Predicción del Éxito del Tratamiento Periodontal Mediante Aprendizaje Automático en Pacientes con Periodontitis

La periodontitis es una condición inflamatoria crónica altamente prevalente, compleja y multifactorial que afecta a la encía, el ligamento periodontal, el cemento y el hueso alveolar, en la cual una respuesta inmunoinflamatoria mediada por el huésped y impulsada por microbios resulta finalmente en la pérdida de inserción periodontal y la reabsorción ósea alveolar.

El diagnóstico de la periodontitis se basa en una evaluación clínica y radiográfica exhaustiva de los tejidos periodontales. La caracterización de la enfermedad comúnmente incluye el número y la proporción de dientes que presentan profundidades de sondaje que superan umbrales específicos (con mayor frecuencia >4 mm con sangrado al sondaje y ≥6 mm), el número de dientes perdidos debido a la periodontitis, el número de dientes que presentan defectos intraóseos y el número de dientes con afectación de furca, todos los cuales sirven como indicadores clínicamente significativos. La actualización de la clasificación publicada en 2017 transformó el diagnóstico periodontal al adoptar un sistema de estadificación y graduación, que permite a los clínicos evaluar la gravedad de la enfermedad, la progresión anticipada y la probabilidad de futuras recidivas con mayor precisión. Aunque estos criterios identifican eficazmente la enfermedad establecida, reflejan principalmente la destrucción tisular histórica y proporcionan una visión limitada sobre la actividad actual de la enfermedad o la progresión futura. En consecuencia, existe un creciente interés en enfoques diagnósticos más sensibles, específicos y no invasivos que puedan mejorar la detección temprana y la precisión pronóstica. Sin embargo, a pesar de este enfoque estructurado, los clínicos aún enfrentan dificultades porque la periodontitis se desarrolla a través de una interacción altamente variable de la función inmunológica del huésped, el desequilibrio microbiano, los factores genéticos y las influencias del estilo de vida o ambientales. El tratamiento periodontal generalmente se divide en enfoques no quirúrgicos y quirúrgicos. La terapia no quirúrgica (tratamiento de Fase I) incluye principalmente procedimientos de desbridamiento supragingival y subgingival, centrándose en la eliminación del cálculo dental y el alisado de las superficies radiculares. En algunos casos, sin embargo, debido a la progresión de la enfermedad, las complejidades anatómicas o factores específicos del huésped del paciente, puede ser necesaria la intervención quirúrgica (tratamiento de Fase II). Las opciones de tratamiento quirúrgico incluyen cirugía de colgajo, procedimientos resecivos y técnicas regenerativas. Aunque parámetros clínicos como la profundidad de sondaje, el sangrado al sondaje y el nivel de inserción clínica pueden guiar la decisión de pasar de la terapia de Fase I a la Fase II, esta decisión a menudo se individualiza y se basa en la experiencia del clínico y las consideraciones específicas del paciente.

La inteligencia artificial representa un campo dentro de la informática dedicado a crear sistemas que pueden realizar tareas que normalmente requieren habilidades cognitivas humanas, a menudo de manera más rápida y con mayor precisión. Dentro de este campo, el aprendizaje automático (ML) implica desarrollar algoritmos estadísticos que pueden analizar y categorizar datos o imágenes, así como predecir riesgos y resultados utilizando una variedad de técnicas computacionales. Las aplicaciones de inteligencia artificial (IA) en periodoncia son extensas y se centran principalmente en mejorar la clasificación de enfermedades, el diagnóstico y la planificación del tratamiento. En la planificación del tratamiento, la IA facilita la segmentación de las estructuras periodontales, permitiendo a los clínicos visualizar y simular resultados quirúrgicos en un entorno virtual.

La integración de un modelo basado en IA puede maximizar la probabilidad de lograr resultados periodontales exitosos y guiar a los periodoncistas en la selección del plan de tratamiento más apropiado. A la luz de este potencial, el objetivo del presente estudio es desarrollar un modelo de apoyo a la decisión capaz de predecir la opción de tratamiento periodontal óptima a nivel individual del paciente mediante el uso de algoritmos avanzados de aprendizaje automático en un conjunto de datos multidimensional que comprende parámetros periodontales clínicos, datos radiográficos, modalidades de tratamiento aplicadas e información demográfica. Al hacerlo, el estudio busca apoyar la planificación de tratamientos personalizados identificando el enfoque terapéutico más efectivo para los individuos que se someten a terapia periodontal.