利用机器学习预测牙周炎患者的牙周治疗成功率

牙周炎是一种高度普遍、复杂且多因素的慢性炎症性疾病，累及牙龈、牙周韧带、牙骨质和牙槽骨。在此疾病中，由微生物驱动、宿主介导的免疫炎症反应最终导致牙周附着丧失和牙槽骨吸收。

牙周炎的诊断依赖于对牙周组织的全面临床和影像学评估。疾病的特征通常包括：探诊深度超过特定阈值（最常见的是>4毫米伴探诊出血和≥6毫米）的牙齿数量及比例、因牙周炎而缺失的牙齿数量、存在骨内缺损的牙齿数量以及存在根分叉病变的牙齿数量，所有这些均作为具有临床意义的指标。2017年发布的分类更新通过采用分期分级系统，改变了牙周病的诊断方式，使临床医生能够更精确地评估疾病严重程度、预期进展以及未来复发的可能性。尽管这些标准能有效识别已形成的疾病，但它们主要反映了既往的组织破坏，对当前疾病活动性或未来进展的洞察有限。因此，人们越来越关注更敏感、特异且无创的诊断方法，以提高早期检测和预后判断的准确性。然而，尽管采用了这种结构化方法，临床医生仍面临困难，因为牙周炎的发展是通过宿主免疫功能、微生物失衡、遗传因素以及生活方式或环境影响的复杂多变相互作用而发生的。牙周治疗通常分为非手术和手术两种方法。非手术治疗（第一阶段治疗）主要包括龈上和龈下清创程序，重点是去除牙结石和使根面光滑。然而，在某些情况下，由于疾病进展、解剖结构复杂或患者特定的宿主因素，可能需要手术干预（第二阶段治疗）。手术治疗选项包括翻瓣手术、切除性手术和再生技术。尽管探诊深度、探诊出血和临床附着水平等临床参数可以指导从第一阶段过渡到第二阶段治疗的决定，但这一决定通常是基于临床医生的专业知识和患者特定考虑因素而个体化制定的。

人工智能是计算机科学中的一个领域，致力于创建能够执行通常需要人类认知能力的任务的系统——通常更快且更精确。在该领域内，机器学习（ML）涉及开发能够分析和分类数据或图像，以及使用各种计算技术预测风险和结果的统计算法。人工智能（AI）在牙周病学中的应用广泛，主要集中在增强疾病分类、诊断和治疗计划制定方面。在治疗计划制定中，人工智能促进了牙周结构的分割，使临床医生能够在虚拟环境中可视化和模拟手术结果。

整合基于人工智能的模型可以最大限度地提高实现成功牙周治疗结果的可能性，并指导牙周病医生选择最合适的治疗计划。鉴于这一潜力，本研究旨在通过使用先进的机器学习算法，对包含临床牙周参数、影像学数据、应用的治疗方式以及人口统计学信息的多维数据集进行分析，开发一个能够预测个体患者最佳牙周治疗方案的支持决策模型。通过这样做，本研究旨在通过识别接受牙周治疗的个体最有效的治疗方法，来支持个体化治疗计划的制定。