Savremena dijagnostika parodontne bolesti

Piše: Jasmina Kajtazović ,doktor stomatologije, magistar Stomatoloških nauka, specijalista Oralne medicine i Paradontologije

 Jasmina Kajtazović ,doktor stomatologije, magistar Stomatoloških nauka, specijalista Oralne medicine i Paradontologije .Rođena  1978.godine u Bihaću gdje živi i danas. Osnovnu i srednju školu završila u Bihaću. 2006. god. na Stomatološkom fakultetu Univerziteta u Sarajevu stiče zvanje doktora stomatologije.  Na istoimenom Fakultetu zvanje magistra Stomatoloških nauka dobija 2014., a specijalistički ispit iz Oralne medicine i Paradontologije polaže 2016. godine. Po završetku studija zapošljava se u Domu zdravlja Bihać gdje radi i danas na mjestu specijaliste Paradontologije i Oralne medicine. Član Stomatološke komore Federacije BiH. Svoj profesionalni put nadopunjuje konstantnim kontinuiranim usavršavanjem kako u BiH tako i u inozemstvu. Ativno govori engleski I njemački jezik. Udata, majka 2 djece.

Parodontna bolest danas se posmatra kroz savremeni, individualizirani pristup koji obuhvata preciznu dijagnostiku, novu klasifikaciju bolesti te inovativne terapijske protokole. Razumijevanje uloge biofilma, imunološkog odgovora i sistemskih faktora značajno je unaprijedilo način na koji pristupamo liječenju parodontitisa.  O ovoj aktuelnoj i važnoj temi detaljno piše dr. Jasmina Kajtazović, specijalista oralne medicine i parodontologije. Zbog obima i značaja sadržaja, tekst objavljujemo u dva dijela – prvi dio donosimo u proljetnom broju, dok vas nastavak očekuje u narednom izdanju. Stomatologija je u stalnom razvoju. U posljednjim decenijama razvijena su nova  parodontološka istraživanja i  terapijski pristupi. Mehanizam razvoja parodontalne bolesti, dijagnoza, sistem klasifikacije i protokol liječenja su i dalje predmet rasprave sa ciljem postizanja što boljih terapijskih rezultata. Istovremeno, genetika sa jednonukleotidnim polimorfizmima (SNP) označava ulogu predispozicije u parodontalnoj bolesti. Veza parodontitisa i sistemskog zdravlja je neosporna , a dokazi  komorbiditeta s drugim bolestima su neoborivi.

Perspektiva u oblasti liječenja ogleda se kroz imunomodulaciju,  prevenciju kroz probiotike i vakcine, dok se biomaterijali, poput emdogaina, i minimalno invazivne hirurgije koriste  u parodontalnoj hirurgiji.. Parodontologija je oblast stomatologije koja se bavi potpornim tkivima zuba. Posljednjih  godina, parodontologija je evoluirala, a istraživanja traju i dalje. Parodontitis, zarazna bolest gingive, smatrala se degenerativnom bolešću, dok je sada dokazano da ga uzrokuju bakterije. Sistem klasifikacije parodontitisa je izmijenjen na osnovu najnovijih saznanja o napredovanju bolesti, predisponirajućim faktorima i stanju destrukcije parodonta. Parodontitis je hronična inflamatorna bolest inducirana biofilmom, modulirana    imunološkim odgovorom domaćina  čija dijagnostika i terapija danas slijede individualizirani, stadijsko-gradusni koncept sa naglaskom na dugoročno održavanje.

Savremena dijagnostika parodontne bolesti

Tabela 1: Savremeni koncept dijagnostike i terapije parodontitisa

Segment	Savremeni pristup
Definicija	Hronična inflamatorna bolest inducirana biofilmom, modulirana odgovorom domaćina
Klasifikacija	AAP/EFP 2017 – stadiji (I–IV) + gradusi (A–C)
Dijagnostika	Sondiranje (6 tačaka), BOP, CAL, RTG gubitak kosti
Ključni marker aktivnosti	BOP
Radiologija	Digitalni RTG, CBCT selektivno
Etiološka terapija	Motivacija + SRP
Antibiotici	NE  rutinski / DA selektivno (gradus C)
Hirurgija	Rezektivna, regenerativna, MIST
Održavanje (SPT)	Svakih 3–6 mjeseci – obavezno
Cilj terapije	Kontrola bolesti, ne „izlječenje“

 

Parodontitis se danas smatra sistemskom inflamatornom bolešću povezanoj s opštim zdravljem pacijenta, posebno dijabetesom i kardiovaskularnim bolestima.

