Kunskapsläget för riskbedömning av sjukdomar eller tillstånd i munnen är oförändrat och bristen på välgjorda studier tyder på både vetenskapliga och etiska utmaningar. Det kan därför finnas behov av att undersöka nyttan med nuvarande praxis, där tandvårdspersonalens kliniska erfarenhet utgör en viktig del.

SBU har uppdaterat tidigare kartläggningar av sammanställd forskning som har utvärderat prediktionsmodeller för de sjukdomar och tillstånd i munnen där förebyggande åtgärder eller tidig behandling kan innebära en fördel. Det vetenskapliga underlaget räcker inte för att bedöma tillförlitligheten av riskbedömningar, varken för generella prediktionsmodeller eller prediktionsmodeller för enskilda sjukdomar eller tillstånd i munnen. I samtliga inkluderade systematiska översikter har författarna bedömt det vetenskapliga underlaget som bristfälligt eller att det saknas helt.

De prediktionsmodeller som har utvärderats har inte utvecklats för en helhetsbedömning av samtliga sjukdomstillstånd i munnen. För vissa tillstånd har modeller utvärderats som bygger på olika riskfaktorer, vilka vägts samman enligt förutbestämda kriterier eller med hjälp av maskininlärning. För andra modeller grundas bedömningen främst på enskilda riskfaktorer.

Att ta fram en generell modell kan medföra flera utmaningar eftersom riskfaktorer för sjukdomstillstånd med olika orsaker behöver vägas samman, vilket kan påverka modellens träffsäkerhet för enskilda sjukdomstillstånd. Målet att ta fram en modell för en helhetsbedömning av individers risk för sjukdomar och tillstånd i munnen kan därmed vara svårt att nå.

Vetenskapliga studier om risker kräver att riskfaktorer registreras utan att någon prevention eller behandling ges, vilket inte är etiskt försvarbart då förebyggande vård måste ges enligt bästa kliniska praxis. Det finns därför behov av väl genomförd forskning som undersöker nyttan med nuvarande praxis, där tandvårdspersonalens kliniska erfarenhet utgör en viktig del, samt analys av eventuella hälsoekonomiska fördelar med prediktionsmodeller.

En prediktionsmodell innebär att man kombinerar ett antal förutbestämda faktorer av betydelse för sjukdomsutveckling. Prediktionsmodeller kan användas i form av till exempel checklistor eller digitala verktyg. För att fånga upp individer med risk för att utveckla en viss sjukdom eller visst tillstånd, kan man ta hjälp av en mer specifik prediktionsmodell som kan ge en prognos för den enskilda individen och vara ett stöd vid det kliniska beslutsfattandet.

SBU har fått i uppdrag av regeringen (S2024/01262) att stödja Socialstyrelsen i myndighetens arbete med att utveckla en nationell prediktionsmodell inom tandvården.

Totalt inkluderades tio systematiska översikter med låg eller måttlig risk för bias. Inga översikter identifierades som utvärderade generella prediktionsmodeller för användning i tandvården. Tre översikter utvärderade prediktionsmodeller för karies, två för tandlossning, en för bettavvikelser, två för bettfysiologiska tillstånd och två för munslemhinneförändringar. Litteratursökningen genomfördes under oktober och november år 2024.

SBU har fått i ett uppdrag av regeringen (S2024/01262) att stödja Socialstyrelsen i myndighetens arbete med att utveckla en nationell modell för riskbedömning inom tandvården.

SBU har i tidigare uppdrag sökt vetenskapliga studier som utvärderat effekter av prediktionsmodeller i tandvården. I ett uppdrag undersöktes det vetenskapliga underlaget avseende tillförlitligheten av den generella odontologiska riskbedömningen som utförs rutinmässigt för varje patient [1]. Resultaten visade att det saknas vetenskapliga studier som utvärderat effekterna av en generell odontologisk riskbedömning.

I ett följande uppdrag valde SBU att fokusera på prediktion av två vanligt förekommande orala sjukdomar, karies och parodontit (tandlossning) [2]. I rapporten identifierades två relevanta systematiska översikter och ett antal primärstudier men bedömningen av underlaget visade att det inte räcker för att bedöma det vetenskapliga stödet för prediktionsmodeller för karies och parodontit.

