Predikce úspěšnosti léčby parodontitidy pomocí strojového učení u pacientů s parodontitidou

Parodontitida je vysoce prevalující, komplexní a multifaktoriální chronický zánětlivý stav postihující dáseň, parodontální ligament, cement a alveolární kost, při kterém mikrobiálně řízená, hostitelem zprostředkovaná imunitně-zánětlivá odpověď nakonec vede ke ztrátě parodontálního připojení a resorpci alveolární kosti.

Diagnóza parodontitidy závisí na důkladném klinickém a rentgenologickém vyšetření parodontálních tkání. Charakterizace onemocnění běžně zahrnuje počet a podíl zubů s hloubkou sondážních chobotů přesahujícími specifické prahové hodnoty (nejčastěji >4 mm s krvácením při sondáži a ≥6 mm), počet zubů ztracených v důsledku parodontitidy, počet zubů s intraalveolárními defekty a počet zubů s furačním postižením, přičemž všechny tyto parametry slouží jako klinicky významné ukazatele. Aktualizace klasifikace z roku 2017 transformovala parodontální diagnostiku přijetím systému stádia a stupně, který umožňuje klinikům hodnotit závažnost onemocnění, očekávanou progresi a pravděpodobnost budoucí recidivy s větší přesností. Ačkoli tato kritéria účinně identifikují rozvinuté onemocnění, primárně odrážejí historické poškození tkání a poskytují omezený vhled do současné aktivity onemocnění nebo budoucí progrese. Následně roste zájem o citlivější, specifické a neinvazivní diagnostické přístupy, které mohou zlepšit včasnou detekci a prognostickou přesnost. Nicméně i přes tento strukturovaný přístup klinikové stále čelí obtížím, protože parodontitida se rozvíjí prostřednictvím vysoce variabilní interakce imunitní funkce hostitele, mikrobiální nerovnováhy, genetických faktorů a vlivů životního stylu nebo prostředí. Parodontální léčba je obecně rozdělena na nechirurgické a chirurgické přístupy. Nechirurgická terapie (léčba fáze I) primárně zahrnuje supragingivální a subgingivální debridementní procedury zaměřené na odstranění zubního kamene a vyhlazení povrchu kořene. V některých případech však může být v důsledku progrese onemocnění, anatomických složitostí nebo pacientem specifických faktorů hostitele nutný chirurgický zákrok (léčba fáze II). Možnosti chirurgické léčby zahrnují flap chirurgii, resektivní procedury a regenerativní techniky. Ačkoli klinické parametry jako hloubka sondážního chobotu, krvácení při sondáži a úroveň klinického připojení mohou vést rozhodnutí o přechodu z terapie fáze I do fáze II, toto rozhodnutí je často individualizované a založené na odbornosti klinika a pacientem specifických úvahách.

Umělá inteligence představuje oblast v rámci počítačové vědy věnovanou vytváření systémů, které mohou vykonávat úkoly typicky vyžadující lidské kognitivní schopnosti – často rychleji a s větší přesností. V rámci této oblasti strojové učení (ML) zahrnuje vývoj statistických algoritmů, které mohou analyzovat a kategorizovat data nebo obrazy, stejně jako předpovídat rizika a výsledky pomocí různých výpočetních technik. Aplikace umělé inteligence (AI) v parodontologii jsou rozsáhlé a primárně zaměřené na vylepšení klasifikace onemocnění, diagnostiky a plánování léčby. V plánování léčby AI usnadňuje segmentaci parodontálních struktur, což umožňuje klinikům vizualizovat a simulovat chirurgické výsledky ve virtuálním prostředí.

Integrace modelu založeného na AI může maximalizovat pravděpodobnost dosažení úspěšných parodontálních výsledků a vést parodontology při výběru nejvhodnějšího léčebného plánu. S ohledem na tento potenciál je cílem této studie vyvinout model pro podporu rozhodování schopný předpovídat optimální možnost parodontální léčby na úrovni jednotlivého pacienta pomocí pokročilých algoritmů strojového učení na multidimenzionálním datovém souboru zahrnujícím klinické parodontální parametry, rentgenologická data, aplikované léčebné modality a demografické informace. Tímto způsobem studie usiluje o podporu personalizovaného plánování léčby identifikací nejúčinnějšího terapeutického přístupu pro jednotlivce podstupující parodontální terapii.