Biološki i rizični faktori :

• Pušenje
• Veza sa sistemskim oboljenjima :

Diabetes ↔ parodontitis

Kardiovaskularne bolesti

Trudnoća (prijevremeni porod)

Reumatoidni artritis

• Stres
• Genetska predispozicija
• Oralna higijena

Ne liječimo samo džep, već pacijenta u cjelini. Savremena dijagnostika parodontalnih oboljenja temelji se na kombinaciji kliničke  procjene , dijagnostike,digitalnih tehnologija i molekularno -patoloških pristupa .

1.Klinički pregled: Detekcija gingivalnog upalnog odgovora, dubine džepova,  mobilnosti zuba i gubitka koštane mase.

Klinička dijagnostika se postavlja kombinacijom kliničkih parametara:

• Parodontno sondiranje (6 tačaka po zubu)
• BOP (bleeding on probing) –krvarenje pri sondiranju/ ključni marker aktivnosti
• Dubina džepova
• Mobilitet
• Furkacije
• Recesije

Krvarenje pri sondiranju (BOP) predstavlja najvažniji pokazatelj aktivnosti bolesti.

• Nova klasifikacija parodontalne bolesti  iz 2017 godine je važeća.(AAP/EFP 2017 )
• Parodontitis se danas definiše kroz stadije i graduse:

Određivanje stadija prvenstveno uzima u obzir težinu bolesti pri prezentaciji i složenost upravljanja bolešću, dok ocjenjivanje pruža dodatne informacije o biološkim karakteristikama bolesti, uključujući historijski tok bolesti, prognozu liječenja i njen potencijalni uticaj na opće zdravlje.

Stadiji (težina i kompleksnost oboljenja):

Stadij I – inicijalni parodontitis,blagi gubitak kosti, dubina džepova do 4 mm

Stadij II – umjereni,horizontalni gubitak kosti do srednje trećine korijena

Stadij III – teški (gubitak potpore, furkacije),duboki džepovi preko 6 mm

Stadij IV – uznapredovali (funkcionalni problemi, migracije zuba),gubitak 5 ili više zuba

Gradusi (brzina progresije): određuje rizik progresije i odgovor na terapiju

A – spora progresija, nema gubitka kosti zadnjih 5 godina,pacijent nepušač i nema diabetes kao riziko faktor

B – umjerena,gubitak kosti manji od 2 mm u 5 godina,umjereno pušenje ili kontrolirani diabetes kao riziko faktor.

C – brza progresija, gubitak kosti preko 2 mm u 5 godina ,teški pušač ili nekontrolirani diabetes kao riziko faktor.

Uzimaju se u obzir:

• gubitak pripoja (CAL)
• gubitak alveolarne kosti (RTG)
• pušenje, dijabetes
• gubitak zuba zbog parodontitisa

2.Digitalna tehnologija

Visoko precizni rendgenski snimci (digitalni intraoralni snimci, CBCT)

omogućavaju trodimenzionalni pregled alveolarne kosti i korijena zuba, što

poboljšava predviđanje progresije bolesti.

• Radiološka dijagnostika
• Digitalni bite-wing i periapikalni snimci
• CBCT – selektivno (furkacije, regeneracija, implantološko planiranje)

Periodontalni indeksi i skeneri:  Softverska analiza dubine džepova, gubitka koštane  podrške i parametara gingive omogućava objektivnu procjenu i praćenje tokom terapije.

3. Molekularna dijagnostika: Analiza mikrobioma usne šupljine, detekcija specifičnih patogena (npr.Porphyromonas gingivalis) i upalnih biomarkera u sulkusnoj tečnosti omogućava personalizirani pristup.