SBU har i detta projekt valt att uppdatera den sökning som gjorts i det tidigare uppdraget för generella prediktionsmodeller, prediktionsmodeller för karies och parodontit och utökat sökningen och även inkludera bettavvikelser, bettfysiologiska tillstånd och munslemhinneförändringar. Sökningen har begränsats till systematiska översikter.

Syftet med uppdraget är att ta fram ett kunskapsunderlag (systematiska översikter) gällande användning av prediktionsmodeller i tandvården

Socialstyrelsen är i första hand målgruppen för denna rapport. Andra relevanta målgrupper är aktörer inom tandvården och andra myndigheter såsom TLV och Försäkringskassan.

Det finns flera olika sjukdomar och tillstånd i munhålans hård- (tänder och käkben) och mjukvävnader där de vanligaste är karies och parodontit (tandlossning). Karies är globalt sett världens vanligaste icke-överförbara sjukdom [3]. I Sverige har tandhälsan kontinuerligt förbättras under de senaste 50 åren och anses generellt vara god, men det föreligger stora socioekonomiska skillnader. De allra flesta förskolebarn (>95%) är kariesfria (utan karies och fyllningar) och motsvarande siffra bland unga vuxna är omkring 30 procent. Trots detta är karies den dominerande orsaken till tandextraktioner upp till 40 års ålder. Karies är också ett vanligt problem bland de äldre och endast 20 procent av personer över 80 år upplever sig ha en god munhälsa [4]. Karies går i stor utsträckning att förebygga genom generella kostråd (sockerrestriktion) och regelbunden tandborstning med fluoridtandkräm. Parodontit är en annan vanlig sjukdom som drabbar omkring 40 procent av alla individer över 50 år och orsakar ofta tandförluster. I tidigt stadium är parodontit helt reversibel genom omsorgsfulla munhygienåtgärder. Tandlossning är ett sent stadium i sjukdomsutvecklingen. Genom adekvat klinisk undersökning och behandling kan det vävnadsnedbrytande sjukdomsförloppet avstanna och ytterliga vävnadsförlust förhindras.

Bettavvikelser kan uppstå till följd av både genetiska och miljömässiga faktorer. Dessa kan visa sig som avvikelser i förhållandet mellan över- och underkäke. De kan även uppstå när tänderna står för tätt eller för glest, när en enstaka tand står på fel plats eller när tänder inte kommer upp eller saknas helt. Studier visar att cirka 70 procent av alla barn och ungdomar uppvisar någon form av bettavvikelse, varav ungefär 30 procent har ett behandlingsbehov och kan behöva tandreglering med någon typ av tandställning [5] [6]. Behandlingsbehovet kan vara av funktionell karaktär, syfta till att förebygga skador eller ha estetiska och psykosociala motiv.

Den vanligaste orsaken till långvarig smärta i ansiktsregionen är temporomandibulär dysfunktion (TMD) som är ett samlingsnamn för smärta och funktionsstörningar som påverkar tuggmusklerna och käklederna. TMD drabbar upp till 15 procent av den vuxna befolkningen och omkring 7 procent av ungdomarna [7] [8] [9]. Tillståndet är betydligt vanligare hos kvinnor än hos män och symtomen har en stor negativ inverkan på individens upplevda livskvalitet.

Munslemhinnorna kan drabbas av flera olika akuta och kroniska tillstånd orsakade av svamp- eller virusinfektioner och mekanisk irritation. Multifaktoriellt orsakade munsår är vanligt förekommande och även tumörsjukdomar kan utgå från munhålan. Under de senaste åren har antalet fall ökat och de flesta som drabbas är över 65 år. Sammantaget diagnostiseras omkring 500 fall i Sverige per år [10]. De vanligaste platserna för munhålecancer är tungan eller tandköttet men tumörer kan också utgå från kindens slemhinna, munbotten, hårda gommen och övrig munslemhinna.

De orala sjukdomarna och tillstånden kan påverka den allmänna hälsan negativt. Omvänt gäller att vissa allmänmedicinska sjukdomar och läkemedelsanvändning kan påverka den orala hälsan. Syftet med riskbedömning är dels att förebygga dem genom universell och selektiv prevention, dels att arbeta med indikerad prevention och interceptiva (tidiga) behandlingsåtgärder som syftar till att bromsa sjukdomsutvecklingen och minska det framtida behandlingsbehovet.

