der F-Test (James et al. 2013 ; Neter et al. 1983 ) mittels Varianzanalyse (ANOVA) angewendet, um die MLR-Modelle mit verschiedenen Prädiktoren zu vergleichen und festzustellen, ob die Hinzunahme neuer Prädiktoren die Modellgüte signifikant verbessert. Ein p-Wert < 0.05 wurde als statistisch signifikanter Unterschied zwischen den beiden verglichenen Modellen gewertet.

Modelle und Trends

Die Ergebnisse der MLR-Modellierung von DC mit verschiedenen linearen Kombinationen einzelner Prädiktoren (Modelle 1–7) und mit weiteren Interaktionstermen (Modelle 8–16) sind in Tabelle 3 dargestellt . Die ANOVA-Ergebnisse der F-Tests aller verschachtelten Modelle sind in den Abbildungen S1 und S2 zu sehen. Obwohl formale Tests keine Normalverteilung der Residuen von DC ergaben (möglicherweise aufgrund der großen Stichprobengröße von 26,971), wiesen die Residuen eine Kurtosis und Schiefe nahe null auf, was praktisch keine relevante Abweichung von der Normalverteilung widerspiegelt (siehe Abbildung S3). Obwohl eine Normalverteilung der Residuen der Zielvariablen wünschenswert wäre, haben zahlreiche Studien gezeigt, dass sie keine zwingende Voraussetzung für lineare Regressionsmodelle darstellt, insbesondere bei großen Stichprobenumfängen (Knief und Forstmeier 2021 ; Schmidt und Finan 2018 ). In den Modellen 1–15 zeigen die signifikant (wie durch die 95%-Konfidenzintervalle angegeben) negativen Koeffizienten für die Prädiktorvariablen WH, F und IMD, dass ein höherer Trinkwassergehalt an WH und F sowie ein verbesserter sozioökonomischer Status mit einer Verbesserung der Zahngesundheit einhergehen, was sich in einer geringeren DC-Prävalenz äußert.

Von den einfachen linearen Modellen (Modelle 1–7) weist Modell 7 den größten ? (0.53) und R² ⁽ 0.28) sowie den niedrigsten RSE (7.41), AIC (184607) und BIC (184648) auf, und daher stellt die untenstehende Gleichung ( 8 ) das beste prädiktive MLR-Modell von DC dar, das nur WH, F und IMD als einfache lineare Prädiktorvariablen erster Ordnung verwendet:

Die relative Bedeutung der Prädiktorvariablen für die Vorhersage von DC lässt sich anhand der Verhältnisse der relevanten Koeffizienten in Gl. ( 8 ) beurteilen. Das Verhältnis _Δ₁ / _Δ₃ = 0.39 bedeutet, dass im Durchschnitt eine Erhöhung des WH-Werts um eine Kategorie (z. B. von 3 – Leicht erschwert auf 4 – Mäßig erschwert) oder eine Erhöhung des F-Werts um 0.39 mg/L die gleiche Verbesserung des DC-Ergebnisses bewirken würde. Ebenso bedeuten die Verhältnisse _Δ₂ / _Δ₃ = 0.19 und _Δ₂ / _Δ₁ = 0.50, dass im Durchschnitt eine Erhöhung der IMD-Kategorie um 2 (d. h. eine Reduzierung der relativen Gebietsbenachteiligung um 2 Dezile) den gleichen Einfluss auf das DC-Ergebnis hätte wie eine Erhöhung des F-Werts um 2 × 0.19 mg/L oder eine Erhöhung des WH-Werts um eine Kategorie.

