Parodontiittipotilaiden periodontaalihoidon menestyksen ennustaminen koneoppimisella

Parodontiitti on erittäin yleinen, monimutkainen ja monitekijäinen krooninen tulehdustila, joka vaikuttaa ien, parodontiumin, sementin ja hammasluuhun, jossa mikrobien aiheuttama, isännän välittämä immuuni-tulehduksellinen reaktio johtaa lopulta parodontaalisen kiinnityksen menetykseen ja hammasluun resorptioon.

Parodontiitin diagnoosi perustuu parodontaalikudosten perusteelliseen kliiniseen ja radiografiseen arviointiin. Sairauden karakterisointi sisältää yleensä tietyn kynnysarvon ylittävien probaussyvyyksien esiintyvien hampaiden lukumäärän ja osuuden (useimmiten >4 mm probausvuodon kanssa ja ≥6 mm), parodontiitin vuoksi menetettyjen hampaiden lukumäärän, luukalvon puutteita esittävien hampaiden lukumäärän ja hampaiden, joissa on furkataatio-osallistuminen, lukumäärän, jotka kaikki toimivat kliinisesti merkityksellisinä indikaattoreina. Vuonna 2017 julkaistu luokituspäivitys muutti parodontaalidiagnostiikkaa ottamalla käyttöön vaihe- ja astejärjestelmän, jonka avulla kliinikot voivat arvioida sairauden vakavuutta, odotettua etenemistä ja tulevan relapsin todennäköisyyttä tarkemmin. Vaikka nämä kriteerit tunnistavat tehokkaasti vakiintuneen sairauden, ne heijastavat pääasiassa historiallista kudosvauriota ja tarjoavat rajoitetusti tietoa nykyisestä sairausaktiivisuudesta tai tulevasta etenemisestä. Tämän seurauksena kiinnostus herkempään, spesifisempään ja ei-invasiiviseen diagnostisiin lähestymistapoihin, jotka voivat parantaa varhaista havaitsemista ja ennusteellista tarkkuutta, on kasvamassa. Kuitenkin, huolimatta tästä jäsentyneestä lähestymistavasta, kliinikot kohtaavat edelleen vaikeuksia, koska parodontiitti kehittyy erittäin vaihtelevan vuorovaikutuksen kautta, joka sisältää isännän immuunitoiminnon, mikrobitasapainon häiriön, geneettiset tekijät sekä elämäntapa- tai ympäristötekijät. Parodontaalihoidot jaetaan yleensä ei-kirurgisiin ja kirurgisiin lähestymistapoihin. Ei-kirurginen terapia (vaiheen I hoito) sisältää ensisijaisesti supragingivaalisia ja subgingivaalisia debridementtimenetelmiä, keskittyen hammaskiven poistoon ja juuripintojen tasoittamiseen. Joissakin tapauksissa kuitenkin sairauden etenemisen, anatomisten monimutkaisuuksien tai potilaskohtaisten isäntätekijöiden vuoksi kirurginen interventio (vaiheen II hoito) voi olla tarpeen. Kirurgiset hoitovaihtoehdot sisältävät läppäkirurgian, resektiiviset menettelyt ja regeneratiiviset tekniikat. Vaikka kliiniset parametrit, kuten probaussyvyys, probausvuoto ja kliininen kiinnitystaso, voivat ohjata päätöstä siirtyä vaiheen I hoidosta vaiheen II hoitoon, tämä päätös on usein yksilöllinen ja perustuu kliinikon asiantuntemukseen ja potilaskohtaisiin näkökohtiin.

Tekoäly edustaa tietotekniikan alaa, joka on omistettu järjestelmien luomiselle, jotka voivat suorittaa tehtäviä, jotka yleensä vaativat ihmisen kognitiivisia kykyjä - usein nopeammin ja suuremmalla tarkkuudella. Tällä alalla koneoppiminen (ML) sisältää tilastollisten algoritmien kehittämisen, jotka voivat analysoida ja luokitella dataa tai kuvia sekä ennustaa riskejä ja lopputuloksia käyttämällä erilaisia laskennallisia tekniikoita. Tekoälyn (AI) sovellukset parodontologiassa ovat laajoja ja keskittyvät ensisijaisesti sairausluokituksen, diagnosoinnin ja hoitosuunnittelun parantamiseen. Hoitosuunnittelussa tekoäly helpottaa parodontaalirakenteiden segmentointia, mahdollistaen kliinikkojen visualisoida ja simuloida kirurgisia tuloksia virtuaalisessa ympäristössä.

Tekoälypohjaisen mallin integrointi voi maksimoida onnistuneiden parodontaalisten lopputulosten saavuttamisen todennäköisyyden ja ohjata parodontologeja valitsemaan sopivimman hoitosuunnitelman. Tämän potentiaalin valossa tämän tutkimuksen tavoitteena on kehittää päätöstukimalli, joka pystyy ennustamaan optimaalisen parodontaalisen hoitovaihtoehdon yksilöllisellä potilastasolla käyttämällä kehittyneitä koneoppimisalgoritmeja moniulotteisessa aineistossa, joka sisältää kliinisiä parodontaalisia parametreja, radiografista dataa, käytettyjä hoitomenetelmiä ja demografista tietoa. Näin tutkimus pyrkii tukemaan personoitua hoitosuunnittelua tunnistamalla tehokkaimman terapiasuunnan yksilöille, jotka käyvät läpi parodontaaliterapiaa.