Riskbedömningen utgör ett viktigt beslutsunderlag för en individanpassad behandlingsplan och revisionsintervall, det vill säga hur ofta patienten ska genomgå regelbunden undersökning. Vid en undersökning beaktas faktorer som patientens nuvarande munhälsa, tidigare sjukdomshistoria, livsstil och andra medicinska tillstånd som kan påverka munhälsan. Exempelvis bedöms förekomsten av karies, parodontit, bettavvikelser, bettfysiologiska tillstånd, munslemhinneförändringar och andra tecken på sjukdom eller skador i munhålan. Vid riskbedömningen vägs de enskilda riskfaktorerna samman för att förutse patientens framtida sjukdomsrisk eller att befintliga sjukdomar och skador förvärras.

Den riskbedömning som utförs i tandvården baseras på anamnestiska data och kliniska fynd som många gånger sammanvägs intuitivt och informellt utan en tydlig och transparent dokumentation. En prediktionsmodell innebär att man använder och kombinerar ett antal förutbestämda faktorer av betydelse för sjukdomsutveckling.

För att fånga upp individer med risk för att utveckla en specifik sjukdom eller tillstånd, eller prognosen för uppkommet sjukdomstillstånd kan man ta hjälp av en mer specifik prediktionsmodell som kan vara ett stöd vid det kliniska beslutsfattandet för den enskilda individen. För att vara praktiskt användbar ska en sådan prediktionsmodell framför allt vara tillförlitlig och träffsäker men också rimligt enkel och förståelig för både profession och patienter. Det finns prediktionsmodeller i form av checklistor eller digitala verktyg som har utvecklats och validerats i svenska och internationella studier. De flesta är framtagna med syftet att bedöma risk för ett särskilt sjukdomstillstånd och inte den allmänna risken för att ohälsa ska eller kan uppstå. SBU:s tidigare litteratursammanställningar visar att det även saknas uppgifter om effekterna av dessa prediktionsmodeller och i vilken utsträckning de används i den kliniska vardagen är oklart [2]. Under de senaste åren har maskininlärning och artificiell intelligens använts för att utveckla och validera prediktionsmodeller för framtida sjukdom inom tandvården.

Den övergripande frågeställningen var följande:

Finns det systematiska översikter med sammanställd forskning som har utvärderat prediktionsmodeller för samtliga orala tillstånd och hur är deras prediktiva tillförlitlighet i så fall?
Den övergripande frågeställningen användes därutöver för de fem olika sjukdomar och tillstånd som inkluderats i kunskapsunderlaget:

• Karies
• Parodontit
• Bettavvikelser
• Bettfysiologiska tillstånd
• Munslemhinneförändringar

3.2.1 Urvalskriterier

Urvalskriterier har definierats för varje frågeställning enligt modellen för PICOS (Population, Intervention, Comparator, Outcome, Setting). PICOS för varje frågeställning finns redovisade i Bilaga 2.

Population (P)

Barn eller vuxna, oavsett ålder och sjukdomshistoria

Intervention (I)

Prediktionsmodeller som bygger på tre eller fler variabler, som studerats för att bedöma prognos/risk för följande oral sjukdom eller tillstånd:

• Karies
• Parodontit
• Bettavvikelser
• Bettfysiologiska tillstånd
• Munslemhinneförändringar

Comparator (C)

Annan modell eller ingen dokumenterad modell

Outcome (O)

Förekomst eller progression av följande munsjukdomar och tillstånd:

• Karies
• Parodontit
• Bettavvikelser
• Bettfysiologiska tillstånd
• Munslemhinneförändringar

Setting (S)

Tandvården, men studier i till exempel kommunal eller regional verksamhet kan inkluderas

Övriga kriterier

Språk: Engelska och skandinaviska språk

Studiedesign: Systematiska översikter av studier med prospektiv studiedesign

3.3.1 Litteratursökning

För projektets fem frågeställningar gjordes separata sökningar efter systematiska översikter och metaanalyser. Sökningarna för områdena karies och parodontit var delvis uppdatering av en tidigare SBU-rapport [2].