Die Stärke des Zusammenhangs zwischen DC und F (Abb. 5a ) und, in deutlich geringerem Maße, zwischen DC und WH (Abb. 5b ) variiert jedoch mit der IMD-Kategorie. Dies ist besonders ausgeprägt bei F, wo der positive Zusammenhang zwischen höherem Fluoridgehalt im Trinkwasser und niedrigerem DC bei niedrigen IMD-Werten deutlich stärker ist als bei hohen IMD-Werten. Anders ausgedrückt: Die Fluoridierung könnte einen größeren positiven Einfluss auf die Zahngesundheit von Bevölkerungsgruppen mit niedrigerem sozioökonomischem Status haben als von Bevölkerungsgruppen mit höherem sozioökonomischem Status. Daher ist es offensichtlich, dass die Berücksichtigung von Interaktionstermen zwischen WH, IMD und F für ein genaueres DC-~WH+IMD+F-Modell erforderlich ist.

Interaktive Effekte von Prädiktoren

Die Modelle 8–15 in Tabelle 3 stellen Modell 7 dar, das jeweils einen der Interaktionsterme (WH ^. F, WH ^. IMD und IMD ^. F) berücksichtigt. Der Koeffizient von WH ^. IMD (+?0.04) zeigt an, dass der Einfluss von WH auf die Reduzierung von DC in weniger benachteiligten LSOAs geringer ist. Das positive Vorzeichen des Koeffizienten von WH ^. F (+?2.45) impliziert, dass WH und F sich gegenseitig in ihrem unabhängigen Einfluss auf die Reduzierung von DC erheblich abschwächen können. Dies erfordert daher ein ausgewogenes Verhältnis zwischen WH- und F-Werten in Strategien des öffentlichen Gesundheitswesens, die auf die Minimierung von DC abzielen. Ebenso deutet der Koeffizient von IMD ^. F (+?0.83) darauf hin, dass die Schutzwirkung von Fluorid in LSOAs mit unterschiedlichen sozioökonomischen Bedingungen nicht einheitlich ist.

Fluoridkonzentrationsabhängigkeit der DC-F-Assoziation

Modell 16 entspricht einer segmentierten Version von Modell 15, wobei F-basierte BPs verschiedene Segmente für die MLR bestimmen. Es wurden verschiedene Modelle (mit 1, 2 oder 3 BPs und unterschiedlichen Anfangsschätzungen der BPs) getestet. Dabei zeigte sich, dass die Einbeziehung von 3 BPs bei 0.10, 0.15 und 0.37 mg/LF das genaueste segmentierte Modell ergab.

Das Modell 16 , wie es in Gl. ( 9 ) dargestellt ist, erwies sich gemäß allen Güteindikatoren RSE (7.07), ? (0.59), R ² (0.34), AIC (182,078) und BIC (182,201) als deutlich besser als die anderen Modelle in Tabelle 3.

Die Beziehung zwischen DC ^* (DC korrigiert um die angepassten WH- und IMD-Beiträge (einschließlich Wechselwirkungen), um den marginalen Effekt von Fluorid zu visualisieren) und F gemäß dem optimalen Modell 16 ist in Abb. 6 dargestellt . Daraus geht klar hervor, dass die Beziehung zwischen DC ^* und F keine einfache lineare Beziehung erster Ordnung ist. Die Abhängigkeit von DC ^* von F ist vielmehr stark von der F-Konzentration abhängig: Bei F-Konzentrationen unter 0.10 mg/L besteht eine stark negative Abhängigkeit von DC ^* von F, bei Konzentrationen über 0.37 mg/L ist diese deutlich schwächer, während sie bei F-Konzentrationen zwischen 0.10 mg/L und 0.15 mg/L sogar signifikant positiv ist.

Auswirkungen des Kalziumzusatzes in Modellen

Die Bedeutung der Einbeziehung von WH in Modelle der DC-F-Beziehungen sollte hervorgehoben werden. Erstens belegt der signifikante Koeffizient von WH (-1.86 ± 0.06) in Modell 7 den unabhängigen Beitrag von WH zur Erklärung von DC. Zweitens verbessert die Einbeziehung von WH als Prädiktorvariable die Genauigkeit des Modells (Modell 7 vgl. Modell 4, F-Test-Ergebnisse (p < 2e???16) sowie die Qualitätsindikatoren in Tabelle 3 ). Drittens verringert die Einbeziehung von WH als Prädiktorvariable die Stärke der Korrelation von F mit DC um etwa 24 % (χ² _: 4.81 ± 0.33 vgl. χ²: 6.32 ± 0.35) und die Korrelation von IMD mit DC um etwa 17 % (χ² _: 0.94 ± 0.03 vgl. χ²: 1.13 ± 0.03).

