La parodontite è una malattia spesso diagnosticata tardivamente. Un gruppo di ricercatori afferenti a diverse università cinesi, nonché all’European Research Group on Periodontology, Svizzera, ha condotto uno studio per lo sviluppo di uno strumento di screening multiclasse. Basandosi su parametri non clinici e biomarcatori salivari, i ricercatori hanno dimostrato che è possibile individuare la parodontite anche in fase precoce. Pubblicando poi i risultati della ricerca sul Journal of Clinical Periodontology. 

Un algoritmo per intercettare la parodontite

Gli autori dello studio hanno eseguito un’indagine diagnostica su 408 soggetti. Si sono avvalsi di un questionario auto-somministrato e di un test point-of-care per la metalloproteasi di matrice attivata da risciacquo orale (aMMP-8). Valutando anche il sanguinamento gengivale durante la spazzolatura. Come punto di riferimento per la diagnosi, hanno utilizzato l’esame parodontale, basandosi sulla classificazione 2017 delle malattie parodontali. Infine, hanno utilizzato l’analisi di regressione logistica e il metodo random forest (RF) per prevedere le diverse diagnosi della malattia parodonale, valutando l’accuratezza.

I risultati osservati

Nel campione preso in esame, i ricercatori hanno riscontrato soggetti con salute parodontale (16,2%), gengivite (15,2%) e diverse fasi di parodontite (stadio I: 15,9%, stadio II: 15,9%, stadio III: 29,7%, stadio IV: 7,1%). Hanno identificato nove fattori predittivi, tra cui “malattia gengivale” (Q1), “valutazione della salute delle gengive/denti” (Q2), “igiene dentale” (Q3a), sintomo di “denti allentati” (Q4), “uso del filo interdentale” (Q7), aMMP-8 POCT, auto-dichiarazione del sanguinamento gengivale, livello di emoglobina ed età. Questi fattori hanno fornito una buon input all’algoritmo RF di machine learning. I ricercatori hanno ottenuto un’alta precisione nella distinzione tra tre classi (salute, gengivite e parodontite) e sei classi (salute, gengivite, stadi I, II, III e IV di parodontite). L’errore nella classificazione errata di un caso di parodontite come salute o gengivite è risultato inferiore all’1%-2%.

Le conclusioni incoraggianti

I risultati suggeriscono che l’apprendimento automatico tramite analisi RF può essere uno strumento promettente per valutare la salute parodontale e identificare la parodontite. Tuttavia, secondo i ricercatori servono ulteriori studi, con campioni adeguati, che confermino questi primi risultati e certifichino definitivamente il valore di questo strumento diagnostico.

Fonte: www.ildentistamoderno.com