در سال‌های اخیر، استفاده از فناوری‌های هوش مصنوعی (AI) در دندانپزشکی به سرعت در حال افزایش است. یکی از حوزه‌هایی که به ویژه مورد توجه قرار گرفته، پیش‌بینی پیشرفت بیماری‌های لثه، مانند پریودنتیت، با استفاده از مدل‌های هوش مصنوعی است. این فناوری‌ها می‌توانند به دندانپزشکان کمک کنند تا به‌طور دقیق‌تری وضعیت بیماری را ارزیابی کرده و شیوه‌های درمانی مؤثرتری را پیشنهاد دهند.

در مطالعه‌ای که به تازگی منتشر شده، محققان از داده‌های یک مطالعه چندمرکزی برای توسعه مدل‌های پیش‌بینی استفاده کردند. این مدل‌ها شامل متغیرهای بالینی، جمعیتی و ایمنی‌شناختی بودند و با استفاده از روش‌های مختلف یادگیری ماشین، از جمله رگرسیون لجستیک و مدل‌سازی گرافیکی احتمالی، ارزیابی شدند. نتایج این مطالعه نشان‌دهنده پتانسیل بالای مدل‌های هوش مصنوعی برای بهبود پیش‌بینی پیشرفت پریودنتیت بود.

طراحی مطالعه و جمع‌آوری داده‌ها

مطالعه‌ای که به بررسی پیشرفت پریودنتیت پرداخته، از داده‌های 415 شرکت‌کننده بالای 25 سال که حداقل 20 دندان طبیعی داشتند، استفاده کرده است. این مطالعه به‌صورت پروسپکتیو و چندمرکزی طراحی شده و هدف آن ارزیابی پیشرفت پریودنتیت در یک دوره 12 ماهه بوده است. افرادی که به دلایل مختلفی مانند سیگاری بودن، دیابت، بارداری یا شیردهی، دریافت درمان پریودنتال یا آنتی‌بیوتیک در مدت زمان نزدیک به شروع مطالعه، و همچنین کسانی که اطلاعات ناقص داشتند، از این مطالعه حذف شدند. در نهایت، پس از 12 ماه پیگیری، 273 شرکت‌کننده در تجزیه و تحلیل نهایی گنجانده شدند، که شامل 72 فرد سالم/دارای ژنژیویت، 24 فرد با مرحله II پریودنتیت و 177 فرد با مرحله III پریودنتیت بودند.

استفاده از متغیرهای بالینی و بیولوژیکی در این مطالعه به دندانپزشکان این امکان را می‌دهد که پیش‌بینی دقیقی از پیشرفت بیماری داشته باشند. به‌ویژه، این داده‌ها می‌توانند در شناسایی الگوهای خطر در بیماران کمک کنند. به‌عنوان مثال، مطالعه نشان داد که تعداد جیب‌های پریودنتال با عمق ≥5 میلی‌متر به‌عنوان یکی از ویژگی‌های کلینیکی مهم در پیش‌بینی پیشرفت بیماری شناخته می‌شود. این اطلاعات می‌تواند به دندانپزشکان کمک کند تا بیماران را به‌صورت هدفمندتری پیگیری کنند و استراتژی‌های درمانی مناسبی را در زمان مناسب اتخاذ نمایند.

علاوه بر این، تجزیه و تحلیل داده‌ها از طریق تکنیک‌های پیشرفته مانند مدل‌سازی گرافیکی احتمالی (Probabilistic Graphical Modelling) به دندانپزشکان امکان می‌دهد تا ارتباطات پیچیده بین متغیرهای بالینی و بیولوژیکی را درک کنند. این روش‌ها نه‌تنها به بهبود دقت پیش‌بینی‌ها کمک می‌کند، بلکه به دندانپزشکان این امکان را می‌دهد که با درک بهتری از وضعیت بیماران، برنامه‌های درمانی شخصی‌سازی‌شده‌تری را طراحی کنند. به‌عنوان مثال، نتایج این مطالعه نشان می‌دهند که ترکیب متغیرهای بالینی با نشانگرهای بیولوژیکی مانند IL-1β می‌تواند به پیش‌بینی بهتر پیشرفت پریودنتیت منجر شود.