En informationsspecialist utformade strukturerade och uttömmande sökstrategier, och genomförde litteratursökningarna i samråd med projektets sakkunniga och projektledare.

Informationskällor

Litteratursökningarna gjordes under oktober till november år 2024, i följande databaser:

• Cochrane Library (Wiley)
• EMBASE (Embase.com)
• Medline (Ovid)

Sökstrategi

Sökstrategierna utvecklades delvis genom att använda sökstrategier och söktermer från andra systematiska översikter på området. Genom att analysera nyckelartiklar, identifierades ytterligare sökord. Sökstrategierna redovisas i sin helhet i Bilaga 1.

Sökstrategierna granskades av en annan informationsspecialist inom organisationen.

Avgränsningar

Vid sökningarna gjordes avgränsningar till publikationer på språken engelska och skandinaviska språk.

Sökningen på området bettfysiologi är baserad på sökstrategin till följande SBU-rapport [13].

Sökningen på området munslemhinneförändringar är delvis baserad på följande kunskapsunderlag [14].

Dubbletter mellan databaser har rensats i EndNote 21 [15] enligt metod utvecklad av Bramer och medförfattare [16].

3.3.2 Bedömning av relevans

Två granskare bedömde, oberoende av varandra, relevans av titel och sammanfattning (abstrakt) på de systematiska översikter som identifierades i litteratursökningarna. Relevansbedömningen genomfördes med hjälp av verktyget Covidence. Artiklar där sammanfattningar uppfyllde urvalskriterierna, eller där det fanns en osäkerhet om de uppfyllde kriterierna beställdes i fulltext och bedömdes av två oberoende granskare. Eventuella oenigheter vid fulltextgranskning löstes genom konsensusdiskussion. Översikter som granskades i fulltext och som inte uppfyllde kriterierna sorterades bort och orsak till exklusion noterades av granskarna. Översikter som exkluderades i fulltext redovisas i Bilaga 4.

3.3.3 Bedömning av risk för bias

Projektgruppen bedömde, parvis och oberoende av varandra, hur stor de systematiska översikternas risk för bias var med stöd av de frågor som finns beskrivna i ROBIS granskningsmall [17] utifrån fyra domäner:

• Domän 1. Syfte och kriterier för urval av studier
• Domän 2. Identifikation och val av studier
• Domän 3. Bedömning av studier och dataextraktion
• Domän 4. Analys och syntes

Vår bedömning av risk för bias avsåg de systematiska översikterna i sin helhet och inkluderade inte någon bedömning av risken för bias för de primärstudier som ingick i de systematiska översikterna. Vid oenigheter i risk för biasbedömningen rådfrågades en tredje medlem i projektgruppen. De systematiska översikter som bedömdes ha hög risk för bias exkluderades och redovisas i Bilaga 5.

För de översikter som projektgruppen bedömt ha låg eller måttlig risk för bias presenteras sammanfattning av översiktens resultat, översiktens risk för bias samt översiktsförfattarnas slutsatser (Bilaga 6). Arbetet utfördes av en av projektmedlemmarna och kontrollerades av en annan.

Litteraturgenomgången identifierade 10 översikter med låg eller måttlig risk för bias som utvärderat prediktionsmodeller inom något av de undersökta områdena. Vid fulltextgranskning bedömdes att ingen av dessa översikter hade utvärderat generella modeller för prediktion i tandvården där mer än en av de sjukdomarna eller tillstånden inkluderats i samma modell.

Litteraturgenomgången identifierade tre systematiska översikter med låg eller måttlig risk för bias. Dessa är summerade i Bilaga 6. Havsed och medförfattare (2023) [18] inkluderade 21 kliniska studier med 66 olika prediktionsmodeller i sin analys. Översikten visade att endast fyra prediktionsmodeller för kronkaries och en modell för rotkaries hade en positiv sannolikhetskvot som anses vara kliniskt användbar. Samtliga primärstudier bedömdes ha hög risk för bias och slutsatserna var att prediktionsmodellerna har en begränsad användbarhet som urvalsverktyg och stöd för kliniskt beslutsfattande. De två övriga använde sig av artificiell intelligens (AI) för riskbedömning. Reyes och medförfattare (2022) [19] inkluderade två prospektiva studier med hög risk för bias. Resultaten visade lovande sensitivitet och specificitet men var inte överförbara till kliniken. Rokhshad och medförfattare (2024) [20] inkluderade tolv studier där AI användes för att prediktera tidig småbarnskaries varav fyra kunde slås samman i en metaanalys. Sensitiviteten varierade mellan 20 till 97 procent (medelvärde 86%), specificiteten mellan 54 till 99 procent (medelvärde 82%) och den diagnostiska tillförlitligheten (accuracy) mellan 60 och 98 procent. Författarna bedömde att resultaten var av låg tillförlitlighet.

