기계 학습을 이용한 치주염 환자의 치주 치료 성공 예측

치주염은 치은, 치주인대, 백악질 및 치조골에 영향을 미치는 매우 흔하고 복잡하며 다인성 만성 염증성 질환으로, 미생물에 의해 유도되고 숙주 매개 면역 염증 반응이 궁극적으로 치주 부착 소실 및 치조골 흡수로 이어집니다.

치주염의 진단은 치주 조직에 대한 철저한 임상 및 방사선학적 평가에 의존합니다. 이 질환의 특성화는 일반적으로 특정 임계값(가장 흔히 탐침 시 출혈이 동반된 >4mm 및 ≥6mm)을 초과하는 탐침낭 깊이를 보이는 치아의 수와 비율, 치주염으로 인해 상실된 치아 수, 골내 결손을 나타내는 치아 수, 그리고 분지부 관여를 보이는 치아 수를 포함하며, 이 모든 것이 임상적으로 의미 있는 지표 역할을 합니다. 2017년에 발표된 분류 업데이트는 단계 및 등급 시스템을 채택하여 치주 진단을 변화시켰으며, 이를 통해 임상의는 질환의 중증도, 예상되는 진행 경과, 그리고 미래 재발 가능성을 더욱 정밀하게 평가할 수 있게 되었습니다. 이러한 기준은 확립된 질환을 효과적으로 식별하지만, 주로 과거의 조직 파괴를 반영하며 현재 질환 활동성이나 미래 진행에 대한 통찰력은 제한적입니다. 결과적으로, 조기 발견과 예후 정확도를 향상시킬 수 있는 더욱 민감하고 특이적이며 비침습적인 진단 접근법에 대한 관심이 높아지고 있습니다. 그러나 이러한 구조화된 접근법에도 불구하고, 임상의들은 여전히 어려움에 직면하는데, 이는 치주염이 숙주 면역 기능, 미생물 불균형, 유전적 요인, 그리고 생활습관 또는 환경적 영향의 매우 다양한 상호작용을 통해 발생하기 때문입니다. 치주 치료는 일반적으로 비외과적 접근법과 외과적 접근법으로 나뉩니다. 비외과적 치료(1단계 치료)는 주로 치은상 및 치은하 세척술을 포함하며, 치석 제거 및 치근 표면 매끄럽게 하는 데 중점을 둡니다. 그러나 어떤 경우에는 질환 진행, 해부학적 복잡성, 또는 환자 특이적 숙주 요인으로 인해 외과적 개입(2단계 치료)이 필요할 수 있습니다. 외과적 치료 옵션에는 플랩 수술, 절제술 및 재생 기술이 포함됩니다. 탐침낭 깊이, 탐침 시 출혈, 임상 부착 수준과 같은 임상 지표가 1단계 치료에서 2단계 치료로 전환하는 결정을 안내할 수 있지만, 이 결정은 종종 개별화되며 임상의의 전문성과 환자 특이적 고려 사항에 기반합니다.

인공지능은 일반적으로 인간의 인지 능력을 필요로 하는 작업을 종종 더 빠르고 정밀하게 수행할 수 있는 시스템을 창조하는 데 전념하는 컴퓨터 과학 내의 한 분야입니다. 이 분야 내에서, 기계 학습(ML)은 데이터나 이미지를 분석하고 분류하며, 다양한 계산 기술을 사용하여 위험과 결과를 예측할 수 있는 통계적 알고리즘을 개발하는 것을 포함합니다. 치주학에서의 인공지능(AI) 응용은 광범위하며, 주로 질환 분류, 진단 및 치료 계획 수립 향상에 중점을 둡니다. 치료 계획 수립에서 AI는 치주 구조의 분할을 용이하게 하여 임상의가 가상 환경에서 수술 결과를 시각화하고 시뮬레이션할 수 있게 합니다.

AI 기반 모델의 통합은 성공적인 치주 치료 결과를 달성할 가능성을 극대화하고, 치주과 의사가 가장 적절한 치료 계획을 선택하도록 안내할 수 있습니다. 이러한 잠재력을 고려하여, 본 연구의 목적은 임상 치주 매개변수, 방사선 데이터, 적용된 치료 양식 및 인구통계학적 정보로 구성된 다차원 데이터셋에 대해 고급 기계 학습 알고리즘을 사용하여 개별 환자 수준에서 최적의 치주 치료 옵션을 예측할 수 있는 의사 결정 지원 모델을 개발하는 것입니다. 이를 통해, 이 연구는 치주 치료를 받는 개인에게 가장 효과적인 치료 접근법을 식별함으로써 맞춤형 치료 계획 수립을 지원하고자 합니다.