Прогнозирование успеха пародонтологического лечения с использованием машинного обучения у пациентов с пародонтитом

Пародонтит — это высоко распространенное, сложное и многофакторное хроническое воспалительное заболевание, поражающее десну, периодонтальную связку, цемент и альвеолярную кость, при котором микробно-индуцированный, опосредованный хозяином иммунно-воспалительный ответ в конечном итоге приводит к потере пародонтального прикрепления и резорбции альвеолярной кости.

Диагностика пародонтита основывается на тщательной клинической и рентгенологической оценке пародонтальных тканей. Характеристика заболевания обычно включает количество и долю зубов с глубиной зондирования пародонтальных карманов, превышающей определенные пороговые значения (чаще всего >4 мм с кровоточивостью при зондировании и ≥6 мм), количество зубов, утраченных из-за пародонтита, количество зубов с внутрикостными дефектами и количество зубов с вовлечением фуркации, — все это служит клинически значимыми показателями. Обновление классификации, выпущенное в 2017 году, преобразовало пародонтальную диагностику, приняв систему стадий и степеней, которая позволяет клиницистам оценивать тяжесть заболевания, ожидаемое прогрессирование и вероятность будущего рецидива с большей точностью. Хотя эти критерии эффективно выявляют установленное заболевание, они в основном отражают историческое разрушение тканей и дают ограниченное представление о текущей активности заболевания или будущем прогрессировании. Следовательно, растет интерес к более чувствительным, специфичным и неинвазивным диагностическим подходам, которые могут улучшить раннее выявление и точность прогнозирования. Однако, несмотря на этот структурированный подход, клиницисты по-прежнему сталкиваются с трудностями, поскольку пародонтит развивается в результате высоковариабельного взаимодействия иммунной функции хозяина, микробного дисбаланса, генетических факторов, а также влияния образа жизни или окружающей среды. Лечение пародонтита обычно делится на нехирургические и хирургические подходы. Нехирургическая терапия (лечение I фазы) в основном включает наддесневые и поддесневые процедуры удаления зубных отложений, направленные на удаление зубного камня и сглаживание поверхностей корней. В некоторых случаях, однако, из-за прогрессирования заболевания, анатомических сложностей или специфических для пациента факторов хозяина может потребоваться хирургическое вмешательство (лечение II фазы). Варианты хирургического лечения включают лоскутную хирургию, резективные процедуры и регенеративные методики. Хотя клинические параметры, такие как глубина зондирования пародонтального кармана, кровоточивость при зондировании и уровень клинического прикрепления, могут служить ориентиром для принятия решения о переходе от терапии I фазы к терапии II фазы, это решение часто индивидуализировано и основано на экспертизе клинициста и специфических для пациента соображениях.

Искусственный интеллект представляет собой область компьютерных наук, посвященную созданию систем, способных выполнять задачи, обычно требующие человеческих когнитивных способностей, — часто быстрее и с большей точностью. В рамках этой области машинное обучение (МО) включает разработку статистических алгоритмов, которые могут анализировать и классифицировать данные или изображения, а также прогнозировать риски и исходы с использованием различных вычислительных методов. Применения искусственного интеллекта (ИИ) в пародонтологии обширны и в основном сосредоточены на улучшении классификации заболеваний, диагностики и планирования лечения. В планировании лечения ИИ облегчает сегментацию пародонтальных структур, позволяя клиницистам визуализировать и моделировать хирургические исходы в виртуальной среде.

Интеграция модели на основе ИИ может максимизировать вероятность достижения успешных пародонтальных исходов и направлять пародонтологов в выборе наиболее подходящего плана лечения. Учитывая этот потенциал, цель настоящего исследования — разработать модель поддержки принятия решений, способную прогнозировать оптимальный вариант пародонтального лечения на уровне отдельного пациента, используя передовые алгоритмы машинного обучения на многомерном наборе данных, включающем клинические пародонтальные параметры, рентгенографические данные, примененные методы лечения и демографическую информацию. Таким образом, исследование стремится поддержать персонализированное планирование лечения, выявляя наиболее эффективный терапевтический подход для лиц, проходящих пародонтальную терапию.