 Markeri aktivnosti bolesti

Gingivalna krevikularna tečnost (GKT) , je biološka tečnost koja se nalazi u gingivalnom sulkusu ili patološkim parodontalnim džepovima a služi kao vitalna fiziološka tečnost i upalni eksudat koji potiče iz gingivalnog pleksusa krvnih sudova u  lamini propriji gingive , ispod epitelne obloge dentogingivnog prostora. Njegovo neinvazivno prikupljanje iz gingivalne pukotine ili parodontalnog džepa čini ga značajnim izvorom biomarkera povezanih s parodontalnim bolestima. Metode prikupljanja, poput korištenja filter papira ili staklenih kapilara, omogućavaju jednostavno i bezbolno uzimanje uzoraka.

Sastav GKT-a varira između zdravih osoba i onih sa parodontalnim bolestima, kao i tokom napredovanja bolesti. Sadrži komponente izvedene iz seruma i lokalno generisane biomarkere, nudeći uvid u metabolizam tkiva, regrutaciju upalnih ćelija i remodeliranje vezivnog tkiva. GKT odražava odgovor domaćina na oralne mikroorganizme i mehanizme kojima parodontopatogeni iskorištavaju ove odgovore za preživljavanje bakterija.(1).

Pojedini markeri pružaju uvid u  predviđanje gubitka koštane mase u alveolama i imaju značajne korelacije sa kliničkim parametrima i parodontalnim patogenima.

Ove napredne tehnike omogućavaju identifikaciju novih biomarkera i pružaju dublje razumijevanje patogeneze bolesti, te omogućavaju individualizirane strategije liječenja ,što na  kraju poboljšava uspjeh terapije pacijenta s parodontalnim bolestima.

 Parodontalna mikroflora

Parodontalna bolest, karakterizirana upalom i uništavanjem parodontalnih tkiva, dugo je prepoznata kao multifaktorsko stanje pod uticajem mikroba, genetičkih, imunoloških i okolnih faktora. Razumijevanje parodontalne mikroflore je doživjelo značajnu evoluciju, prelazeći sa pojedinačne patogene bakterije na složenije razumijevanje mikrobioloških zajednica i njihovog kolektivnog uticaja unutar biofilmova.

Rad Socranskyja i saradnika iz 1998. godine uveo je koncept “crvenog kompleksa”, koji obuhvata Porphyromonas gingivalis,Treponemu denticola I Tannerella forsythia, kao snažan periopatogeni kompleks povezan sa teškom parodontalnom bolešću (2).

Nadalje, Actinomyces actinomycetemcomitans, posebno visoko patogeni klon JP2, identificiran je kao značajan faktor u nastanku  agresivnog parodontitisa, posebno kod mlađih osoba (3, 4).

Nedavna istraživanja su ukazala na složenu povezanost između mikrobne disbioze i odgovora domaćina u patogenezi parodontalnih bolesti. Model “Inflamom posredovana polimikrobna pojava i disbiotska exacerbacija (IMPEDE)” pojavio se kao novi okvir, ističući ulogu biofilma disbiotičkih plakova kod osjetljivih domaćina u pokretanju i pogoršavanju parodontalne bolesti (5).

Pored dobro poznatih patogena, nekoliko novoidentificiranih bakterijskih vrsta je povezano sa progresijom parodontalne bolesti (6).

Fretibacterium fastidiosum bakterija koja se nalazi u usnoj šupljini. Studije sugerišu da može doprinijeti napredovanju parodontalne bolesti formiranjem biofilmova i izazivanjem upale (7).

Prevotella histicola je još jedna bakterija povezana s parodontitisom. Vjeruje se da je uključen u disbiozu (mikrobnu neravnotežu), karakterističnu za parodontitis (8).

Desulfobulbus oralis je potencijalni uzročnik parodontalne bolesti. Istraživanja sugerišu da može igrati ulogu u metabolizmu sumpornih spojeva, što može uticati na mikrobnu ekologiju unutar parodontalnih džepova (9).

Prevotella pleuritidis   bakterije čija je specifična uloga  u procesu bolesti još uvijek predmet istrage (10).

Širenjem našeg znanja o parodontalnoj mikroflori pomjerio se fokus sa pojedinačnih patogenih vrsta na složene interakcije unutar biofilmova i imunološkog odgovora domaćina. Ova  perspektiva naglašava važnost razmatranja mikrobioloških zajednica u cjelini u etiologiji parodontalnih bolesti i ističe potencijal za ciljane terapijske intervencije usmjerene na modulaciju disbioze i ublažavanje upalnih procesa.

