Forudsigelse af Periodontal Behandlingssucces ved Brug af Maskinlæring hos Periodontitispatienter

Periodontitis er en meget udbredt, kompleks og multifaktoriell kronisk inflammatorisk tilstand, der påvirker gingiva, parodontalligamentet, cement og alveolært knogle, hvor en mikrobiologisk drevet, vært-medieret immun-inflammatorisk respons i sidste ende resulterer i parodontal vedhæftningstab og alveolær knogleresorption.

Diagnosen af periodontitis afhænger af en grundig klinisk og radiografisk vurdering af de parodontale væv. Karakteriseringen af sygdommen omfatter typisk antallet og andelen af tænder, der præsenterer probedybder, der overskrider specifikke tærskler (mest hyppigt >4 mm med blødning ved probing og ≥6 mm), antallet af tænder tabt på grund af periodontitis, antallet af tænder med intrabony defekter og antallet af tænder med furkationsinvolvering, som alle tjener som klinisk meningsfulde indikatorer. Klassifikationsopdateringen fra 2017 revolutionerede parodontal diagnostik ved at indføre et stadium- og gradssystem, som gør det muligt for klinikere at vurdere sygdommens sværhedsgrad, forventet progression og sandsynligheden for fremtidig tilbagefald med større præcision. Selvom disse kriterier effektivt identificerer etableret sygdom, afspejler de primært historisk vævsødelæggelse og giver begrænset indsigt i nuværende sygdomsaktivitet eller fremtidig progression. Som følge heraf er der stigende interesse for mere følsomme, specifikke og ikke-invasive diagnostiske tilgange, der kan forbedre tidlig opsporing og prognostisk nøjagtighed. På trods af denne strukturede tilgang står klinikere dog stadig over for vanskeligheder, fordi periodontitis udvikles gennem en meget variabel samspil mellem værtsimmunfunktion, mikrobiologisk ubalance, genetiske faktorer og livsstils- eller miljømæssige påvirkninger. Parodontal behandling opdeles generelt i ikke-kirurgiske og kirurgiske tilgange. Ikke-kirurgisk terapi (fase I-behandling) omfatter primært supragingivale og subgingivale debridementsprocedurer, der fokuserer på fjernelse af tandsten og glatning af rodoverflader. I nogle tilfælde kan kirurgisk indgreb (fase II-behandling) dog blive nødvendigt på grund af sygdomsprogression, anatomiske kompleksiteter eller patient-specifikke værtfaktorer. Kirurgiske behandlingsmuligheder omfatter flap-kirurgi, resektive procedurer og regenerative teknikker. Selvom kliniske parametre som probedybde, blødning ved probing og klinisk vedhæftningsniveau kan guide beslutningen om at skifte fra fase I til fase II-terapi, er denne beslutning ofte individualiseret og baseret på klinikerens ekspertise og patient-specifikke overvejelser.

Kunstig intelligens repræsenterer et område inden for datalogi dedikeret til at skabe systemer, der kan udføre opgaver, der typisk kræver menneskelige kognitive evner - ofte hurtigere og med større præcision. Inden for dette område involverer maskinlæring (ML) udvikling af statistiske algoritmer, der kan analysere og kategorisere data eller billeder samt forudsige risici og resultater ved hjælp af en række beregningsteknikker. Kunstig intelligens (AI) applikationer i parodontologi er omfattende og primært fokuseret på at forbedre sygdomsklassifikation, diagnose og behandlingsplanlægning. I behandlingsplanlægning faciliterer AI segmentering af parodontale strukturer, hvilket gør det muligt for klinikere at visualisere og simulere kirurgiske resultater i et virtuelt miljø.

Integrationen af en AI-baseret model kan maksimere sandsynligheden for at opnå succesfulde parodontale resultater og guide parodontologer i valget af den mest passende behandlingsplan. I lyset af dette potentiale er formålet med nærværende studie at udvikle en beslutningsstøttemodel i stand til at forudsige den optimale parodontale behandlingsmulighed på det individuelle patientniveau ved at bruge avancerede maskinlæringsalgoritmer på et multidimensionelt datasæt bestående af kliniske parodontale parametre, radiografiske data, anvendte behandlingsmodaliteter og demografiske oplysninger. Ved at gøre dette søger studiet at støtte personlig behandlingsplanlægning ved at identificere den mest effektive terapeutiske tilgang for enkeltpersoner, der gennemgår parodontal terapi.