Prédiction du succès du traitement parodontal grâce à l'apprentissage automatique chez les patients atteints de parodontite

La parodontite est une maladie inflammatoire chronique très répandue, complexe et multifactorielle qui affecte la gencive, le ligament parodontal, le cément et l'os alvéolaire, dans laquelle une réponse immunitaire-inflammatoire médiée par l'hôte et induite par les microbes conduit finalement à une perte d'attache parodontale et à une résorption de l'os alvéolaire.

Le diagnostic de la parodontite repose sur une évaluation clinique et radiographique approfondie des tissus parodontaux. La caractérisation de la maladie inclut généralement le nombre et la proportion de dents présentant des profondeurs de sondage dépassant des seuils spécifiques (le plus souvent >4 mm avec saignement au sondage et ≥6 mm), le nombre de dents perdues à cause de la parodontite, le nombre de dents présentant des lésions intra-osseuses, et le nombre de dents avec une atteinte de la furcation, tous ces éléments servant d'indicateurs cliniquement significatifs. La mise à jour de la classification publiée en 2017 a transformé le diagnostic parodontal en adoptant un système de stade et de grade, qui permet aux cliniciens d'évaluer la sévérité de la maladie, la progression anticipée et la probabilité de récidive future avec une plus grande précision. Bien que ces critères identifient efficacement une maladie établie, ils reflètent principalement la destruction tissulaire passée et fournissent des informations limitées sur l'activité actuelle de la maladie ou sa progression future. Par conséquent, il y a un intérêt croissant pour des approches diagnostiques plus sensibles, spécifiques et non invasives qui peuvent améliorer la détection précoce et la précision pronostique. Cependant, malgré cette approche structurée, les cliniciens rencontrent encore des difficultés car la parodontite se développe par une interaction très variable entre la fonction immunitaire de l'hôte, le déséquilibre microbien, les facteurs génétiques, et les influences du mode de vie ou environnementales. Le traitement parodontal est généralement divisé en approches non chirurgicales et chirurgicales. La thérapie non chirurgicale (traitement de Phase I) inclut principalement les procédures de débridement supra-gingival et sous-gingival, en se concentrant sur l'élimination du tartre dentaire et le lissage des surfaces radiculaires. Dans certains cas, cependant, en raison de la progression de la maladie, des complexités anatomiques, ou de facteurs spécifiques à l'hôte du patient, une intervention chirurgicale (traitement de Phase II) peut devenir nécessaire. Les options de traitement chirurgical incluent la chirurgie à lambeau, les procédures résectives et les techniques régénératives. Bien que des paramètres cliniques tels que la profondeur de sondage, le saignement au sondage et le niveau d'attache clinique puissent guider la décision de passer du traitement de Phase I à la Phase II, cette décision est souvent individualisée et basée sur l'expertise du clinicien et les considérations spécifiques au patient.

L'intelligence artificielle représente un domaine de l'informatique dédié à la création de systèmes capables d'effectuer des tâches nécessitant typiquement des capacités cognitives humaines – souvent plus rapidement et avec une plus grande précision. Dans ce domaine, l'apprentissage automatique (ML) implique le développement d'algorithmes statistiques qui peuvent analyser et catégoriser des données ou des images, ainsi que prédire des risques et des résultats en utilisant diverses techniques informatiques. Les applications de l'intelligence artificielle (IA) en parodontologie sont étendues et principalement axées sur l'amélioration de la classification des maladies, du diagnostic et de la planification du traitement. Dans la planification du traitement, l'IA facilite la segmentation des structures parodontales, permettant aux cliniciens de visualiser et de simuler les résultats chirurgicaux dans un environnement virtuel.

L'intégration d'un modèle basé sur l'IA peut maximiser la probabilité d'atteindre des résultats parodontaux réussis et guider les parodontistes dans la sélection du plan de traitement le plus approprié. Compte tenu de ce potentiel, l'objectif de la présente étude est de développer un modèle d'aide à la décision capable de prédire l'option de traitement parodontal optimale au niveau individuel du patient en utilisant des algorithmes d'apprentissage automatique avancés sur un ensemble de données multidimensionnel comprenant des paramètres parodontaux cliniques, des données radiographiques, des modalités de traitement appliquées et des informations démographiques. Ce faisant, l'étude cherche à soutenir la planification de traitement personnalisée en identifiant l'approche thérapeutique la plus efficace pour les individus subissant une thérapie parodontale.