Utjecaj umjetne inteligencije u paradontologiji

Tehnologije umjetne inteligencije revolucionirale su parodontalnu terapiju pružajući superiornu fuziju podataka kako bi pomogli kliničarima da dijagnosticiraju bolest i efikasno planiraju liječenje(11).

Umjetna inteligencija je napravila značajne pomake u parodontologiji u smislu dijagnostike i liječenja parodontalnih bolesti podižući na viši nivo kliničku efikasnost ,osiguravanje konzistetntnosti dijagnostike kao i promovisanja prihvatanja liječenja među pacijentima.

Identifikacija biomarkera u dijagnostici pljuvačke je još jedan pravac na kojem AI može poboljšati efikasnost i preciznost otkrivanja parodontalnih bolesti.

AI  analizira  bakterijski profil pljuvačke kako bi predvidio težinu , hroničnog paradontitisa prosječne tačnosti do 93 % u razlikovanju zdravih i umjerenih/teških slučajeva (12).Ove metode vođene AI-jem identifikuju i biraju ključne biomarkere   optimizirajući dijagnostičku tačnost i prije kliničkih primjena(13). Takvi napreci u identifikaciji biomarkera uz pomoć  AI dijagnostike pokazuju potencijal za poboljšanje parodontne dijagnostike i individualizaciju strategije liječenja, predstavljajući značajan korak naprijed u personaliziranoj oralnoj zdravstvenoj zaštiti(14).

AI u parodontologiji

Korištenjem moći AI-a, stomatolozi mogu unaprijediti svoju praksu i pružiti vrhunsku njegu pacijentima. Novi AI modeli mogu dijagnosticirati razvoj parodontitisa i tako omogućiti pravovremeni tretman i izraditi individualizirane planove liječenja(15).AI modeli analiziraju kliničke parametre, dentalne rendgenske snimke i medicinske kartone pacijenata kako bi identificirali napredovanje bolesti i faktore rizika(16). Vještačka inteligencija u stomatologiji prati pozitivnu ili negativnu dinamiku bolesti (17).

Planiranje liječenja

Umjetna inteligencija  može poboljšati planiranje liječenja parodontitisa povećanjem dijagnostičke tačnosti, personalizacijom opcija liječenja i podrškom u kliničkom donošenju odluka. AI tehnologije, uključujući duboko učenje i Bayesove  mreže(18), pomažu u identifikaciji i upravljanju parodontalnim bolestima, što na kraju dovodi do poboljšanih ishoda za pacijente (19). Analizom raznovrsnih skupova podataka kao što su klinički zapisi i molekularne informacije umjetna inteligencija  omogućava individualizirane pristupe liječenju koji rješavaju  razlike pacijenata. Prediktivna analitika također omogućava kliničarima da predviđaju napredovanje bolesti, reakcije pacijenata na liječenje, olakšavajući kreiranje prilagođenih planova njege(20).

Umjetna inteligencija olakšava pacijentima razumijevanje i prihvatanje alternativa liječenja, unapređujući upravljanje parodontitisom . Napredni  algoritmi  umjetne inteligencije mogu procijeniti dentalne rendgenske snimke, kliničke parametre i evidenciju pacijenata kako bi utvrdili faktore rizika i podložnost bolestima svakog pacijenta, omogućavajući stomatolozima da prilagode režime liječenja. Primjenom ovih individualiziranih strategija, parodontolozi mogu odabrati najprikladnije terapijske intervencije, kao što je bazična paradontalna terapija , parodontalna hirurgija ili antimikrobna terapija ,  pažljivo prateći  odgovore pacijenata kako bi postigli optimalne rezultate parodontalnog liječenja (21).

Radiografska analiza

Veliki broj istraživanja ukazuju na potencijal AI u dijagnostici parodontalne bolesti putem radiografske analize. Studije pokazuju da CNN modeli mogu automatizirati detekciju radiografskog gubitka koštane mase (RBL) sa tačnošću između 63 % i 99 %, u zavisnosti od vrste analizirane rendgenske snimke(22,23). AI, posebno CNN algoritmi, precizno detektuju i kategorizuju težinu gubitka kosti alveola na periapikalnim rendgenskim snimcima, nudeći efikasan pristup otkrivanju i određivanju stadija parodontalnih bolesti (24).

