Machine Learning para identificar predictores del fenotipo de pérdida de dientes en pacientes con periodontitis

La periodontitis es una enfermedad inflamatoria crónica inducida por el biofilm, que causa inflamación gingival y pérdida ósea, siendo una enfermedad oral prevalente a nivel mundial y una de las principales causas de la pérdida de dientes. Predecir su desarrollo y progresión implica evaluar diversos factores de riesgo como la edad, el género, la diabetes, el tabaquismo y los indicadores clínicos como la profundidad de sondaje y el sangrado al sondaje. 

La pérdida dental es un resultado crucial, a menudo utilizado para evaluar la progresión de la enfermedad. Sin embargo, el fenotipo de pérdida dental, que representa la resistencia de los pacientes a la periodontitis, no se considera comúnmente como un resultado a pesar de su importancia clínica. 

En este sentido, los modelos de aprendizaje automático ofrecen prometedoras alternativas en la predicción del fenotipo de pérdida dental, aportando precisión e interpretabilidad, esenciales para las aplicaciones clínicas. 

Por este motivo, el estudio que se expone a continuación tuvo como objetivo predecir el fenotipo de pérdida dental en una gran cohorte de pacientes con periodontitis en el ámbito universitario, utilizando un proceso de aprendizaje automático de dos pasos y validando los resultados al utilizar modelos de regresión clásicos.

Métodos y resultados

La información sobre los pacientes con periodontitis y diecinueve factores identificados en la visita inicial se extrajo de los registros médicos electrónicos. El resultado primario es el fenotipo de pérdida de dientes (presencia o ausencia de pérdida de dientes). 

Los modelos de predicción se construyeron sobre factores significativos (simples o combinatorios) seleccionados por el algoritmo RuleFit, y estos factores fueron adoptados posteriormente por modelos de regresión. 

El rendimiento del modelo se evaluó mediante el área bajo la curva característica operativa del receptor (AUROC) y el área bajo la curva de recuperación de precisión (AUPRC). También se evaluaron las asociaciones entre los predictores y el fenotipo de pérdida dental mediante enfoques estadísticos clásicos para validar el rendimiento de los modelos de aprendizaje automático.

En total, se incluyeron 7.840 pacientes. El modelo de aprendizaje automático que predice el fenotipo de pérdida dental logró un AUROC de 0,71 y un AUPRC de 0,66. 

La edad, el diagnóstico periodontal, el número de dientes perdidos al inicio del estudio, la afectación de la furca y la movilidad de los dientes se asociaron con el fenotipo de pérdida de dientes tanto en el aprendizaje automático como en los modelos estadísticos clásicos.

Conclusiones y significación clínica

El enfoque de aprendizaje automático basado en reglas mejora la explicabilidad del modelo en comparación con los métodos estadísticos clásicos. Sin embargo, la generalización del modelo necesita ser validada aún más por conjuntos de datos externos.

Los predictores identificados mediante el enfoque actual de aprendizaje automático que utiliza el algoritmo RuleFit tenían umbrales clínicamente relevantes para predecir el fenotipo de pérdida dental en una cohorte grande y diversa de pacientes con periodontitis. Los autores indican que los resultados de este estudio ayudarán a los profesionales dentales a realizar una evaluación de riesgos de periodontitis en la visita inicial.

Fuente: Chun-Teh Lee, Kai Zhang, Wen Li, Kaichen Tang, Yaobin Ling, Muhammad F. Walji, Xiaoqian Jiang. Identifying predictors of the tooth loss phenotype in a large periodontitis patient cohort using a machine learning approach, Journal of Dentistry, Volume 144, 2024, 104921, ISSN 0300-5712: https://doi.org/10.1016/j.jdent.2024.104921