Aus ökonomischer Sicht haben frühere Studien überzeugend gezeigt, dass die Trinkwasserfluoridierung in England das Potenzial hat, die Kosten für zahnärztliche Behandlungen geringfügig zu senken. Moore et al. ( 2024b ) analysierten Daten von Patienten im Alter von ≥ 12 Jahren aus den Jahren 2010–2020 und wiesen nach, dass die jährlichen Kosten für zahnärztliche Behandlungen im Nationalen Gesundheitsdienst (NHS) für optimal fluoridierte Patienten in England um 5.5 % niedriger waren (um 22.26 £ pro Person, 95 %-Konfidenzintervall: 21.43 £–23.09 £) als für nicht optimal fluoridierte Patienten. Diese Werte stellen Durchschnittswerte für ganz England dar und umfassen verschiedene Wassergehalte im Trinkwasser (WH). Die vorliegende Studie zeigt jedoch, dass der Wassergehalt (als Indikator für Kalzium) einen wichtigen Einflussfaktor auf den Zusammenhang zwischen Fluoridbelastung und der Prävalenz von Zahnerkrankungen darstellt. Der Wassergehalt sollte daher in Studien zu den Auswirkungen der Trinkwasserfluoridierung auf die Zahngesundheit erfasst und als wichtiger Kontextfaktor berücksichtigt werden. Für Entscheidungsträger, die neue Fluoridierungsprogramme in Betracht ziehen, legen die Ergebnisse dieser Studie nahe, dass die Auswirkungen eines neuen Programms je nach Wasserhärte variieren dürften, sodass die Reduzierung der Kariesprävalenz in einem Gebiet mit weichem Wasser wahrscheinlich größer wäre als in einem vergleichbar benachteiligten Gebiet mit hartem Wasser.

Darüber hinaus kann aufgrund des nachgewiesenen signifikanten Zusammenhangs zwischen DC und niedrigerem WH angenommen werden, dass die höhere DC-Rate in einigen Regionen (insbesondere im Nordwesten) nicht nur auf unzureichendes Trinkwasserfluorid und Mangel zurückzuführen ist (Weston-Price et al. 2018 ), sondern auch maßgeblich auf die Wasserhärte (d. h. niedriger WH und unzureichendes Kalzium im Leitungswasser, siehe Abb. 3 ).

Einige Studien haben schwerwiegende Folgen einer gleichzeitigen, unausgewogenen Fluorid- und Kalziumbelastung aufgezeigt (z. B. hohe Fluorid- und niedrige Kalziumkonzentrationen bei Tieren (Simon et al. 2014 , 2016 )). Dies sowie die in dieser und anderen Studien (Tang et al. 2021 ) nachgewiesenen potenziellen negativen Auswirkungen einer niedrigen Wasserenthärtungseffizienz auf die Darmgesundheit legen nahe, dass Kosten-Nutzen-Analysen von Wasserenthärtungsprogrammen (z. B. Van der Bruggen et al. 2009 ) angesichts dieser Erkenntnisse und unter Berücksichtigung weiterer gesundheitlicher Folgen einer niedrigen Wasserenthärtungseffizienz (z. B. Ekzeme (Lopez et al. 2022 )) neu bewertet werden müssen .