Modeli mašinskog učenja (ML) također unapređuju kliničku dijagnostiku identifikovanjem parodontalnih defekata na 2D periapikalnim slikama, potencijalno zamjenjujući manuelne procjene i podržavajući praktičare boljom preciznošću (25). Pored toga,klinički sistem za podršku odlučivanja (CDSS) koriste napredno mašinsko učenje za personalizaciju predviđanja parodontalnih bolesti, stvarajući individualizirane modele zasnovane na podacima (26)AI modeli poput YOLO-v4 dodatno olakšavaju ranu dijagnozu parodontitisa pouzdanim otkrivanjem alveolarnog gubitka kosti na panoramskim radiografijama , pokazujući da regionalna detekcija unutar rendgenskih snimaka može biti preciznija od opće detekcije.

Zajedno, ova AI dostignuća signaliziraju obećavajuću budućnost u automatizovanoj i preciznoj dijagnostici parodontalnih bolesti, podržavajući ranu intervenciju i efikasno upravljanje pacijentima (27). Različiti osnovni AI modeli koji se primjenjuju u parodontalnoj njezi prikazani su u  tabeli i razvijeni su kako bi postigli jedinstvene funkcionalnosti za dijagnozu, klasifikaciju i prognozu.

Na primjer, Deep CNN model(28) ,efikasno detektuje oštećene zube, dok U-Net i Mask R-CNN(29)  daju fine konture komponenti parodontalnog tkiva, uključujući parodontalni ligament I alveolarnu kost. Model VGG-16 predviđa težinu parodontalne bolesti na osnovu kliničkih i radiografskih karakteristika, a Faster R-CNN precizno određuje stepen gubitak koštane mase na radiografijama (30,31). Drugi modeli uključuju algoritme dubokog učenja (32),koji predviđaju ishode tretmana i klasifikuju parodontalne defekte na radiografskim slikama prema cilju modela sa pohvalnom efikasnošću(33).

Kumulativno, sve ove AI aplikacije značajno obogaćuju parodontalnu procjenu i planiranje liječenja i dokazuju ulogu AI u unapređenju parodontološke njege.

Tabela 2. AI modeli i njihove primjene u parodontologiji.

AI Model	Primjena	Opis	Metrike performansi
Deep CNN	Dijagnoza i predviđanje zuba sa kompromitacijom parodonta	Koristi duboke konvolucionalne neuronske mreže za otkrivanje stanja oštećenih zuba	Visoka tačnost u predviđanju i dijagnostici(34)
U-Net & Mask R-CNN	Segmentacija parodontalnih struktura	Pruža detaljnu segmentaciju parodontalnog ligamenta i alveolarne kosti	Visoka tačnost u segmentaciji(35)
VGG-16	Klasifikacija težine parodontalne bolesti	Klasifikuje težinu parodontalne bolesti na osnovu kliničkih i radiografskih karakteristika	Visoka tačnost klasifikacije(36)
Brži R-CNN	Otkrivanje parodontalnog gubitka koštane mase	Otkriva gubitak koštane mase na stomatološkim rendgenskim snimcima sa visokom preciznošću	Preciznost i metrike prisjećanja su prijavljene kao visoke(37)
Duboko učenje (CNN)	Predviđanje ishoda parodontalnog liječenja	Predviđa ishode liječenja na osnovu podataka o pacijentima i kliničkih indikatora	Visoka tačnost u predviđanju(38)
Model sekvenca po sekvenca	Otkrivanje i klasifikacija parodontalnih defekata	Klasifikuje morfologiju i ozbiljnost defekata na radiografskim slikama	Visoka tačnost klasifikacije(39)

 

CNN: Konvolucijska neuronska mreža.

Primjena AI u parodontologiji obuhvata različite nivoe, uključujući dijagnostiku, planiranje terapije i kontrolu ishoda. AI tehnologije, posebno mašinsko učenje i konvolucione neuronske mreže, transformišu tradicionalne prakse poboljšavajući tačnost i efikasnost u parodontalnoj njezi (40).

