KI-unterstützte Speicheldiagnostik mit einer elektrochemischen Sensorplattform zur Erkennung von Parodontitis (SALIENCE) (SALIENCE)

Hintergrund und Begründung Parodontitis ist eine chronische Entzündungserkrankung, die das Stützgewebe der Zähne betrifft und eine der häufigsten oralen Erkrankungen weltweit ist. Trotz ihrer hohen Prävalenz bleibt die Früherkennung eine große Herausforderung, da aktuelle Diagnosewerkzeuge auf retrospektiven Messungen wie Taschentiefe, Bluten auf Sondierung und radiologischem Knochenverlust basieren. Diese Indikatoren spiegeln vergangene Gewebezerstörung wider und nicht die aktuelle Krankheitsaktivität, was zu verzögerter Diagnose und Behandlung führt.

Speichel ist eine attraktive diagnostische Flüssigkeit für nicht-invasive, Echtzeit-Krankheitsüberwachung, da er eine komplexe Mischung von Biomarkern enthält, die sowohl orale als auch systemische Gesundheit widerspiegeln. Allerdings haben seine biologische Variabilität, Matrixeffekte und Anfälligkeit für Kontamination seine Zuverlässigkeit als diagnostisches Medium eingeschränkt. Um diese Herausforderungen zu überwinden, integriert dieses Projekt elektrochemische Sensorik mit KI-gestützter Dateninterpretation und synthetischer Datengenerierung, um robuste Speichel-basierte Diagnostik zu ermöglichen.

Studienziele

Das Gesamtziel ist die Entwicklung und Validierung einer KI-unterstützten elektrochemischen Sensorplattform, die biochemische Muster im Speichel im Zusammenhang mit Parodontitis erkennen kann. Spezifische Ziele sind:

Entwurf und Optimierung einer modularen Multi-Elektroden-Sensorplattform für Speichelanalyse.

Entwicklung und Validierung von KI-Algorithmen für Echtzeit-Signalinterpretation und Krankheitsklassifizierung.

Generierung von Machbarkeits- und Proof-of-Concept-Daten für zukünftige klinische Implementierung in der Zahnheilkunde.

Studiendesign und Methoden Dies ist eine Beobachtungsstudie mit Speichelprobenentnahme von erwachsenen Teilnehmern mit diagnostizierter Parodontitis und gesunden Kontrollpersonen. Etwa 25 Parodontitis-Patienten und eine erweiterte Kontrollgruppe werden aus einer kooperierenden Zahnklinik rekrutiert.

Die elektrochemische Sensorplattform wird mehrere Elektrodentypen (Kohlenstoff, Gold, Platin, Palladium) umfassen, die jeweils für spezifische elektrochemische und biochemische Eigenschaften ausgewählt wurden. Die Elektroden werden ein breites Spektrum an Speichel-Biomarkern detektieren, einschließlich Metaboliten im Zusammenhang mit Entzündung, oxidativem Stress und mikrobieller Aktivität. Das System unterstützt mehrere Analysemodi, wie differentielle Pulsvoltammetrie (DPV), die hohe Empfindlichkeit und Auflösung über mehrere Analyten bietet.

Gesammelte Speichelproben werden zunächst unter kontrollierten Laborbedingungen getestet, um Basis-Sensorantworten zu etablieren. Ausgewählte Proben werden auch komplementären Analysen (z.B. H-NMR, LC-MS) zur Kalibrierung und Validierung unterzogen. Sensorsignale werden mit überwachten und unüberwachten maschinellen Lernmodellen verarbeitet und klassifiziert, einschließlich Support Vector Machines und Random Forests. Synthetische Datenanreicherung, basierend auf generativen Modellen wie variationalen Autoencodern, wird verwendet, um die Datensatzvielfalt zu erhöhen und die Modellgeneralisierung zu verbessern, insbesondere in der frühen Phase, wenn die Probenanzahl begrenzt ist.

