Att förutsäga framgång med parodontal behandling med hjälp av maskininlärning hos patienter med parodontit

Parodontit är ett mycket vanligt, komplext och multifaktoriellt kroniskt inflammatoriskt tillstånd som påverkar gingivan, parodontalligamentet, cementet och alveolarbenet, där en mikrobdriven, värdmedierad immuninflammatorisk respons slutligen resulterar i förlust av parodontal fäste och resorption av alveolarbenet.

Diagnosen av parodontit bygger på en noggrån klinisk och radiografisk bedömning av de parodontala vävnaderna. Karakteriseringen av sjukdomen inkluderar vanligtvis antalet och andelen tänder med sonderingdjup som överskrider specifika trösklar (oftast >4 mm med blödning vid sondering och ≥6 mm), antalet tänder förlorade på grund av parodontit, antalet tänder med intraossära defekter och antalet tänder med furkationsinvolvering, vilka alla fungerar som kliniskt meningsfulla indikatorer. Klassificeringsuppdateringen från 2017 förändrade parodontal diagnostik genom att införa ett stadie- och gradssystem, vilket möjliggör för kliniker att utvärdera sjukdomens svårighetsgrad, förväntad progression och sannolikheten för framtida återfall med större precision. Även om dessa kriterier effektivt identifierar etablerad sjukdom, återspeglar de främst historisk vävnadsförstöring och ger begränsad insikt i aktuell sjukdomsaktivitet eller framtida progression. Följaktligen finns det ett växande intresse för mer känsliga, specifika och icke-invasiva diagnostiska metoder som kan förbättra tidig upptäckt och prognosnoggrannhet. Trots detta strukturerade tillvägagångssätt står kliniker fortfarande inför svårigheter eftersom parodontit utvecklas genom en mycket varierande samverkan mellan värdens immunfunktion, mikrobiell obalans, genetiska faktorer samt livsstils- eller miljöpåverkan. Parodontal behandling delas generellt in i icke-kirurgiska och kirurgiska tillvägagångssätt. Icke-kirurgisk terapi (Fas I-behandling) inkluderar främst supragingivala och subgingivala debridemaningar, med fokus på borttagning av tandsten och utjämning av rotytor. I vissa fall kan dock kirurgiskt ingrepp (Fas II-behandling) bli nödvändigt på grund av sjukdomsprogression, anatomiska komplexiteter eller patientspecifika värdrelaterade faktorer. Kirurgiska behandlingsalternativ inkluderar flappkirurgi, resektiva procedurer och regenerativa tekniker. Även om kliniska parametrar som sonderingdjup, blödning vid sondering och kliniskt fästnivå kan vägleda beslutet att övergå från Fas I- till Fas II-terapi, är detta beslut ofta individualiserat och baserat på klinikerns expertis och patientspecifika överväganden.

Artificiell intelligens representerar ett område inom datavetenskap dedikerat till att skapa system som kan utföra uppgifter som vanligtvis kräver mänskliga kognitiva förmågor – ofta snabbare och med större precision. Inom detta område innebär maskininlärning (ML) utveckling av statistiska algoritmer som kan analysera och kategorisera data eller bilder, samt förutsäga risker och utfall med hjälp av olika beräkningsmetoder. Artificiell intelligens (AI)-applikationer inom parodontologi är omfattande och fokuserar främst på att förbättra sjukdomsklassificering, diagnostik och behandlingsplanering. Vid behandlingsplanering underlättar AI segmentering av parodontala strukturer, vilket möjliggör för kliniker att visualisera och simulera kirurgiska utfall i en virtuell miljö.

Integrationen av en AI-baserad modell kan maximera sannolikheten för att uppnå framgångsrika parodontala resultat och vägleda parodontologer i valet av den mest lämpliga behandlingsplanen. Med tanke på denna potential är syftet med föreliggande studie att utveckla en beslutsstödsmodell som kan förutsäga det optimala parodontala behandlingsalternativet på individnivå genom att använda avancerade maskininlärningsalgoritmer på en multidimensionell datamängd som omfattar kliniska parodontala parametrar, radiografiska data, tillämpade behandlingsmodaliteter och demografisk information. Genom att göra detta strävar studien efter att stödja personanpassad behandlingsplanering genom att identifiera det mest effektiva terapeutiska tillvägagångssättet för individer som genomgår parodontal terapi.