Vi identifierade två systematiska översikter med låg till måttlig risk för bias som finns summerade i Bilaga 6. Du och medförfattare (2018) [21] inkluderade fem primärstudier med totalt 12 prediktionsmodeller för parodontit. Fyra modeller syftade till att prediktera incidensen av parodontit medan de övriga syftade till att prediktera sjukdomens progression. Författarna bedömde att studierna hade för stora metodologiska brister för att kunna dra några meningsfulla slutsatser. Den andra systematiska översikten av Chow och medförfattare (2024) [22] handlade om prediktionsmodeller av tandförlust hos patienter med parodontit. Totalt inkluderades 45 primärstudier varav 22 var externa valideringar av befintliga modeller. Alla studierna bedömdes ha hög risk för bias och författarna kunde inte rekommendera någon av modellerna för kliniskt bruk.

Litteraturgenomgången identifierade en systematisk översikt med låg risk för bias och den finns summerad i Bilaga 6. Jiménez-Silva och medförfattare (2020) [23] inkluderade tio studier med prediktionsmodeller för risken för överbett (4 studier), underbett (5 studier) eller båda (1 studie) hos växande barn. Faktorerna som ingick i prediktionsmodellerna hämtades i huvudsak från befintliga profilröntgenbilder och kombinerades i vissa fall med kliniska data. Man fann inga tillförlitliga prediktionsmodeller som var externt validerade. Det vetenskapliga underlaget var därmed begränsat och tillförlitligheten låg.

Litteraturgenomgången identifierade två systematiska översikter med låg risk för bias som finns summerade i Bilaga 6. Burr och medförfattare (2020) [24] inkluderade 18 studier varav 6 av dessa var prognostiska studier. Fyra av de prognostiska studierna undersökte prediktionsmodeller för TMD men baserades på en och samma kohort. Slutsatsen var att sömnstörningar av olika former kan vara en prediktiv faktor för TMD hos personer över 18 år. Da-Cas och medförfattare (2024) [25] inkluderade 21 kohortstudier som undersökte sambandet mellan ett antal riskfaktorer och förekomsten av TMD hos personer över 18 år. Ett stort antal faktorer identifierades, till exempel kvinnligt kön, ångest och depression, upplevd stress, sömnkvalitet och obstruktiv sömnapné. Dessutom fanns samsjuklighet med ett antal tillstånd som IBS, ryggbesvär, spänningshuvudvärk och migrän. Trots att det finns många enskilda riskfaktorer för TMD saknas det studier med externt validerade prediktionsmodeller.

Vi identifierade två systematiska översikter med måttlig risk för bias som finns summerade i Bilaga 6. Båda berörde oral cancer och premaligna tillstånd. Espressivo och medförfattare [26] inkluderade 13 fall-kontrollstudier med 23 olika prediktionsmodeller för allmänna och sjukhus-baserade populationer. Samtliga studier hade hög risk för bias och resultaten presenterades narrativt. De flesta av modellerna visade bra eller utmärkt prediktiv förmåga (AUROC> 0.7) men enbart två av modellerna var externt validerade. Uppal och medförfattare [27] inkluderade 15 studier kring maskininlärning av premaligna orala tillstånd och riskerna för att de förvärras. AI-modellerna baserades på spektroskopi, DNA och patienternas riskbeteenden. Höga värden av specificitet och sensitivitet kunde uppnås med en precision som varierade mellan 74 och 95 procent. Författarna ansåg att AI har stor potential för att riskbedöma premaligna tillstånd i munslemhinnan men att flera studier uppvisade metodologiska brister som kan påverka tillförlitligheten.