Umsetzungsplan Das Projekt ist über 24 Monate organisiert, beginnend im September 2025.

Monate 1-4: Auswahl und Benchmarking von Elektrodenmaterialien in künstlichen und gesunden Speichelproben.

Monate 5-8: Zusammenbau des ersten Prototyps mit integrierter KI-Signalaufnahme und sicherer, DSGVO-konformer Datenübertragung.

Monate 9-12: Entwicklung synthetischer Datensätze und initiales Training von maschinellen Lernmodellen.

Monate 9-19: Klinische Speichelprobenentnahme und iterative Modellverfeinerung mit neuen Daten.

Monate 21-24: Realwelt-Test des Proof-of-Concept-Systems in einer klinischen Umgebung, Datenanalyse und Verbreitung der Ergebnisse.

Datenhandhabung und -analyse Alle gesammelten Daten werden anonymisiert und gemäß DSGVO und ethischen Standards verarbeitet. Sensorausgaben werden mit anonymisierten klinischen Metadaten verknüpft. Maschinelle Lernmodelle werden basierend auf Klassifikationsgenauigkeit, Sensitivität, Spezifität und Robustheit gegenüber biologischer Variabilität bewertet. Statistische Analysen umfassen Kreuzvalidierung und Leistungsbenchmarking über Elektrodenkonfigurationen und KI-Modelle hinweg.

Erwartete Ergebnisse und Bedeutung Die Studie wird einen funktionalen Proof-of-Concept-Prototyp eines KI-unterstützten Speicheldiagnosesystems hervorbringen. Die Plattform zielt darauf ab, schnelle, nicht-invasive Detektion von Parodontitis am Point of Care zu ermöglichen. Bei Erfolg wird sie einen Paradigmenwechsel in der Parodontaldiagnostik darstellen, der frühere Erkennung, besser gezielte Interventionen und verbesserte Patientenoutcomes ermöglicht.

Über Parodontitis hinaus ermöglicht das modulare Design des Systems die Anpassung für andere Erkrankungen, einschließlich Oralkrebs, systemischer Entzündung und metabolischer Störungen. Diese Flexibilität erhöht sein langfristiges Potenzial als skalierbare Diagnosetechnologie für sowohl zahnärztliche als auch medizinische Anwendungen.

Ethische Überlegungen und Risikomanagement Die Studie wurde von der Schwedischen Ethikprüfungsbehörde genehmigt (Referenznummer: 2025-04853-01). Alle Teilnehmer werden vor der Probenentnahme eine schriftliche Einwilligungserklärung abgeben. Die Studie beinhaltet minimales Risiko, begrenzt auf das Unbehagen im Zusammenhang mit Speichelprobenentnahme. Keine experimentelle Behandlung oder invasive Verfahren werden durchgeführt.

Potenzielle technische Risiken, wie Variabilität in Speichelproben oder Geräteleistung, werden durch standardisierte Probenentnahmeprotokolle und iterative Prototypenverfeinerung gemildert. Das modulare Hardware-Design stellt sicher, dass einzelne Komponenten angepasst oder ersetzt werden können, ohne das Gesamtsystem zu beeinträchtigen.

Zusammenarbeit und Expertise Dieses interdisziplinäre Projekt vereint Experten aus klinischer Zahnheilkunde, biomedizinischer Technik und Informatik. Die Studie wird geleitet von Assoc. Prof. Shariel Sayardoust (Linköping University und Östergötland County), mit Mitarbeitern Assoc. Prof. Magnus Falk, Assoc. Prof. Julia Davies und Dr. Erdal Akin von der Malmö University. Industrielle Zusammenarbeit mit Redoxme AB unterstützt Hardware-Prototyping und Integration.

Gemeinsam zielt das Konsortium darauf ab, die Grundlage für Speichel-Diagnostik der nächsten Generation zu schaffen, die KI, elektrochemische Sensorik und patientenzentrierte Versorgung in der täglichen klinischen Praxis kombiniert.