به‌طور کلی، این رویکردهای نوین در جمع‌آوری و تجزیه و تحلیل داده‌ها می‌توانند به دندانپزشکان کمک کنند تا به‌طور مؤثرتری با چالش‌های مربوط به پیشرفت پریودنتیت مواجه شوند و در نتیجه، کیفیت مراقبت از بیماران را بهبود بخشند. با این حال، محدودیت‌هایی نیز وجود دارد که باید در نظر گرفته شوند، از جمله نیاز به داده‌های بیشتر و تنوع در گروه‌های مطالعه برای بهبود قابلیت تعمیم نتایج.

عملکرد مدل‌های پیش‌بینی

عملکرد مدل‌های پیش‌بینی در مطالعه‌ای که توسط Furquim و همکاران (2025) انجام شد، با استفاده از معیارهای مختلفی شامل دقت، حساسیت، ویژگی، و نمرات Brier ارزیابی گردید. نتایج این مطالعه نشان داد که رویکرد مدل‌سازی گرافیکی احتمالی (PGM) بهترین عملکرد را در مقایسه با سایر روش‌ها، از جمله رگرسیون لجستیک (LR) و پرسپترون چندلایه (MLP)، داشته است. به‌ویژه، مدل PGM توانست متغیرهای کلیدی را شناسایی کند که به‌طور مستقیم با پیشرفت پریودنتیت مرتبط بودند. به عنوان مثال، سن، جنس و سطوح بیولوژیکی IL-1β به عنوان عوامل مؤثر در پیشرفت بیماری شناسایی شدند.

این یافته‌ها نشان‌دهنده اهمیت یکپارچه‌سازی متغیرهای بالینی و بیولوژیکی در ارزیابی وضعیت بیماران است. با استفاده از این مدل‌ها، دندانپزشکان می‌توانند به تصمیم‌گیری‌های درمانی بهتری بپردازند و از پیشرفت بیماری در بیماران خود جلوگیری کنند. به‌عنوان مثال، در کلینیک‌ها، با استفاده از این مدل‌ها می‌توان بیماران را بر اساس خطر پیشرفت پریودنتیت طبقه‌بندی کرد و برنامه‌های درمانی خاصی برای هر گروه طراحی نمود.

علاوه بر این، بررسی عملکرد مدل‌ها با استفاده از نمره مساحت زیر منحنی خاصیت دریافت‌کننده (AUROC) و نمره مساحت زیر منحنی دقت-احضار (AUPRC) انجام شد. این ارزیابی‌ها نشان دادند که مدل PGM از نظر پیش‌بینی پیشرفت بیماری از دقت بالاتری برخوردار است. در حالی که مدل LR با وجود دقت متوسط، در تعادل طبقه‌بندی مشکل داشت و مدل MLP نیز در کاربرد بالینی محدودیت‌هایی را نشان داد. این نتایج می‌تواند دندانپزشکان را در انتخاب بهترین روش‌های پیش‌بینی یاری کند و به بهبود برنامه‌ریزی‌های درمانی کمک کند.

در نهایت، یکی از نکات کلیدی این مطالعه این است که تعداد جیب‌های پریودنتالی برابر یا بالاتر از ۵ میلی‌متر به‌عنوان مهم‌ترین ویژگی بالینی شناسایی شد. این نکته می‌تواند به دندانپزشکان در شناسایی سریع‌تر بیماران در معرض خطر کمک کند و به آن‌ها امکان می‌دهد تا اقدامات پیشگیرانه‌تری اتخاذ کنند. همچنین، IL-1β به‌عنوان مهم‌ترین نشانگر بیولوژیکی در این مطالعه شناسایی شد و می‌تواند به‌عنوان ابزاری مؤثر در ارزیابی و پیش‌بینی پیشرفت پریودنتیت مورد استفاده قرار گیرد.