Nastavak teksta u ljetnom broj časopisa DentBIH.-

Reference:

• Schaefer AS, Richter GM, Nothnagel M, Manke T, Dommisch H, Jacobs G, i dr. Studija asocijacije na nivou cijelog genoma identificira GLT6D1 kao lokus osjetljivosti na parodontitis. Ljudska molekularna genetika. 2010; 19(3):553-562
• Socransky SS, Haffajee AD, Cugini MA, Smith C, Kent RL. Mikrobni kompleksi u subgingivalnom plaku. Časopis za kliničku parodontologiju. 1998; 25(2):134-144
• Armitage GC. Razvoj sistema klasifikacije parodontalnih bolesti i stanja. Annali parodontologije. 1999; 4(1):1-6
• Mehta J, Eaton C, AlAmri M, Lin G, Nibali L. Povezanost između klona JP2 Aggregatibacter actinomycetemcomitans i parodontitisa: sistematski pregled i meta-analiza. Časopis za parodontalna istraživanja. 2023; 58(3):465-482
• Mehta J, Eaton C, AlAmri M, Lin G, Nibali L. Povezanost između klona JP2 Aggregatibacter actinomycetemcomitans i parodontitisa: sistematski pregled i meta-analiza. Časopis za parodontalna istraživanja. 2023; 58(3):465-482
• Jusko M, Miedziak B, Ermert D, Magda M, King BC, Bielecka E, i dr. FACIN, dvosjekli mač novog parodontalnog patogena Filifactor alocis: Metabolički enzim koji istovremeno djeluje kao inhibitor komplementa. Časopis za imunologiju. 2016; 197(8):3245-3259
• Mehta J, Eaton C, AlAmri M, Lin G, Nibali L. Povezanost između klona JP2 Aggregatibacter actinomycetemcomitans i parodontitisa: sistematski pregled i meta-analiza. Časopis za parodontalna istraživanja. 2023; 58(3):465-482.

(8) Jusko M, Miedziak B, Ermert D, Magda M, King BC, Bielecka E, i dr. FACIN, dvosjekli mač novog parodontalnog patogena Filifactor alocis: Metabolički enzim koji istovremeno djeluje kao inhibitor komplementa. Časopis za imunologiju. 2016; 197(8):3245-3259????

(9) Oliveira RRDS, Fermiano D, Feres M, Figueiredo LC, Teles FRF, Soares GMS i dr. Nivoi kandidata za parodontalne patogene u subgingivalnom biofilmu. Časopis za stomatološka istraživanja. 2016; 95(6):711-718

(10) Downes J, Hooper SJ, Wilson MJ, Wade WG. Prevotella histicola sp. nov., izolovana iz ljudske usne šupljine. Međunarodni časopis za sistematsku i evolucijsku mikrobiologiju. 2008; 58(8):1788-1791

(11). Naeini EN, Atashkadeh M, De Bruyn H, D'Haese J. Narativni pregled o primjenjivosti, tačnosti i kliničkom ishodu operacije flapless implantata, sa ili bez kompjuterskog vođenja. Klinička implantološka stomatologija i srodna istraživanja. 2020; 22(4):454-467

(12).Apatzidou DA, Bakopoulou AA, Kouzi-Koliakou K, Karagiannis V, Konstantinidis A. Biokompleks inženjerski napravljen tkivom za parodontalnu rekonstrukciju. Randomizirana klinička studija zasnovana na dokazu principa. Časopis za kliničku parodontologiju. 2021; 48(8):1111-1125

(13) Oruba Z, Gibas-Stanek M, Pihut M, Cześnikiewicz-Guzik M, Stós W. Ortodontsko liječenje kod pacijenata s parodontitisom – Narativni pregled literature. Australijski stomatološki časopis. 2023; 68(4):238-246

(14) Herrera D, Sanz M, Kebschull M, Jepsen S, Sculean A, Berglundh T, i dr. Liječenje stadija IV parodontitisa: Smjernice za kliničku praksu na EFP nivou S3. Časopis za kliničku parodontologiju. 2022; 49(S24):4-7

(15) Shirmohammadi, A., & Oskouei, S.G. (2023, 11. juni). Rastući uticaj umjetne inteligencije u parodontologiji i implantatologiji. 15(1), 1–2. https://doi.org/10.34172/japid.2023.012.

