Previsão do Sucesso do Tratamento Periodontal Utilizando Aprendizagem Automática em Pacientes com Periodontite

A periodontite é uma condição inflamatória crónica complexa e multifatorial altamente prevalente, que afeta a gengiva, o ligamento periodontal, o cemento e o osso alveolar, na qual uma resposta imuno-inflamatória mediada pelo hospedeiro e impulsionada por micróbios resulta, em última análise, na perda de inserção periodontal e na reabsorção óssea alveolar.

O diagnóstico da periodontite baseia-se numa avaliação clínica e radiográfica minuciosa dos tecidos periodontais. A caracterização da doença inclui comumente o número e a proporção de dentes que apresentam profundidades de sondagem superiores a limiares específicos (mais frequentemente >4 mm com sangramento à sondagem e ≥6 mm), o número de dentes perdidos devido à periodontite, o número de dentes que exibem defeitos intraósseos e o número de dentes com envolvimento de fúrcula, todos os quais servem como indicadores clinicamente significativos. A atualização da classificação lançada em 2017 transformou o diagnóstico periodontal ao adotar um sistema de estadio e grau, que permite aos clínicos avaliar a gravidade da doença, a progressão antecipada e a probabilidade de recidiva futura com maior precisão. Embora estes critérios identifiquem eficazmente a doença estabelecida, refletem principalmente a destruição tecidual histórica e fornecem uma visão limitada sobre a atividade atual da doença ou a progressão futura. Consequentemente, há um interesse crescente em abordagens diagnósticas mais sensíveis, específicas e não invasivas que possam melhorar a deteção precoce e a precisão prognóstica. No entanto, apesar desta abordagem estruturada, os clínicos ainda enfrentam dificuldades porque a periodontite se desenvolve através de uma interação altamente variável da função imunitária do hospedeiro, do desequilíbrio microbiano, de fatores genéticos e de influências do estilo de vida ou ambientais. O tratamento periodontal é geralmente dividido em abordagens não cirúrgicas e cirúrgicas. A terapia não cirúrgica (tratamento da Fase I) inclui principalmente procedimentos de desbridamento supragengival e subgengival, focando-se na remoção do tártaro dentário e no alisamento das superfícies radiculares. Em alguns casos, no entanto, devido à progressão da doença, complexidades anatómicas ou fatores específicos do hospedeiro do paciente, pode tornar-se necessária uma intervenção cirúrgica (tratamento da Fase II). As opções de tratamento cirúrgico incluem cirurgia de retalho, procedimentos resectivos e técnicas regenerativas. Embora parâmetros clínicos como a profundidade de sondagem, o sangramento à sondagem e o nível de inserção clínica possam orientar a decisão de transição da terapia da Fase I para a Fase II, esta decisão é frequentemente individualizada e baseada na experiência do clínico e em considerações específicas do paciente.

A inteligência artificial representa um campo dentro da ciência da computação dedicado à criação de sistemas que podem realizar tarefas que normalmente requerem capacidades cognitivas humanas - muitas vezes de forma mais rápida e com maior precisão. Dentro deste campo, a aprendizagem automática (ML) envolve o desenvolvimento de algoritmos estatísticos que podem analisar e categorizar dados ou imagens, bem como prever riscos e resultados usando uma variedade de técnicas computacionais. As aplicações da inteligência artificial (IA) em periodontologia são extensas e focam-se principalmente na melhoria da classificação da doença, do diagnóstico e do planeamento do tratamento. No planeamento do tratamento, a IA facilita a segmentação das estruturas periodontais, permitindo aos clínicos visualizar e simular resultados cirúrgicos num ambiente virtual.

A integração de um modelo baseado em IA pode maximizar a probabilidade de alcançar resultados periodontais bem-sucedidos e orientar os periodontistas na seleção do plano de tratamento mais adequado. Tendo em conta este potencial, o objetivo do presente estudo é desenvolver um modelo de suporte à decisão capaz de prever a opção de tratamento periodontal ideal ao nível do paciente individual, utilizando algoritmos avançados de aprendizagem automática num conjunto de dados multidimensionais que inclui parâmetros periodontais clínicos, dados radiográficos, modalidades de tratamento aplicadas e informações demográficas. Ao fazê-lo, o estudo procura apoiar o planeamento de tratamento personalizado, identificando a abordagem terapêutica mais eficaz para indivíduos submetidos a terapia periodontal.