AI-assisteret spytdiagnostik ved brug af en elektrokemisk sensorplatform til påvisning af parodontitis (SALIENCE) (SALIENCE)

Baggrund og Rationelle Parodontitis er en kronisk inflammatorisk sygdom, der påvirker tændernes støttevæv og er en af de mest udbredte mundsygdomme på verdensplan. På trods af dens høje prævalens forbliver tidlig diagnostik en stor udfordring, da nuværende diagnostiske værktøjer er baseret på retrospektive mål såsom lommen dybde, blødning ved sondering og radiografisk knogletab. Disse indikatorer afspejler tidligere vævsødelæggelse snarere end nuværende sygdomsaktivitet, hvilket fører til forsinket diagnostik og behandling.

Spyt er en attraktiv diagnostisk væske til ikke-invasiv, realtidssygdomsmonitering, fordi det indeholder en kompleks blanding af biomarkører, der afspejler både mund- og systemisk sundhed. Dens biologiske variabilitet, matrixeffekter og modtagelighed for forurening har dog begrænset dens pålidelighed som et diagnostisk medium. For at overvinde disse udfordringer integrerer dette projekt elektrokemisk sensing med kunstig intelligens-drevet datatolkning og syntetisk datagenerering for at muliggøre robust spytbaseret diagnostik.

Studiets Formål

Det overordnede mål er at udvikle og validere en AI-assisteret elektrokemisk sensorplatform i stand til at detektere biokemiske mønstre i spyt forbundet med parodontitis. Specifikke mål er at:

Designe og optimere en modulær, multi-elektrode sensorplatform til spytanalyse.

Udvikle og validere AI-algoritmer til realtidssignaltolkning og sygdomsklassifikation.

Generere gennemførligheds- og proof-of-concept-data til fremtidig klinisk implementering i tandplejen.

Studiedesign og Metoder Dette er et observationsstudie, der involverer spytprøvetagning fra voksne deltagere diagnosticeret med parodontitis og raske kontrolpersoner. Omkring 25 parodontitispatienter og en udvidet kontrolegruppe vil blive rekrutteret fra et samarbejdende tandklinik.

Den elektrokemiske sensorplatform vil omfatte flere elektrodetyper (kulstof, guld, platin, palladium), hver udvalgt for specifikke elektrokemiske og biokemiske egenskaber. Elektroderne vil detektere et bredt spektrum af spytbiomarkører, herunder metabolitter relateret til inflammation, oxidativ stress og mikrobiologisk aktivitet. Systemet understøtter flere analytiske tilstande, såsom differential pulse voltammetri (DPV), som giver høj følsomhed og opløsning på tværs af flere analytter.

Indsamlede spytprøver vil først blive testet under kontrollerede laboratorieforhold for at etablere baseline sensorrespons. Udvalgte prøver vil også gennemgå komplementære analyser (f.eks. H-NMR, LC-MS) til kalibrering og validering. Sensorsignaler vil blive behandlet og klassificeret ved hjælp af overvågede og uovervågede maskinlæringsmodeller, inklusive support vector machines og random forests. Syntetisk dataaugmentering, baseret på generative modeller såsom variational autoencoders, vil blive brugt til at øge datamængdens diversitet og forbedre modelgeneralisering, især i den tidlige fase, hvor antallet af prøver er begrænset.

Implementeringsplan Projektet er organiseret over 24 måneder, startende i september 2025.

Måned 1-4: Valg og benchmark af elektrodematerialer i kunstige og raske spytprøver.

Måned 5-8: Samling af den første prototype med integreret AI-signalindfangelse og sikker, GDPR-overensstemmende datatransmission.

Måned 9-12: Udvikling af syntetiske datasæt og indledende træning af maskinlæringsmodeller.

Måned 9-19: Klinisk spytprøvetagning og iterativ modelforfinelse ved hjælp af nye data.

Måned 21-24: Realtidstest af proof-of-concept-systemet i en klinisk setting, dataanalyse og formidling af resultater.

Datahåndtering og Analyse Alle indsamlede data vil blive anonymiseret og behandlet i henhold til GDPR og etiske standarder. Sensoroutput vil blive koblet til anonymiseret klinisk metadata. Maskinlæringsmodeller vil blive evalueret baseret på klassifikationsnøjagtighed, følsomhed, specificitet og robusthed over for biologisk variabilitet. Statistiske analyser vil omfatte krydsvalidering og performancebenchmarking på tværs af elektrodekonfigurationer og AI-modeller.

Forventede Resultater og Betydning Studiet vil resultere i en funktionel proof-of-concept prototype af et AI-assisteret spytdiagnostisk system. Platformen sigter mod at give hurtig, ikke-invasiv detektion af parodontitis på behandlingsstedet. Hvis det lykkes, vil det repræsentere et paradigmeskifte i parodontalt diagnostik, der muliggør tidligere detektion, bedre målrettede interventioner og forbedrede patientresultater.

Udover parodontitis tillader systemets modulære design tilpasning til andre sygdomme, herunder mundhulekræft, systemisk inflammation og metaboliske lidelser. Denne fleksibilitet forøger dets langsigtede potentiale som en skalerbar diagnostisk teknologi til både tand- og medicinske anvendelser.

Etiske Overvejelser og Risikostyring Studiet er blevet godkendt af den svenske Etiske Prøvningsnævn (referencenummer: 2025-04853-01). Alle deltagere vil give skriftlig informeret samtykke før prøvetagning. Studiet indebærer minimal risiko, begrænset til den ubehag, der er forbundet med spytprøvetagning. Ingen eksperimentel behandling eller invasive procedurer vil blive udført.

Potentielle tekniske risici, såsom variabilitet i spytprøver eller enhedspræstation, vil blive afbødet gennem standardiserede prøvetagningsprotokoller og iterativ prototypeforfinelse. Den modulære hardware-design sikrer, at individuelle komponenter kan justeres eller udskiftes uden at kompromittere det overordnede system.

Samarbejde og Ekspertise Dette tværfaglige projekt samler eksperter inden for klinisk odontologi, biomedicinsk teknik og datalogi. Studiet ledes af lektor Shariel Sayardoust (Linköpings Universitet og Östergötlands län), med samarbejdspartnere lektor Magnus Falk, lektor Julia Davies og dr. Erdal Akin fra Malmö Universitet. Industrielt samarbejde med Redoxme AB understøtter hardware-prototyping og integration.

Sammen sigter konsortiet mod at etablere grundlaget for næste generations spytdiagnostik, der kombinerer AI, elektrokemisk sensing og patientcentreret pleje i den daglige kliniske praksis.