(16).V. Hamsini, R. Raghini, R. Rajshri, Fathima Razwia, D. Srinivasan, M. Sivakumar, G. Sivakumar, C., . G Madhan Naziv članka?????

(17) R.C.W. Chau, G. Li, I.M. Tew, K.M. Čet, C. McGrath, W. Evo, W. Ling, T. Hsung, W.Y.H Lam Tačnost fotografske detekcije gingivitisa zasnovane na vještačkoj inteligenciji

Elsevier BV, 73 (5) (2023), str. 724-730, 10.1016/j.identj.2023.03.007

(18),Thanathornwong. Bhornsawan, Ouivirach. Kan, Wuttisarnwattana. Patiwet, Wongsapai. Mansuang, Suebnukarn. Siriwan  Unapređenje parodontalnog liječenja integracijom detekcije zasnovane na dubokom učenju sa modelima bajesovskih mreža

Stud Health Technol Inf. (2024),

(19) R. Najjar Redefinisanje radiologije: pregled integracije umjetne inteligencije u medicinskom snimanju Multidiscip. Digit. Publ. Inst., 13 (17) (2023), str. 2760,

(20) Pitchika. Vinay, Büttner. Martha, Schwendicke Falk 2. Umjetna inteligencija i personalizirana dijagnostika u parodontologiji: narativni pregled

Parodontol. 2000 (2024),

(21) E.A. Kierce, R.J. Kolti Poboljšanje upravljanja parodontalnom bolešću pomoću umjetne inteligencije Compend Contin Educ Dent, 44 (6) (2023), str. e1-e4

Granice u parodontologijiNovi pravci i nove terapijeUredila Elna Chalisserry

(22) .Wang. Larry C.E. Credit. Primjene umjetne inteligencije za radiografsko otkrivanje parodontalnih bolesti: pregled opsega J Calif Dent Assoc (2023), (23)Scott. James, Biancardi. Alberto, Jones. Oliver, Andrew. David Umjetna inteligencija u parodontologiji: pregled opsegaDent J (2023), 10.3390/dj11020043

(24).Alotaibi. Ghala, Awawdeh. Mohammed, Fazrina Fathima, Mohamed Farook, Razan Aljohani, Aldhafiri. Mohamed, Aldhoayan Mohamed Alati za dijagnostiku vještačke inteligencije (AI): korištenje konvolucione neuronske mreže (CNN) za radiografsku procjenu nivoa kostiju u parodontu—retrospektivna studija BMC Oralno zdravlje (2022), 10.1186/s12903-022-02436-3

(25)..Karacaoĝlu. Fatma, Kolsuz Mehmet, Eray, Bagis Nilsun, Evli Cengiz, Orhan Kaan Razvoj i validacija intraoralnog periapikalnog radiografičkog modela mašinskog učenja za dijagnostiku parodontalnih defekata zasnovanog na intraoralnoj periapikalnoj radiografiji Proc. Inst. Mech. Eng. H: J. Eng. Med. (2023), 10.1177/09544119231162682

(26).J.S. Patel, K. Patel, H. Vo, L. Jiannan, M.M. Tellez, J. Albandar, H. Wu Unapređenje AI-podržanog parodontalnog CDSS-a i poređenje sa tradicionalnim alatima za procjenu parodontalnog rizika Zbornik radova godišnjeg simpozija AMIA (Vol. 2022, str. 846). Američka asocijacija za medicinsku informatiku (2022))

(27).Cansu Bilge, SAYLAN. UZUN, Baydar. Oğuzhan, Yeşilova. Esra, Kurt-Bayrakdar. Sevda, Bilgir. Elif, Bayrakdar. Ibrahim, Sevki, Çelik Özer, Orhan Kaan Procjena efikasnosti modela umjetne inteligencije za otkrivanje gubitka koštane mase u alveolarnim bolestima kod parodontopatije: panoramska radiografija Diagnostics (2023), 10.3390/diagnostics13101800

(28) J.H. Lee, D.H. Kim, S.N. Jeong, S.H. Choi Dijagnostika i predviđanje zuba kompromitiranih parodontom korištenjem algoritma konvolucionih neuronskih mreža zasnovanog na dubokom učenju J Periodontal Implant Sci, 48 (2) (2018), str. 114-123