Weitere Überlegungen zur Fluoridierung

Die vorliegende Studie ergab, dass der Einfluss der Trinkwasserfluoridierung auf die Kariesprävalenz in sozial benachteiligten Gebieten, d. h. in Gebieten mit niedrigerem IMD-Wert, stärker ausgeprägt war. Dies deckt sich mit anderen aktuellen ökologischen Studien, die flächenbezogene, aggregierte Ergebnisdaten verwendeten (Disparities, 2022 ; Hobbs et al., 2020 ). Auch die Ergebnisse von Henein und Landes ( 2022 ) bestätigen dies. Sie wiesen einen signifikanten Zusammenhang zwischen sozioökonomischem Status, Trinkwasserfluoridierung und zahnärztlichen Eingriffen bei Kindern in England nach und beobachteten, dass in den am stärksten benachteiligten Bevölkerungsgruppen (IMD ≥ 1) ein erheblicher Unterschied zwischen den Anteilen aktiver zahnärztlicher Behandlungen in fluoridierten und nicht-fluoridierten Gebieten besteht (0.188 bzw. 0.243). Ebenso stellten Hobbs et al. ( 2020 ) in Neuseeland auf Gebietsebene fest, dass die Einweisungsrate von Kindern aufgrund von Karies in Zensusgebieten mit höherer sozioökonomischer Benachteiligung stärker reduziert war.

Studien, die Daten zu individuellen Gesundheitsergebnissen erhoben haben, konnten hingegen keinen größeren präventiven Effekt der Trinkwasserfluoridierung bei sozial benachteiligten Personen feststellen (Goodwin et al. 2022 ; Iheozor-Ejiofor et al. 2024 ; Moore et al. 2024b ). Diese unterschiedlichen Ergebnisse könnten ein klassisches Beispiel für einen epidemiologischen „ökologischen Fehlschluss“ darstellen, demzufolge Schlussfolgerungen, die auf Daten auf Gruppenebene basieren, nicht direkt auf Einzelpersonen übertragen werden können. Wie Rose ( 2001 ) treffend erläuterte, sind die Hauptdeterminanten für gesundheitliche Unterschiede zwischen Bevölkerungsgruppen Umweltbedingungen (z. B. der Fluoridgehalt des Trinkwassers). Die Hauptdeterminanten für gesundheitliche Unterschiede innerhalb einer Bevölkerungsgruppe hingegen sind Faktoren, die individuell variieren, wie der Zugang zu persönlichen Ressourcen und die daraus resultierenden Verhaltensweisen (z. B. die Möglichkeit, sich Zahnpasta und gesunde Lebensmittel zu leisten).

Fluoridkonzentrationen zwischen 0.7 mg/L und 1 mg/L wurden wiederholt als optimale Konzentrationen für die Trinkwasserfluoridierung genannt (Disparities, 2022 ). Dieser Zielwert soll ein optimales Gleichgewicht zwischen Kariesprävention und Vermeidung von Zahnfluorose gewährleisten (Spencer und Do, 2016 ). Zahlreiche Studien haben die derzeitigen Methoden zur Bestimmung der optimalen Fluoridkonzentration kritisiert (Spencer und Do, 2016 ) und daher empfohlen, die optimale Konzentration flexibler in Bezug auf Ort (Brouwer et al., 1988 ) und Zeitpunkt (Iheozor-Ejiofor et al., 2024 ) zu wählen. Die vorliegende Untersuchung (siehe Abb. 5 und 6 ) zeigt, dass die Fluoridkonzentration, die die Kariesprävalenz am stärksten reduziert, deutlich unter 0.7 mg/L liegt. Eine Erhöhung der Fluoridkonzentration über 0.37 mg/L hinaus hat eine deutlich schwächere Schutzwirkung. Dies könnte darauf zurückzuführen sein, dass Fluorid heutzutage in Form von Zahnpasta, Tabletten und Mundspülungen verfügbar ist, wodurch die Schutzwirkung der Trinkwasserfluoridierung in letzter Zeit abgenommen hat. Tatsächlich wurde die empfohlene Fluoridkonzentration in den USA im Jahr 2015 von (0.7; 1.2) ppm auf 0.7 ppm gesenkt, da die Bevölkerung Fluorid mittlerweile auch über andere Quellen (neben dem Trinkwasser) aufnimmt (Health and Fluoridation, 2015 ). In diesem Zusammenhang zeigten Davies et al. ( 2017 ), dass die Verfügbarkeit von Fluorid in Form von Kinderzahnpasta (mit mindestens 1000 ppm Fluorid) einer der wichtigsten Gründe für den Rückgang der Kariesrate bei Fünfjährigen in England war.