نقش متغیرهای بالینی و بیولوژیکی

در مطالعه‌ای که توسط Furquim و همکاران (2025) انجام شد، متغیرهای بالینی و بیولوژیکی به‌عنوان عوامل کلیدی در پیش‌بینی پیشرفت پریودنتیت شناسایی شدند. تعداد پاکت‌های پریودنتال ≥5 میلی‌متر به‌عنوان مهم‌ترین ویژگی بالینی در این مطالعه مشخص گردید. این متغیر به‌طور مستقیم با شدت بیماری ارتباط دارد و می‌تواند به دندانپزشکان کمک کند تا بیماران با وضعیت پریودنتال حاد را شناسایی نمایند. به طور خاص، تعداد بالای پاکت‌های عمیق نشان‌دهنده وجود التهاب و آسیب بافت‌های پریودنتال است که نیاز به مداخلات درمانی فوری دارد.

علاوه بر این، IL-1β به‌عنوان یکی از مهم‌ترین نشانگرهای زیستی در این مطالعه معرفی شده است. این نشانگر، که به‌عنوان یک سایتوکین التهابی شناخته می‌شود، در پاسخ به عفونت و التهاب تولید می‌گردد و می‌تواند به‌عنوان یک ابزار تشخیصی مؤثر در ارزیابی پیشرفت پریودنتیت عمل کند. با ادغام این نشانگر بیولوژیکی با ارزیابی‌های بالینی، دندانپزشکان قادر خواهند بود تا الگوهای پیشرفت بیماری را بهتر درک کنند و تصمیمات درمانی بهتری اتخاذ نمایند.

استفاده از این متغیرهای کلیدی نه تنها در شناسایی بیماران با خطر بالاتر پیشرفت بیماری مؤثر است، بلکه می‌تواند به بهبود نتایج درمانی نیز منجر شود. به‌عنوان مثال، در کلینیک‌ها می‌توان از پروتکل‌های درمانی هدفمند استفاده کرد که شامل نظارت دقیق بر بیماران با تعداد پاکت‌های عمیق و سطوح بالای IL-1β باشد. این رویکرد می‌تواند به دندانپزشکان اجازه دهد تا زمان و منابع خود را به‌طور مؤثرتری مدیریت کنند و در نتیجه، کیفیت خدمات ارائه‌شده را افزایش دهند.

با این حال، باید توجه داشت که مدل‌های پیش‌بینی بر اساس متغیرهای بالینی و بیولوژیکی ممکن است با چالش‌هایی مواجه شوند. به‌عنوان مثال، در مطالعه مذکور، مدل‌های رگرسیون لجستیک (LR) و پرسپترون چندلایه (MLP) عملکرد متوسطی داشتند و نیاز به بهبود در تعادل طبقه‌بندی داشتند. این محدودیت‌ها نشان‌دهنده اهمیت توسعه مدل‌های پیش‌بینی دقیق‌تر و قابل اعتمادتر در آینده است که می‌تواند به دندانپزشکان در مدیریت بهتر بیماری‌های پریودنتال کمک کند.

چالش‌ها و فرصت‌ها

اگرچه مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی پتانسیل بالایی دارند، اما همچنان چالش‌هایی نیز در این زمینه وجود دارد. یکی از چالش‌ها مربوط به تعادل بین دقت پیش‌بینی و قابلیت تعمیم مدل‌ها به جمعیت‌های مختلف است. همچنین، نیاز به داده‌های با کیفیت و جامع برای توسعه این مدل‌ها وجود دارد.

به‌طور کلی، دندانپزشکان باید به این فناوری‌ها توجه بیشتری داشته باشند و آن‌ها را در کلینیک‌های خود به کار ببرند. این فناوری‌ها می‌توانند به بهبود فرآیندهای تشخیصی و درمانی کمک کنند و به دندانپزشکان این امکان را بدهند که تصمیمات بهتری بگیرند.

نتیجه‌گیری

استفاده از مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی در پیشرفت پریودنتیت می‌تواند چشم‌انداز جدیدی برای دندانپزشکان فراهم آورد. این فناوری‌ها نه‌تنها می‌توانند به شناسایی بهتر بیماران در معرض خطر کمک کنند، بلکه می‌توانند به بهبود روش‌های درمانی و در نهایت نتایج بالینی منجر شوند. به همین دلیل، دندانپزشکان باید به‌دقت این فناوری‌ها را بررسی کرده و در صورت امکان از آن‌ها بهره‌برداری کنند.