Próchnica zębów
Rokowania, prognozy i postęp choroby
Prognozowanie przebiegu próchnicowego uszkodzenia twardych tkanek zęba jest kluczowe dla skutecznej prewencji i leczenia w stomatologii. Wczesna diagnoza znacząco poprawia rokowanie, zmniejszając potrzebę inwazyjnych procedur i ryzyko powikłań, takich jak ropień zęba czy nawet śmiertelne zakażenia. Modele uczenia maszynowego, zwłaszcza regresja LASSO (RMSE 0,70, R² 0,44, MAE 0,48), wykazały wysoką skuteczność w przewidywaniu liczby ubytków D2+MFS23 u młodych dorosłych, gdzie kluczowymi predyktorami były doświadczenia próchnicowe w wieku 13 i 17 lat oraz spożycie napojów słodzonych cukrem. Średnia liczba doświadczeń próchnicowych w wieku 23 lat wynosiła 4,75, a ciągła ekspozycja na cukry przez 5-10 lat istotnie zwiększa ryzyko rozwoju próchnicy z ubytkami.
Prognozy procesu próchniczego – Próchnica zębów
Prognozowanie przebiegu i wyników próchnicowego uszkodzenia twardych tkanek zęba stanowi istotny element współczesnej stomatologii, ukierunkowany na wczesne wykrywanie i zapobieganie progresji choroby. Wyniki leczenia i długoterminowe rokowanie w próchnicach zębów zależą od wielu czynników, które odgrywają kluczową rolę w procesie podejmowania decyzji klinicznych i opracowywania skutecznych strategii profilaktycznych.1
Wczesne wykrywanie i interwencja
Szybka i dokładna diagnoza jest niezbędna dla skutecznej prewencji próchnicy, ponieważ znacząco wpływa na rokowanie. Wczesne wykrywanie zmniejsza obciążenie chorobą oraz potrzebę stosowania inwazyjnych procedur leczniczych, co ostatecznie poprawia wyniki leczenia.12 Im wcześniej leczona jest próchnica, tym większa szansa na przewidywalny wynik i optymalne zdrowie jamy ustnej.1
Gdy próchnica zębów pozostaje nieleczona przez zbyt długi czas, może dojść do utraty znacznej części zęba i konieczności jego ekstrakcji. Zaawansowana próchnica może prowadzić do poważnego zakażenia wewnątrz zęba i pod dziąsłami (ropień zęba). Infekcja ta może rozprzestrzeniać się po całym organizmie. W rzadkich przypadkach zakażenie z ropnia zęba może być śmiertelne.1
Prognozy u młodych dorosłych
Badania z wykorzystaniem modeli uczenia maszynowego wykazały wysoką dokładność w prognozowaniu próchnicy u młodych dorosłych na podstawie zmiennych predykcyjnych uzyskanych w badaniach podłużnych. Najlepiej sprawdzającym się modelem była regresja LASSO, z pierwiąstkiem średniego błędu kwadratowego (RMSE) wynoszącym 0,70, współczynnikiem determinacji (R²) wynoszącym 0,44 oraz średnim błędem bezwzględnym (MAE) wynoszącym 0,48.123
Wykazano, że liczba próchnicy w wieku 17 lat była najważniejszą zmienną w przewidywaniu liczby D2+MFS23 (suma powierzchni zębów z próchnicą, brakujących i wypełnionych w wieku 23 lat). Średnia liczba doświadczeń próchnicowych na poziomie ubytków w wieku 23 lat (średnia liczba D2+MFS) wynosiła 4,75.12
Wcześniejsze doświadczenia próchnicowe w wieku 13 i 17 lat oraz spożycie napojów słodzonych cukrem w wieku 13 i 17 lat okazały się czterema najważniejszymi predyktorami liczby próchnicy z ubytkami w wieku 23 lat. Model sugeruje, że ciągłe narażenie na dietę bogatą w cukier przez około 5 do 10 lat może skutkować próchnicą z ubytkami.12
Zaawansowane metody przewidywania próchnic
Sztuczna inteligencja i uczenie maszynowe
