Video Experimental Relacionado
Updated: Sep 10, 2025

07:14
Murine Model of Advanced Periodontitis Induced by Nylon Ligature in the Second Upper Molar
Published on: May 30, 2025
316
Desarrollo de modelos predictivos para la progresión de la periodontitis utilizando inteligencia artificial: un
Camila Pinheiro Furquim1,2, Lannawill Caruth3,4, Ganesh Chandrasekaran5
1Department of Basic & Translational Sciences, School of Dental Medicine, University of Pennsylvania, Philadelphia, Pennsylvania, USA.
Journal of clinical periodontology
|August 20, 2025
Resumen
Los modelos de aprendizaje automático predicen con precisión la progresión de la periodontitis utilizando datos clínicos y biomarcadores salivales como IL-1β, lo que ayuda a la detección temprana. El modelo gráfico probabilístico mostró el mejor rendimiento.
Área de la Ciencia:
- Periodontología
- Los biomarcadores
- Aprendizaje automático
Sus antecedentes:
- La periodontitis es una enfermedad inflamatoria común que afecta a las encías y el hueso de soporte.
- La detección temprana y la predicción de la progresión de la periodontitis son cruciales para un tratamiento eficaz.
- El aprendizaje automático ofrece potencial para el desarrollo de modelos predictivos avanzados.
Objetivo del estudio:
- Desarrollar y evaluar modelos de aprendizaje automático para predecir la progresión de la periodontitis.
- Para comparar el rendimiento de diferentes algoritmos de aprendizaje automático (LR, MLP, PGM).
- Identificar los principales factores clínicos y salivales que influyen en la progresión de la periodontitis.
Principales métodos:
- Se utilizaron datos de un estudio longitudinal multicéntrico de 12 meses de participantes periodoncialmente sanos y con periodontitis.
- Recopilación de datos clínicos, demográficos y de analitos salivales (10 analitos).
- Regresión logística aplicada (LR), percepción multicapa (MLP) y modelos gráficos probabilísticos (PGM); el rendimiento evaluado utilizando los valores AUROC y SHAP.
Principales resultados:
- El modelo PGM, que incorpora las medidas clínicas, la IL-1β salival, la edad y el sexo, logró el rendimiento más alto (AUROC = 0,88).
- PGM demostró una sensibilidad equilibrada (0,55) y una especificidad (0,81), superando a LR (AUROC = 0,72) y MLP (AUROC = 0,58).
- El análisis de la importancia de las características identificó el número de bolsas periodontales profundas como un predictor significativo en los modelos de PGM y MLP.
Conclusiones:
- Los modelos de aprendizaje automático predicen efectivamente la progresión de la periodontitis, apoyando las estrategias de detección temprana.
- La integración de los datos clínicos con biomarcadores salivales, como la IL-1β, mejora la precisión predictiva.
- El enfoque PGM es prometedor para su aplicación clínica en el tratamiento de la periodontitis.
Palabras clave:
Inteligencia artificialprogresión de la enfermedadAprendizaje automáticoEnfermedad periodontal
