Введение. Общепринятыми оценками риска прогрессирования пародонтита в настоящее время являются детерминанты косвенной стабильности: пародонтальные карманы, персистирующая кровоточивость десен, подвижность зубов, локальные факторы риска. В эпоху персонализированной медицины актуальным решением было бы основывать выбор пародонтальной терапии не на широких клинических рекомендациях, а на единовременном рассмотрении максимально доступного спектра индивидуальных показателей с учетом факторов риска.

Цель исследования — определить относительный риск прогрессирования пародонтита после активной базовой терапии у пациентов с помощью нейросетевого моделирования.

Методы. Когортное ретроспективное исследование проведено по данным медицинских карт 109 пациентов обоего пола, в возрасте от 30 до 70 лет, после базового пародонтального лечения хронического пародонтита (легкой, средней и тяжелой степени) в период с 1999 по 2016 год и находившихся на поддерживающей пародонтальной терапии (ППТ) от 5 до 20 лет. В работе учитывались данные объективного обследования опорного аппарата зубов и категориальные показатели (всего 24), оцененные до лечения, через 4–6 месяцев после базового (активного) лечения и в сроки 5 лет ≤ ППТ ≤ 20 лет. По итогам анализа описательных статистик определены целевые количественные показатели для прогностического моделирования исходов лечения пациентов пародонтитом и определения остаточного риска прогрессирования болезни. Статистическая обработка полученных данных проведена посредством пакета Statistica 13.3 (Tibco, USA). Сравнение средних значений показателей в различные сроки проводили с помощью критериев знаков и Вилкоксона; для оценки связей между предикторами и целевыми показателями использовали коэффициент ранговой корреляции Спирмена. Во всех случаях анализа принят уровень статистической значимости р = 0,05. В качестве инструментария построения нейросетевых моделей использовали автоматизированные нейронные сети DataMining программы Statistica. Решение задачи классификации уровня риска прогрессирования болезни достигнуто проведением ROC AUC анализа. Предсказательную силу модели оценивали при помощи показателей чувствительности и специфичности.

Результаты. В когорте определена неоднородная динамика предикторных переменных, характеризующих состояние опорного аппарата зубов. Исходы регенеративной хирургии пародонта, независимо от пола, возраста пациентов и сопутствующих общих заболеваний, существенно превзошли таковые при иных подходах за счет формирования нового зубодесневого прикрепления, хотя и в разном объеме. Дополнительный положительный функциональный исход отмечен при восстановлении целостности зубных рядов дентальными имплантатами, без взаимоповреждающих эффектов. Поскольку обнаружение взаимосвязей между показателями не предполагает знака равенства с прогностической ценностью, были построены прогностические модели для целевых показателей и стратификации относительного риска прогрессирования пародонтита с помощью автоматизированных нейронных сетей. Из 1000 автоматически построенных и обученных нейросетей — двухслойных персептронов выбраны сети с наилучшими прогностическими свойствами. Чувствительность модели прогнозирования относительного риска на обучающей, контрольной и тестовой выборках соответствовала 90, 67, 80%; специфичность модели соответствовала 81,481, 85,714, 100%. В целом в исследовательской когорте чувствительность и специфичность составили 85,937 и 86,666%. Площадь под кривой ROC AUC равна 0,859.

Заключение. Использование алгоритма искусственного интеллекта — построения нейронных сетей для целевых предикторов и стратификации относительного риска прогрессирования пародонтита — имеет преимущества перед классическими методами: позволяет решать задачи классификации и регрессии с категориальными и количественными предикторными переменными, используя данные произвольной природы большого и малого объема. Практическая реализация результатов исследования нашла отражение в разработке калькулятора относительного риска на основании написанной программы для ЭВМ.