Vorhersage des Erfolgs von Parodontalbehandlungen mithilfe von maschinellem Lernen bei Patienten mit Parodontitis

Parodontitis ist eine weit verbreitete, komplexe und multifaktorielle chronisch entzündliche Erkrankung, die das Zahnfleisch, das Parodontalligament, das Zement und den Alveolarknochen betrifft, bei der eine mikrobiell getriebene, wirtvermittelte immuninflammatorische Reaktion letztendlich zu parodontalem Attachmentverlust und Alveolarknochenresorption führt.

Die Diagnose von Parodontitis beruht auf einer gründlichen klinischen und radiografischen Untersuchung der Parodontalgewebe. Die Charakterisierung der Erkrankung umfasst üblicherweise die Anzahl und den Anteil der Zähne, bei denen Sondierungstiefen bestimmte Schwellenwerte überschreiten (meist >4 mm mit Blutung bei Sondierung und ≥6 mm), die Anzahl der durch Parodontitis verlorenen Zähne, die Anzahl der Zähne mit intraossären Defekten und die Anzahl der Zähne mit Furkationsbeteiligung, die alle als klinisch aussagekräftige Indikatoren dienen. Die 2017 veröffentlichte Klassifikationsaktualisierung hat die parodontale Diagnostik durch die Einführung eines Stufen- und Gradsystems transformiert, das es Klinikern ermöglicht, den Schweregrad der Erkrankung, den voraussichtlichen Verlauf und die Wahrscheinlichkeit eines zukünftigen Rückfalls mit größerer Präzision zu bewerten. Obwohl diese Kriterien etablierte Erkrankungen effektiv identifizieren, spiegeln sie hauptsächlich historische Gewebezerstörung wider und bieten nur begrenzte Einblicke in die aktuelle Krankheitsaktivität oder den zukünftigen Verlauf. Folglich besteht ein wachsendes Interesse an sensitiveren, spezifischeren und nicht-invasiven diagnostischen Ansätzen, die eine frühzeitige Erkennung und prognostische Genauigkeit verbessern können. Trotz dieses strukturierten Ansatzes stehen Kliniker jedoch weiterhin vor Schwierigkeiten, da sich Parodontitis durch ein sehr variables Zusammenspiel von Wirtsimmunfunktion, mikrobieller Dysbiose, genetischen Faktoren sowie Lebensstil- oder Umwelteinflüssen entwickelt. Die parodontale Behandlung wird im Allgemeinen in nicht-chirurgische und chirurgische Ansätze unterteilt. Die nicht-chirurgische Therapie (Phase-I-Behandlung) umfasst hauptsächlich supragingivale und subgingivale Debridement-Verfahren, die sich auf die Entfernung von Zahnstein und die Glättung der Wurzeloberflächen konzentrieren. In einigen Fällen kann jedoch aufgrund von Krankheitsfortschritt, anatomischen Komplexitäten oder patientenspezifischen Wirtsfaktoren ein chirurgischer Eingriff (Phase-II-Behandlung) notwendig werden. Chirurgische Behandlungsoptionen umfassen Lappenoperationen, resektive Verfahren und regenerative Techniken. Obwohl klinische Parameter wie Sondierungstiefe, Blutung bei Sondierung und klinisches Attachmentniveau die Entscheidung für den Übergang von Phase-I- zu Phase-II-Therapie leiten können, wird diese Entscheidung oft individuell und auf der Grundlage der Expertise des Klinikers und patientenspezifischer Überlegungen getroffen.

Künstliche Intelligenz stellt ein Gebiet innerhalb der Informatik dar, das sich der Entwicklung von Systemen widmet, die Aufgaben ausführen können, die typischerweise menschliche kognitive Fähigkeiten erfordern – oft schneller und mit größerer Präzision. Innerhalb dieses Gebiets umfasst maschinelles Lernen (ML) die Entwicklung statistischer Algorithmen, die Daten oder Bilder analysieren und kategorisieren sowie Risiken und Ergebnisse mithilfe verschiedener computergestützter Techniken vorhersagen können. Anwendungen künstlicher Intelligenz (KI) in der Parodontologie sind umfangreich und konzentrieren sich hauptsächlich auf die Verbesserung der Krankheitsklassifikation, Diagnose und Behandlungsplanung. In der Behandlungsplanung erleichtert KI die Segmentierung parodontaler Strukturen, wodurch Kliniker chirurgische Ergebnisse in einer virtuellen Umgebung visualisieren und simulieren können.

Die Integration eines KI-basierten Modells könnte die Wahrscheinlichkeit erfolgreicher parodontaler Behandlungsergebnisse maximieren und Parodontologen bei der Auswahl des am besten geeigneten Behandlungsplans leiten. Angesichts dieses Potenzials zielt die vorliegende Studie darauf ab, ein Entscheidungsunterstützungsmodell zu entwickeln, das in der Lage ist, die optimale parodontale Behandlungsoption auf individueller Patientenbasis vorherzusagen, indem fortschrittliche maschinelle Lernalgorithmen auf einen multidimensionalen Datensatz angewendet werden, der klinische parodontale Parameter, radiografische Daten, angewandte Behandlungsmodalitäten und demografische Informationen umfasst. Dadurch soll die Studie die personalisierte Behandlungsplanung unterstützen, indem sie den effektivsten therapeutischen Ansatz für Personen identifiziert, die sich einer Parodontaltherapie unterziehen.