I detta regeringsuppdrag har SBU uppdaterat en tidigare SBU-rapport [2] som utvärderat prediktionsmodeller för karies och parodontit och därutöver har utvärderingen utökats till att även omfatta prediktionsmodeller för bettavvikelser bettfysiologiska tillstånd och munslemhinneförändringar. Resultaten överensstämmer i stort med SBU:s tidigare litteratursammanställningar [1] [2]. Det vetenskapliga underlaget saknas för en generell prediktionsmodell i tandvården och för de enskilda sjukdomstillstånden visas låg eller mycket låg prediktiv tillförlitlighet för samtliga undersökta områden.

I de översikter som identifierats har ett flertal prediktionsmodeller utvärderats, där ett antal riskfaktorer och riskindikator har sammanvägts på olika sätt. Resultaten tyder på att det finns vissa skillnader i hur prediktionsmodeller används och har utvärderats för de olika sjukdomar och tillstånd som inkluderats i vår sammanställning. Exempelvis hittas inga validerade riskmodeller för generell prediktion av bettavvikelser. Majoriteten av befolkningen har en avvikelse utifrån en ideal norm – vilket inte nödvändigtvis innebär sjukdom eller behandlingsbehov. Bettavvikelser behandlas endast om det finns en risk för hälsopåverkan. Därför är det viktigt att identifiera riskfaktorer för hälsopåverkande bettavvikelser, vilka kan ha både genetiska och miljömässiga orsaker. Den bästa tiden för att motverka dessa är under bettutvecklingen och tandväxlingen då regelbundna kontroller är avgörande och interceptiva behandlingsåtgärder kan minska det framtida behandlingsbehovet. Liknande resultat visas för prediktion av bettfysiologiska tillstånd där prediktion baseras främst på enskilda riskfaktorer snarare än modeller för prediktion med förbestämd sammanvägning av faktorer. Exempelvis har många enskilda riskfaktorer utvärderats för prediktion av TMD men validering av prediktionsmodeller saknas. Inom området munslemhinneförändringar är det vanligast att prediktionsmodeller använts för prediktion av maligna tillstånd. Prediktion av andra munslemhinneförändringar som exempelvis stomatit eller svampinfektion har inte undersökts i de översikter som identifierats i den här rapporten.

Ett flertal prediktionsmodeller för karies och parodontit har utvärderats. De modeller som har utvärderats är heterogena och inkluderar ett varierande antal riskfaktorer som vägts samman enligt förutbestämda modeller eller med hjälp av maskininlärning (AI). Man kan notera ett ökande forskningsintresse för prediktionsmodeller baserade på AI men i nuvarande skede beskriver studierna företrädesvis systemutvecklingar snarare än utvärderingar av modellernas prediktiva tillförlitlighet. De flesta primärstudierna med prospektiv ansats bedömdes ha hög risk för bias i de systematiska översikterna.

Prediktionsmodeller kan användas i kliniken för att bedöma en enskild patients framtida sjukdomsrisk och kan ge värdefullt stöd vid beslut om behandlingsplan och revisionsintervall. På populationsnivå används prediktionsmodeller för att analysera trender, planera vårdbehov och identifiera riskgrupper i befolkningen. Till skillnad från individfokuserad prediktion handlar det om att upptäcka generella mönster och faktorer som ökar risken för orala sjukdomar i olika grupper av individer med hjälp av exempelvis socioekonomiska faktorer, kostvanor eller tidigare sjukdomserfarenhet. Den prediktiva tillförlitligheten av en modell kan således vara bristfällig för den enskilda individen även om modellen visat bra prediktiv tillförlitlighet på gruppnivå. Att ha en tillförlitlig prediktionsmodell på individnivå är avgörande om resultaten ska ligga till grund för vårdgivarens behandlingsbeslut. I de systematiska översikterna som inkluderats har prediktionsmodellernas tillförlitlighet utvärderats på gruppnivå men inte modellens validitet som kliniskt beslutsunderlag på individnivå. De saknar också information och analys av eventuellt negativa effekter av prediktionsmodellerna såsom exempelvis stigmatisering och undanträngningseffekter.

