Predizione del Successo del Trattamento Parodontale Utilizzando il Machine Learning nei Pazienti con Parodontite

La parodontite è una condizione infiammatoria cronica altamente prevalente, complessa e multifattoriale che interessa la gengiva, il legamento parodontale, il cemento e l'osso alveolare, in cui una risposta immunoinfiammatoria mediata dall'ospite e guidata da microrganismi porta infine alla perdita di attacco parodontale e al riassorbimento osseo alveolare.

La diagnosi di parodontite si basa su una valutazione clinica e radiografica approfondita dei tessuti parodontali. La caratterizzazione della malattia include comunemente il numero e la proporzione di denti che presentano profondità di sondaggio superiori a soglie specifiche (più frequentemente >4 mm con sanguinamento al sondaggio e ≥6 mm), il numero di denti persi a causa della parodontite, il numero di denti che presentano difetti intraossei e il numero di denti con coinvolgimento di forcazione, tutti elementi che servono come indicatori clinicamente significativi. L'aggiornamento della classificazione rilasciato nel 2017 ha trasformato la diagnostica parodontale adottando un sistema di stadio e grado, che consente ai clinici di valutare la gravità della malattia, la progressione attesa e la probabilità di recidiva futura con maggiore precisione. Sebbene questi criteri identifichino efficacemente la malattia conclamata, riflettono principalmente la distruzione tissutale storica e forniscono una visione limitata dell'attività attuale della malattia o della progressione futura. Di conseguenza, c'è un crescente interesse per approcci diagnostici più sensibili, specifici e non invasivi che possano migliorare la rilevazione precoce e l'accuratezza prognostica. Tuttavia, nonostante questo approccio strutturato, i clinici incontrano ancora difficoltà perché la parodontite si sviluppa attraverso un'interazione altamente variabile della funzione immunitaria dell'ospite, dello squilibrio microbico, dei fattori genetici e delle influenze ambientali o dello stile di vita. Il trattamento parodontale è generalmente suddiviso in approcci non chirurgici e chirurgici. La terapia non chirurgica (trattamento di Fase I) include principalmente procedure di detartrasi sopragengivale e sottogengivale, concentrandosi sulla rimozione del tartaro dentale e sulla levigatura delle superfici radicolari. In alcuni casi, tuttavia, a causa della progressione della malattia, delle complessità anatomiche o di fattori specifici dell'ospite del paziente, può diventare necessario un intervento chirurgico (trattamento di Fase II). Le opzioni di trattamento chirurgico includono chirurgia a lembo, procedure resettive e tecniche rigenerative. Sebbene parametri clinici come la profondità di sondaggio, il sanguinamento al sondaggio e il livello di attacco clinico possano guidare la decisione di passare dalla terapia di Fase I a quella di Fase II, questa decisione è spesso individualizzata e basata sull'esperienza del clinico e su considerazioni specifiche del paziente.

L'intelligenza artificiale rappresenta un campo all'interno dell'informatica dedicato alla creazione di sistemi in grado di svolgere compiti che tipicamente richiedono capacità cognitive umane, spesso più rapidamente e con maggiore precisione. All'interno di questo campo, l'apprendimento automatico (ML) implica lo sviluppo di algoritmi statistici che possono analizzare e classificare dati o immagini, nonché prevedere rischi e risultati utilizzando una varietà di tecniche computazionali. Le applicazioni dell'intelligenza artificiale (AI) in parodontologia sono estese e si concentrano principalmente sul miglioramento della classificazione, della diagnosi e della pianificazione del trattamento della malattia. Nella pianificazione del trattamento, l'AI facilita la segmentazione delle strutture parodontali, consentendo ai clinici di visualizzare e simulare i risultati chirurgici in un ambiente virtuale.

L'integrazione di un modello basato sull'AI può massimizzare la probabilità di ottenere risultati parodontali di successo e guidare i parodontologi nella selezione del piano di trattamento più appropriato. Alla luce di questo potenziale, l'obiettivo del presente studio è sviluppare un modello di supporto decisionale in grado di prevedere l'opzione di trattamento parodontale ottimale a livello del singolo paziente utilizzando algoritmi avanzati di apprendimento automatico su un set di dati multidimensionale comprendente parametri parodontali clinici, dati radiografici, modalità di trattamento applicate e informazioni demografiche. In questo modo, lo studio mira a supportare la pianificazione del trattamento personalizzato identificando l'approccio terapeutico più efficace per gli individui sottoposti a terapia parodontale.