Ungeachtet all dessen ist die angestrebte Fluoridkonzentration im Allgemeinen weder der Hauptfaktor für die Betriebskosten von Fluoridierungsprogrammen noch für die oft höheren Investitionskosten. Wir sind jedoch der Ansicht, dass detailliertere Dosis-Wirkungs- und Kosten-Nutzen-Analysen, die den WH-Wert berücksichtigen, erforderlich sind, um wissenschaftlich fundierte Entscheidungen darüber treffen zu können, ob Investitionen in neue Fluoridierungsprogramme ein optimales Preis-Leistungs-Verhältnis für die Verbesserung der öffentlichen Gesundheit darstellen.

Unsicherheiten und Einschränkungen

Zu den Unsicherheiten und Einschränkungen der Ergebnisse dieser Studie gehören solche, die mit den Eingangsdaten und dem Modell zusammenhängen:

1. (I)Der Anteil der Fünfjährigen mit sichtbarem Kariesbefall wurde als Prozentsatz derjenigen mit sichtbarem Kariesbefall angegeben. Wie bei jeder Messung besteht auch hier die Möglichkeit von Fehlklassifizierungen bei der klinischen Beurteilung von Karies, obwohl die Untersucher anhand eines standardisierten Schwellenwerts geschult sind.
2. (Ii)Räumliche Heterogenität kann eine weitere Unsicherheitsquelle darstellen. Bei der Verwendung geografischer Daten mit spezifischen Unterteilungen werden die Faktoren als Durchschnittswert für die gesamte geografische Einheit berechnet; daher sind in diesem Zusammenhang Schwankungen zu berücksichtigen. Siehe Abb. 3Die Karte des IMD wurde auf LSOA-Ebene dargestellt und umfasste das gesamte Land, während für DC, dessen Karte auf dem Distriktgliederungssystem basierte, Datensätze fehlten. Darüber hinaus könnten solche Studien von zusätzlichen räumlichen Daten profitieren (z. B. zur räumlichen Erreichbarkeit von Gesundheitsdienstleistungen, beeinflusst durch Bevölkerungsverteilung, Ressourcen im Gesundheitswesen und Verkehrsinfrastruktur), die, wie Studien zur Erreichbarkeit von Gesundheitsleistungen (Chen et al.) zeigen, auch eine Rolle für die Mundgesundheit und die Inanspruchnahme zahnärztlicher Leistungen spielen können. 2023).
3. (iii)Obwohl WH ein bekannter Indikator für die Kalziumkonzentration ist und in dieser Studie eine hohe Korrelation zwischen WH und Kalziumkonzentration besteht (R²),²?=?0.78; siehe Abb. 7Eine statistisch signifikante Korrelation mit einem p-Wert von ≤ 0) könnte, wenn WH als Ersatz für Kalzium verwendet wird, zu einer konservativen (d. h. Unterschätzung) Schätzung der Korrelation von Kalzium mit DC in dieser Studie führen.
4. (iv)Die Verteilung der F-Konzentrationen auf LSOA-Ebene wurde mithilfe von maschinellem Lernen imputiert, während diejenige für WH aus einem Bild digitalisiert wurde (siehe Abschnitt „Untersuchungsgebiet und räumliche EinheitenBezüglich der Digitalisierung gilt: Die Genauigkeit des Modells hängt zwar von der allgemeinen Qualität der Digitalisierung ab, jedoch können in kleinen, dicht besiedelten Gebieten mit abrupten Änderungen der digitalisierbaren Werte Schwierigkeiten auftreten. In solchen Fällen können manuelle Kontrollen an kritischen Stellen durchgeführt werden (wie in dieser Studie geschehen), um die Präzision der digitalisierten Karte zu gewährleisten. Zukünftige Studien könnten diese Einschränkungen im Hinblick auf ein verbessertes MLR-Modell berücksichtigen.
