Przewidywanie Sukcesu Leczenia Periodontalnego z Wykorzystaniem Uczenia Maszynowego u Pacjentów z Periodontitis

Periodontitis to bardzo rozpowszechniony, złożony i wieloczynnikowy przewlekły stan zapalny, obejmujący dziąsła, więzadło przyzębia, cement i kość wyrostka zębodołowego, w którym napędzana przez drobnoustroje, pośredniczona przez gospodarza odpowiedź immunologiczno-zapalna ostatecznie prowadzi do utraty przyczepu przyzębia i resorpcji kości wyrostka zębodołowego.

Rozpoznanie periodontitis opiera się na dokładnej ocenie klinicznej i radiologicznej tkanek przyzębia. Charakterystyka choroby zazwyczaj obejmuje liczbę i odsetek zębów prezentujących głębokość kieszonek sondowania przekraczającą określone progi (najczęściej >4 mm z krwawieniem przy sondowaniu i ≥6 mm), liczbę zębów utraconych z powodu periodontitis, liczbę zębów wykazujących ubytki wewnątrzkostne oraz liczbę zębów z zaangażowaniem furkacji, z których wszystkie służą jako klinicznie znaczące wskaźniki. Aktualizacja klasyfikacji wydana w 2017 roku przekształciła diagnostykę periodontologiczną poprzez przyjęcie systemu etapów i stopni, który pozwala klinicystom oceniać ciężkość choroby, przewidywaną progresję oraz prawdopodobieństwo przyszłego nawrotu z większą precyzją. Chociaż te kryteria skutecznie identyfikują ustaloną chorobę, odzwierciedlają one głównie historyczne zniszczenie tkanek i dostarczają ograniczonego wglądu w obecną aktywność choroby lub przyszłą progresję. W związku z tym rośnie zainteresowanie bardziej czułymi, specyficznymi i nieinwazyjnymi podejściami diagnostycznymi, które mogą poprawić wczesne wykrywanie i dokładność rokowania. Jednak pomimo tego ustrukturyzowanego podejścia klinicyści nadal napotykają trudności, ponieważ periodontitis rozwija się poprzez bardzo zmienną interakcję funkcji immunologicznej gospodarza, nierównowagi mikrobiologicznej, czynników genetycznych oraz wpływu stylu życia lub środowiska. Leczenie periodontologiczne jest ogólnie podzielone na podejścia niechirurgiczne i chirurgiczne. Terapia niechirurgiczna (leczenie w fazie I) obejmuje głównie procedury oczyszczania naddziąsłowego i poddziąsłowego, skupiając się na usuwaniu kamienia nazębnego i wygładzaniu powierzchni korzeni. W niektórych przypadkach jednak, z powodu progresji choroby, złożoności anatomicznych lub specyficznych dla pacjenta czynników gospodarza, interwencja chirurgiczna (leczenie w fazie II) może stać się konieczna. Opcje leczenia chirurgicznego obejmują chirurgię płatową, procedury resekcyjne i techniki regeneracyjne. Chociaż parametry kliniczne, takie jak głębokość kieszonki sondowania, krwawienie przy sondowaniu i kliniczny poziom przyczepu, mogą kierować decyzją o przejściu z terapii fazy I do fazy II, decyzja ta jest często zindywidualizowana i oparta na doświadczeniu klinicysty oraz rozważaniach specyficznych dla pacjenta.

Sztuczna inteligencja reprezentuje dziedzinę w informatyce poświęconą tworzeniu systemów, które mogą wykonywać zadania zazwyczaj wymagające ludzkich zdolności poznawczych – często szybciej i z większą precyzją. W tej dziedzinie uczenie maszynowe (ML) polega na rozwijaniu algorytmów statystycznych, które mogą analizować i kategoryzować dane lub obrazy, a także przewidywać ryzyka i wyniki przy użyciu różnych technik obliczeniowych. Zastosowania sztucznej inteligencji (AI) w periodontologii są szerokie i skupiają się głównie na poprawie klasyfikacji choroby, diagnozy i planowania leczenia. W planowaniu leczenia AI ułatwia segmentację struktur periodontologicznych, pozwalając klinicystom wizualizować i symulować wyniki chirurgiczne w środowisku wirtualnym.

Integracja modelu opartego na AI może maksymalizować prawdopodobieństwo osiągnięcia pomyślnych wyników periodontologicznych i kierować periodontologów w wyborze najbardziej odpowiedniego planu leczenia. W świetle tego potencjału celem niniejszego badania jest opracowanie modelu wspomagania decyzji zdolnego do przewidywania optymalnej opcji leczenia periodontologicznego na poziomie indywidualnego pacjenta poprzez wykorzystanie zaawansowanych algorytmów uczenia maszynowego na wielowymiarowym zbiorze danych obejmującym kliniczne parametry periodontologiczne, dane radiologiczne, zastosowane modalności leczenia oraz informacje demograficzne. Robiąc to, badanie dąży do wsparcia spersonalizowanego planowania leczenia poprzez identyfikację najbardziej efektywnego podejścia terapeutycznego dla osób poddawanych terapii periodontologicznej.