Badacze z Penn Dental Medicine School (USA) wykorzystali algorytmy uczenia maszynowego do analizy ogromnych zbiorów danych dotyczących próchnicy uzyskanych w ramach programu populacyjnego NHANES. Wyniki badania – opublikowane w „Journal of Dental Research” – wskazują na istnienie dotąd nierozpoznanych podtypów klinicznych próchnicy oraz ujawniają powiązania z dietą, ekspozycją środowiskową – w tym na ołów, a choćby ze snem.
Próchnica zębów pozostaje jedną z najczęstszych chorób przewlekłych na całym świecie. Choć do jej głównych przyczyn od dawna zalicza się dieta bogata w cukry i niewłaściwa higiena jamy ustnej, pełne spektrum czynników ryzyka oraz cech pacjentów jest znacznie bardziej złożone.
Zespół naukowców z Penn Dental Medicine School w USA opracował nowy, oparty na sztucznej inteligencji proces „czyszczenia i analizy danych”, który pozwolił uporządkować i zbadać informacje pochodzące z amerykańskiego badania NHANES (National Health and Nutrition Examination Survey). Jest to prowadzone od 1999 r. w Stanach Zjednoczonych kompleksowe, ciągłe badanie ankietowe i fizykalne. Monitoruje stan zdrowia oraz odżywienia reprezentatywnej grupy około 5000 mieszkańców USA rocznie, łącząc wywiady z badaniami laboratoryjnymi i pomiarami fizycznymi.
Uczenie maszynowe w służbie epidemiologii stomatologicznej
NHANES od lat dostarcza bogatych danych o zdrowiu Amerykanów i jego uwarunkowaniach. Dane te są jednak niejednorodne i niekompletne, co utrudnia ich zaawansowaną analizę. Nowy algorytm umożliwił badaczom przetworzenie danych z lat 2017-2018 i wykrycie wzorców wskazujących na nowe podtypy kliniczne próchnicy. Analiza według wieku ujawniła dwa okresy szczególnego nasilenia zmian próchnicowych: bardzo wczesne dzieciństwo oraz wiek podeszły.
Jak można było przewidzieć, duże znaczenie dla ryzyka rozwoju próchnicy miało spożycie cukru, jednak badanie wniosło większą precyzję, identyfikując „społecznie rozpoznawalne” klastry produktów powiązanych z próchnicą, takie jak sok jabłkowy, napoje energetyczne, mleko smakowe czy lody.
Inną istotną zależnością wykrytą w ramach analizy przeprowadzonej przez AI jest to, iż u osób z próchnicą stwierdzano wyższe stężenia ołowiu we krwi, a także kadmu oraz kotyniny – metabolitu nikotyny. Wyniki sugerują, iż podwyższony poziom ołowiu może być raczej wskaźnikiem ogólnie niekorzystnych warunków środowiskowych niż bezpośrednią przyczyną próchnicy.
Niespodziewanie istotnym czynnikiem ryzyka występowania próchnicy okazały się także nawyki związane ze snem, które mogą modulować podatność na chorobę.
W stronę precyzyjnej profilaktyki
Autorzy podkreślają, iż uzyskane wyniki unaoczniają wielowymiarowy charakter próchnicy i konieczność bardziej spersonalizowanych strategii zapobiegania.
– Uniwersalne podejście nie wystarczy, by zamknąć lukę w zapobieganiu próchnicy – powiedział cytowany w komunikacie prof. Hyun Michel Koo z Penn Dental Medicine. Jego zdaniem, najważniejsze są strategie ukierunkowane na wiek, zwłaszcza u małych dzieci i osób starszych, oparte na rzeczywistych wzorcach żywieniowych, wskaźnikach laboratoryjnych, kontekście środowiskowym oraz potencjalnie także na takich parametrach, jak sen.
Badacze zwracają także uwagę, iż obecna analiza objęła tylko jeden cykl NHANES (2017-2018), a pełniejsze wnioski wymagać będą badań wieloletnich.
Artykuł „Uncovering Dental Caries Heterogeneity in NHANES Using Machine Learning” został opublikowany na łamach „Journal of Dental Research”.
Źródła: https://journals.sagepub.com
https://www.dental.upenn.edu
Prawidłowa diagnoza, jak najmniejsza inwazyjność leczenia, odpowiednie zaplanowanie preparacji – to, zdaniem lek. dent. Aleksandry Łyżwińskiej, najważniejsze czynniki, by uzyskać jak najlepsze efekty estetyczne odbudowy zębów przednich. – Pamiętajmy, iż ubytek sam w sobie nie jest diagnozą. W ostatnim czasie zauważam coraz większą liczbę pacjentów z ubytkami zupełnie niezwiązanymi z próchnicą – mówi.