SBU har i en tidigare rapport visat att det saknas vetenskapligt underlag för att bedöma den prediktiva tillförlitligheten av den generella odontologiska riskbedömningen som utförs rutinmässigt i tandvården för varje patient [1]. Inom ramen för vårt projekt har vi därutöver sökt systematiska översikter som utvärderat prediktionsmodeller för fem olika sjukdomar och tillstånd som har olika karakteristika. Vissa av sjukdomstillstånden, som karies och parodontit, kan ha en del gemensamma riskfaktorer medan andra tillstånd, exempelvis bettavvikelser och bettfysiologiska tillstånd har en annan etiologi och därför andra riskfaktorer och riskindikatorer. Resultaten överensstämmer med tidigare litteratursammanställningar och visar att prediktionsmodeller i tandvården enbart utvärderats för enskilda sjukdomstillstånd och inte för en generell prediktion av tillstånd som kan uppstå i munnen. Att prediktionsmodeller har utvärderats enskilt för olika sjukdomstillstånd med skilda riskfaktorer, när målet är att utveckla en generell modell, kan medföra flera metodologiska utmaningar. Exempelvis kan de ingående riskfaktorerna behöva vägas samman i en generell modell vilket i sin tur kan påverka modellens träffsäkerhet för de enskilda sjukdomarna och tillstånden.

8.1.1 Sakkunniga

• Elisabeth Almer-Boström, docent, Karolinska Institutet och Folktandvården Stockholm
• Thomas List, professor, Malmö universitet
• Anna Westerlund, professor, Göteborgs universitet
• Björn Klinge, professor emeritus, Karolinska Institutet och Malmö universitet
• Svante Twetman, professor emeritus, Köpenhamns universitet

8.1.2 Kansli

• Álfheiður Ástvaldsdóttir, projektledare
• Lillemor Dimberg, biträdande projektledare
• Irene Edebert, biträdande projektledare
• Jenny Stenman, projektadministratör
• Maja Kärrman Fredriksson, informationsspecialist
• Sofia Tranæus, projektansvarig chef

8.1.3 Externa granskare

SBU anlitar externa granskare av sina rapporter. De har kommit med värdefulla kommentarer som förbättrat rapporten. SBU har dock inte alltid möjlighet att tillgodose alla ändringsförslag och de externa granskarna står därför inte med nödvändighet bakom samtliga slutsatser och texter i rapporten.

• Peggy Näsman, Adjunkt, Övertandläkare endodonti, Karolinska Institutet
• Pia Skott, Övertandläkare orofacial medicin, Folktandvården Stockholm

8.1.4 Bindningar och jäv

Sakkunniga och externa granskare har i enlighet med SBU:s krav lämnat deklarationer om bindningar och jäv. SBU har bedömt att de förhållanden som redovisats där är förenliga med myndighetens krav på saklighet och opartiskhet.

8.1.5 SBU:s vetenskapliga råd

SBU:s vetenskapliga råd har granskat rapporten. Två av rådets medlemmar har varit specialgranskare: Katarina Steen Carlsson, Lunds universitet, vice ordförande (hälsoekonomi) och Aron Naimi-Akbar, Malmö universitet (tandvård)

Övriga medlemmar:

• Anna Ehrenberg, Högskolan Dalarna, ordförande (omvårdnad)
• Ata Ghaderi, Karolinska Institutet (psykologi)
• Britt-Marie Stålnacke, Umeå universitet (medicin)
• Carina Berterö, Linköpings universitet (omvårdnad)
• Christina Nehlin Gordh, Uppsala universitet (psykiatri)
• Eva Uustal, Linköpings universitet (medicin)
• Jahangir Khan, Göteborgs universitet (hälsoekonomi)
• Lena Dahlberg, Högskolan Dalarna (socialt arbete)
• Magnus Svartengren, Uppsala universitet (arbetsmiljö)
• Martin Bergström, Lunds universitet (socialt arbete)
• Mussie Msghina, Örebro universitet (medicin)
• Petter Gustavsson, Karolinska Institutet (psykologi)
• Susanne Guidetti, Karolinska Institutet (arbetsterapi)
• Sverker Svensjö, Falun och Uppsala universitet (medicin)
• Titti Mattsson, Lunds universitet (etik, juridik)
• Ulrik Kihlbom, Karolinska Institutet (etik)
• Urban Markström, Umeå universitet (socialt arbete, funktionstillstånd- och funktionshinder)
• Ylva Nilsagård, Örebro universitet (fysioterapi)