(29) R. Najjar Redefinisanje radiologije: pregled integracije umjetne inteligencije u medicinskom snimanju Multidiscip. Digit. Publ. Inst., 13 (17) (2023), str. 2760, 10.3390/diagnostics13172760

(30) S. Patil, T. Joda, B. Soffe, K.H. Awan, H.N. Fageeh, M.R. Tovani-Palone, F.W. Licari Efikasnost umjetne inteligencije u otkrivanju gubitka koštane mase u parodontu i klasifikaciji parodontalnih bolesti: sistematski pregledJ. Am. Dent. Udruženje (2023) Google Scholar                  (31)   P. Hoss, O. Meyer, U.C. Wölfle, A. Wülk, T. Meusburger, L. Meier, H. Dušić Detekcija gubitka parodontalne kosti na periapikalnim radiografijama—Dijagnostička studija korištenjem različitih konvolucionih neuronskih mrežaJ Clin Med, 12 (22) (2023), str. 7189

(32)  R. Wang, R. Wang, T. Yang, J. Jiao, Z. Cao, H. Meng, D. ShiDuboko učenje poboljšava predviđanje efikasnosti parodontalne terapije kod kineskih pacijenata

1. Periodont, Res, 58 (3) (2023), str. 520-528

(33)S. Kurt-Bayrakdar, İ.Ş. Bayrakdar, M.B. Yavuz, N. Sali, Ö. Çelik, O. Köse, K. Orhan Otkrivanje obrazaca gubitka koštane mase i defekata frakacije iz panoramskih radiografija pomoću algoritma dubokog učenja: retrospektivna studija BMC oralno zdravlje, 24 (1) (2024), str. 155

(34) R.Wang, R. Wang, T. Yang, J. Jiao, Z. Cao, H. Meng, D. Shi Duboko učenje poboljšava predviđanje efikasnosti parodontalne terapije kod kineskih pacijenataJ. Periodont, Res, 58 (3) (2023), str. 520-528 Pogledajte na izdavačuCrossref

(35) S.Kurt-Bayrakdar, İ.Ş. Bayrakdar, M.B. Yavuz, N. Sali, Ö. Çelik, O. Köse, K.Orhan

Otkrivanje obrazaca gubitka koštane mase i defekata frakacije iz panoramskih radiografija pomoću algoritma dubokog učenja: retrospektivna studija

BMC oralno zdravlje, 24 (1) (2024), str. 155 Pogledajte u ScopusGoogle Scholar

(36) A. Dhopte, H.Bagde Pametan osmijeh: revolucionira stomatologiju uz pomoć umjetne inteligencije Cureus Inc (2023), 10.7759/cureus.41227 Pogledajte naizdavaču Google Scholar

(37)V. Hamsini, R. Raghini, R. Rajshri, Fathima Razwia, D. Srinivasan, M. Sivakumar, G. Sivakumar, C., . G Madhan Vještačka inteligencija u stomatologiji

Int. j. head neck pathol., 4 (2024), 10.56501/intjheadneckpathol.v7i1.1113 Pogledajte naizdavaču Google Scholar

(38)R.C.W. Chau, G. Li, I.M. Tew, K.M. Čet, C. McGrath, W. Evo, W. Ling, T. Hsung, W.Y.H Lam

Tačnost fotografske detekcije gingivitisa zasnovane na vještačkoj inteligenciji Elsevier BV, 73 (5) (2023), str. 724-730, 10.1016/j.identj.2023.03.007

Pogledajte PDFPogledajte članakPogledajte u ScopusGoogle Scholar

(39) Xu. Juan, Wang. Lingling, Sun. Hongxia, Liu Shan, Shan Evaluacija uticaja sveobuhvatnih sestrinskih intervencija na kontrolu plakova kod pacijenata sa parodontalnom bolešću u kontekstu umjetne inteligencije J Heal. Eng (2022), 10.1155/2022/6505672

(40).S. Kurt-Bayrakdar, İ.Ş. Bayrakdar, M.B. Yavuz, N. Sali, Ö. Çelik, O. Köse, K. Orhan Otkrivanje obrazaca gubitka koštane mase i defekata frakacije iz panoramskih radiografija pomoću algoritma dubokog učenja: retrospektivna studija