5. (V)Die Daten zur Trinkwasserqualität wurden zu bestimmten Zeitpunkten erhoben, wobei die Qualität im Laufe der Zeit schwanken kann. Insbesondere Moore et al. (2020Roberts et al. stellten fest, dass der Fluoridgehalt in künstlich fluoridiertem Trinkwasser in England einer höheren zeitlichen Schwankung unterliegt als in Trinkwasser mit natürlich erhöhtem Fluoridgehalt.2020) zeigten, dass Daten der öffentlichen Wasserversorgung für den Zeitraum 2005–2014 als effektiver Ersatz für die Fluoridkonzentrationen in der öffentlichen Wasserversorgung von 1995–2004 verwendet werden konnten. Bowyer et al. (2025) eine weitere Diskussion über die relative zeitliche Konstanz der Trinkwasserqualität in England.
6. (vi)Obwohl die Ergebnisse der verwendeten multiplen linearen Regression (MLR) für die Assoziationsanalyse signifikant waren, erreichte das am besten angepasste Modell einen Korrelationskoeffizienten von 0.59. Diese mäßige Anpassung deutet darauf hin, dass es weitere signifikante Prädiktoren für Zahnschmelzdefekte (DC) geben könnte, die hier nicht berücksichtigt wurden, und/oder dass die mathematische Beziehung zwischen DC und den prädiktiven Variablen WH, IMD und F komplexer ist als durch die relativ einfachen Modelle dargestellt. Beispielsweise könnte die Beziehung zwischen DC und Trinkwasserqualität unabhängig von anderen Störfaktoren die Form einer schiefen, umgekehrten U-förmigen Kurve annehmen, da allgemein angenommen wird, dass es einen optimalen F-Wert für Trinkwasser gibt, unterhalb dessen die Schutzwirkung suboptimal ist und oberhalb dessen F durch Fluorose letztendlich die Zähne schädigt, anstatt sie zu schützen. Zukünftige Studien könnten daher Dosis-Wirkungs-Modelle untersuchen, die diesem theoretisch erwarteten Verhalten besser entsprechen. Darüber hinaus könnten anspruchsvolle Modelle der künstlichen Intelligenz unter entsprechender Expertenaufsicht (z. B. durch kombiniertes maschinelles Lernen mit geeigneten Merkmalsauswahlmodellen (Mehrabi et al.)) hilfreich sein. 2025)) könnte auch für eine robustere Vorhersage von DC nützlich sein.

Die Kariesprävalenz bei Kindern in England hängt nicht nur von der Fluoridkonzentration im Trinkwasser und sozialer Benachteiligung ab, sondern auch von der Wasserhärte (die als Indikator für die Kalziumkonzentration dient). Darüber hinaus ist der Zusammenhang zwischen Karies und Fluoridkonzentration von der Fluoridkonzentration abhängig, wobei die Abhängigkeit bei einer Fluoridkonzentration im Trinkwasser unter 0.10 mg/l deutlich stärker ist als bei über 0.37 mg/l. Beide Ergebnisse sollten bei Kosten-Nutzen-Analysen für neue Trinkwasserfluoridierungsprojekte explizit berücksichtigt werden. Sie legen nahe, dass die relativ schlechte Zahngesundheit von Kindern in nördlichen Regionen, insbesondere im Nordwesten Englands, nicht allein auf eine suboptimale Fluoridkonzentration im Trinkwasser zurückzuführen ist, sondern auch auf die Wasserhärte.