Rozwój algorytmów głębokiego uczenia w wykrywaniu i przewidywaniu próchnicy zębów poprzez obrazowanie radiograficzne stanowi znaczący przełom. Algorytmy te doskonalą się w wyodrębnianiu subtelnych cech z obrazów radiograficznych i stosowaniu technik uczenia maszynowego w celu osiągnięcia wysoce dokładnych prognoz, często przewyższając ekspertów-ludzi. Ten postęp ma ogromny potencjał, aby przekształcić procesy diagnostyczne w stomatologii, obiecując znaczną poprawę wyników leczenia pacjentów.1
Modele oparte na sztucznej inteligencji (AI) znalazły szerokie zastosowanie w przewidywaniu, wykrywaniu, diagnozowaniu i klasyfikacji próchnicy zębów. Modele te wykazują doskonałą skuteczność i mogą być stosowane w praktyce klinicznej w celu poprawy wydajności diagnostycznej, jakości leczenia i wyników u pacjentów, a także mogą być stosowane w celu identyfikacji pacjentów o wyższym ryzyku rozwoju próchnicy.1
Wykorzystanie uczenia maszynowego w opiece stomatologicznej wykazało sukces w poprawie stanu jamy ustnej osób poprzez zapewnienie specjalistom stomatologicznym narzędzia, które daje im możliwość podejmowania wczesnych decyzji w celu zapobiegania próchnicy u osób, a tym samym poprawy ich ogólnego stanu zdrowia. Proponowany model DCP (Dental Caries Prediction) oparty na algorytmie Random Forest (RF) przewiduje próchnicę zębów z dokładnością 92%.1
Badania konsekwentnie wykazują, że modele głębokiego uczenia i CNN (Convolutional Neural Networks) mogą osiągnąć wysoki poziom dokładności w identyfikowaniu i przewidywaniu próchnicy zębów. Modele te często dorównują lub przewyższają zdolności diagnostyczne wykwalifikowanych stomatologów, podkreślając ich potencjał jako potężnych narzędzi w opiece stomatologicznej.1
Modele mikrobiomowe
W badaniu obejmującym 189 dzieci obserwowanych od 2 miesięcy do 5 lat wykazano, że bakteriom śliny może być używany do prospektywnego testowania hipotezy ekologicznej próchnicy wczesnego dzieciństwa (ECC). Nadzorowana klasyfikacja przyszłego statusu przypadków ECC przy użyciu próbek śliny z wieku 12 miesięcy z wykorzystaniem danych z całego bakteriomu (AUC-ROC 0,78 95% CI (0,71-0,85)) przewiduje przyszły status ECC, zanim możliwe jest wykrycie Streptococcus mutans.1
Społeczności bakteryjne, które formują się przed 12 miesiącem życia, mogą promować lub hamować sukcesję ekologiczną prowadzącą do dominacji S. mutans i kariogenezy. Wykazano, że interakcje bakteryjne we wczesnym życiu predysponują dzieci do próchnicy wczesnego dzieciństwa, co potwierdza zależną od czasu interpretację hipotezy ekologicznej.12
Narzędzia do oceny ryzyka
Zaproponowano metodę prognostyczną do oceny ryzyka stomatologicznego próchnicy szkliwa spowodowanej spożyciem czekolady. Metoda ta opierała się na ocenie wskaźnika DMFT (Decayed, Missing, Filled Teeth); w przypadku próchnicy zębiny metoda opierała się na ocenie DMFT i S-OHI (Simplified Oral Hygiene Index).1
Po spożyciu czekolady marki Sublime można było zaobserwować znaczną zmianę pH śliny, która osiągnęła poziomy uważane za niekrytyczne dla demineralizacji szkliwa na wszystkich poziomach DMFT i S-OHI, podczas gdy w przypadku tkanki zębinowej ryzyko demineralizacji zaobserwowano w grupie o wysokim DMFT i słabym S-OHI.1
Potencjalne zastosowania kliniczne
Model uczenia maszynowego mógłby w przyszłości, po dalszym rozwoju i walidacji z danymi z innych zróżnicowanych populacji, być wykorzystywany przez specjalistów zdrowia publicznego i decydentów jako narzędzie przesiewowe do identyfikacji ryzyka próchnicy u młodych dorosłych i stosowania bardziej ukierunkowanych interwencji.123
