Algorytmy uczenia maszynowego pomocne w stomatologii

Franziska Beier, Dental Tribune International

czw. 12 sierpnia 2021

ratować

BOSTON, USA: Niewiele wiadomo na temat czynników społeczno-ekonomicznych związanych z utratą zębów. W nowym badaniu naukowcy z Harvard School of Dental Medicine (HSDM) opracowali algorytmy uczenia maszynowego do przewidywania utraty zębów u dorosłych, które – oprócz oczywistych parametrów, takich jak wiek i opieka dentystyczna – uwzględniają czynniki społeczno-ekonomiczne pacjentów. Odkrycia sugerują, że narzędzia te mogą pomóc w identyfikacji zagrożonych zębów i zapewnienia wczesnej interwencji.

Ogólnie rzecz biorąc, utracie zębów można zapobiec, jeśli choroba zębów zostanie wykryta i wyleczona na wczesnym etapie. Potwierdzają to badania, które wykazały, że pacjenci, którzy chodzą regularnie na wizyty kontrolne, rzadziej tracą zęby. Jednak bariery takie jak dostęp do opieki dentystycznej i wysokie koszty mogą zniechęcać pacjentów do wizyty u dentysty. W Stanach Zjednoczonych decydującym czynnikiem może być to, że ubezpieczenie stomatologiczne dla dorosłych nie jest podstawową korzyścią zdrowotną w programach publicznego ubezpieczenia zdrowotnego. Ze względu na ten brak rutynowej opieki, do czasu wizyty u dentysty jest już za późno na ratowanie zęba, a ekstrakcja staje się najtańszą opcją. W tym miejscu narzędzie przesiewowe może pomóc na czas zidentyfikować pacjentów wysokiego ryzyka.

Zdaniem naukowców metody uczenia maszynowego znalazły zastosowanie w medycynie, aby dostarczać informacji potrzebnych do podejmowania decyzji klinicznych; jednak nie opracowano ich jeszcze do przewidywania wyników w zakresie zdrowia jamy ustnej. W związku z tym naukowcy opracowali i przetestowali pięć algorytmów przy użyciu różnych kombinacji parametrów — takich jak stan zdrowia i tło społeczno-ekonomiczne — w celu przewidywania utraty zębów u dorosłych i porównywania wydajności różnych narzędzi. Aby opracować narzędzia przesiewowe, zespół badawczy wykorzystał dane od prawie 12 000 osób dorosłych z National Health and Nutrition Examination Survey.

Decydujące cechy społeczno-ekonomiczne

Porównując działanie różnych algorytmów, naukowcy odkryli, że te modele, które uwzględniały cechy społeczno-ekonomiczne, takie jak rasa i wykształcenie, lepiej przewidywały utratę zębów niż modele oparte wyłącznie na tradycyjnych stomatologicznych wskaźnikach klinicznych.

„Nasza analiza wykazała, że chociaż wszystkie modele uczenia maszynowego mogą być użytecznymi predyktorami ryzyka, te, które uwzględniają zmienne społeczno-ekonomiczne, mogą być szczególnie potężnymi narzędziami przesiewowymi do identyfikacji osób o podwyższonym ryzyku utraty zębów” – powiedział główny autor dr. Hawazin Elani, adiunkt polityki zdrowia jamy ustnej i epidemiologii w HSDM, w komunikacie prasowym uniwersytetu.

„Ta praca podkreśla znaczenie społecznych uwarunkowań zdrowia. Znajomość poziomu wykształcenia pacjenta, statusu zatrudnienia i dochodów jest tak samo istotna dla przewidywania utraty zębów, jak ocena ich klinicznego stanu uzębienia ”- dodała.

Oprócz sytuacji społeczno-ekonomicznej pacjentów, zespół badawczy określił również istniejące wcześniej schorzenia jako predyktory utraty zębów. „Odkryliśmy, że stany chorobowe – takie jak zapalenie stawów, cukrzyca, wysoki poziom cholesterolu, nadciśnienie i choroby sercowo-naczyniowe – są jednymi z predyktorów utraty zębów. Klinicyści mogliby wykorzystać te informacje do zbadania pacjentów z wysokim ryzykiem utraty zębów i koordynowania ich skierowania i opieki stomatologicznej ”- stwierdzili.

Opracowane narzędzie może być wykorzystywane przez różnych świadczeniodawców

Narzędzie do badań przesiewowych zostało zaprojektowane do stosowania na całym świecie i w różnych placówkach opieki zdrowotnej, nawet przez specjalistów niedentystycznych, ponieważ ocenia ryzyko utraty zębów bez konieczności badania stomatologicznego. Jednak każdy pacjent, u którego stwierdzono wysokie ryzyko utraty zęba, nadal musiałby przejść faktyczne badanie.

Badanie zatytułowane „Predictors of tooth loss: A machine learning” zostało opublikowane 18 czerwca 2021 r. w PLOS ONE.