用人工智能模型对牙周炎的唾液中介质素-1β的分类成功:一个横截面的观察性研究
Erensu Uzar1,2, Ihsan Pence3, Melike Siseci Cesmeli3
1Süleyman Demirel University, Faculty of Dentistry, Department of Periodontology, Isparta, Turkey.
Journal of applied oral science : revista FOB
|August 13, 2025
概括
人工智能模型有效地使用interleukin-1β和血液参数等生物标志物对牙周炎的状态和等级进行了分类. 这些发现建议将这些生物标志物纳入未来的牙周炎分类,以获得更好的系统性健康洞察力.
科学领域:
- 生物标志物和牙周炎
- 医疗保健中的人工智能
- 系统性健康影响
背景情况:
- 牙周炎的分类可以通过确定特定的生物标志物及其值来加强.
- 了解牙周炎对全身健康的影响对于有效管理至关重要.
- 人工智能为分析复杂的健康数据提供了新的方法.
研究的目的:
- 使用人工智能模型评估选择生物标志物的有效性,以分类牙周炎.
- 开发人工智能模型,用于自动分类牙周状况和等级.
- 确定关键的生物标志物,表明牙周状况和严重程度.
主要方法:
- 使用Python开发AI模型来分类牙周状况 (N=240) 和等级 (n=120).
- 利用了社会人口统计,人类计量,临床,放射学和生化数据.
- 包括35个血清/血液属性 (例如,WBC,脂质谱,IL-1β,MMP-8) 和11个其他属性.
主要成果:
- 在46个属性中,23个属性达到0.967的分类准确度,九个属性达到0.858的分类准确度.
- 确定WBC,血清IL-1β,甘油三和HDL的比例,中性粒细胞和淋巴细胞的比例,以及HDL作为状态分类的关键.
- 高密度胆固醇,低密度胆固醇,中性粒细胞/淋巴细胞比例,总胆固醇,唾液IL-1β和MMP-8对分级至关重要.
结论:
- 人工智能模型显示了牙周炎的显著分类准确性.
- 血清和唾液IL-1β水平,以及其他血液参数,显示出作为生物标志物的高潜力.
- 这些生物标志物可以整合到目前的牙周炎分类系统中.