Wyniki modeli predykcyjnych mogą pomóc w planowaniu zapobiegawczej opieki stomatologicznej, projektowaniu higieny jamy ustnej i planów dietetycznych dla pacjentów z wysokim ryzykiem próchnicy zębów. Modele te mogą wspomagać dentystów jako narzędzie wspierające w praktyce klinicznej i mogą również pomóc niestomatologicznym specjalistom w bardziej dokładnym wykrywaniu i diagnozowaniu próchnicy zębów w szkołach i wiejskich ośrodkach zdrowia.1
Aplikacje oparte na algorytmach sztucznej inteligencji, takie jak YOLOv5s, osiągają wysoką precyzję (90,7%), czułość (85,6%) i wynik F1 (88,0%) w wykrywaniu próchnicy zębów, przewyższając wyniki młodszych stomatologów. Takie aplikacje mogą pomagać w ocenie wskaźnika próchnicy w populacjach, przyczyniając się do zmniejszenia obciążenia chorobą na poziomie społeczności.12
Ograniczenia aktualnych modeli predykcyjnych
Powtarzającym się ograniczeniem w wielu badaniach jest poleganie na małych i jednorodnych zbiorach danych. Ogranicza to zdolność modeli do uogólniania na różnorodne populacje i różne warunki kliniczne, podkreślając potrzebę większych, bardziej zróżnicowanych zbiorów danych w przyszłych badaniach.1
Ryzyko przeuczenia i brak standaryzacji w metodologiach szkolenia, walidacji i oceny jakości stanowią znaczące bariery dla szerszego zastosowania klinicznego modeli AI. Rozwiązanie tych problemów ma kluczowe znaczenie dla rozwoju solidnych, niezawodnych narzędzi AI.1
Podczas gdy modele uczenia głębokiego wykazują wysoką wydajność techniczną, istnieje pilna potrzeba zapewnienia, że modele te są istotne klinicznie i interpretowalne. Modele muszą być projektowane i testowane z myślą o rzeczywistych procesach podejmowania decyzji klinicznych, aby być naprawdę skuteczne w poprawie opieki nad pacjentem.1
Długoterminowe rokowanie
Większość osób z próchnicą nie doświadcza długoterminowych problemów. Ponieważ próchnica rozwija się powoli, ważne jest regularne uczęszczanie na badania stomatologiczne. Zabiegi fluoryzacyjne mogą zatrzymać próchnicę zębów we wczesnych stadiach. Gdy próchnica postępuje do korzenia, istnieje ryzyko utraty zęba lub rozwoju bolesnego ropnia (infekcji).1
Wczesne interakcje bakteryjne predysponują dzieci do próchnicy wczesnego dzieciństwa, co potwierdza zależną od czasu interpretację hipotezy ekologicznej. W badaniach wykazano, że szanse na przyszłą diagnozę próchnicy wczesnego dzieciństwa były 8 (95%CI: (3, 22)) razy wyższe dla dzieci przypisanych do grupy Streptococcus ASV8-Neisseria ASV12 CST w porównaniu do dzieci przypisanych do grupy H. parainfluenzae-Neisseria ASV9-Gemella ASV2 CST w 12 miesiącu, po kontroli wykształcenia matki, liczby wyłonionych zębów mlecznych, sposobu porodu, karmienia piersią, ekspozycji na antybiotyki w ciągu 3 miesięcy i wizyty z diagnozą przypadku (wartość P 0,001).12
Sztuczna inteligencja w stomatologii otwiera nowe możliwości w profilaktyce i wczesnej interwencji, co może znacząco poprawić długoterminowe rokowanie dla pacjentów z próchnicą zębów.
Kolejne rozdziały
Zapraszamy do dalszego czytania naszego leksykonu.
Wybierz kolejny rozdział z menu poniżej, aby otworzyć nową podstronę kompedium wiedzy i uzyskać szczegółowe informację o leku, substancji lub chorobie.