מחבר המאמר מציין, כי מערכת הבריאות המאוחדת הברזילאית (SUS) מספקת כיסוי בריאות כללי באמצעות האסטרטגיה של בריאות המשפחה (FHS), תוך הגדלה של מספרי שירותי בריאות הפה הראשוניים והמשניים. למרות ההתקדמות במדיניות הציבור בברזיל, הרי שקביעת סדרי עדיפויות של סדר היום של רפואת השיניים, במיוחד בנוגע לאוכלוסיית המתבגרים מהווה אתגר. גיל ההתבגרות מהווה זמן רלוונטי במיוחד ללימוד השימוש בשירותי בריאות והנטל של המחלות הדנטליות, כגון עששת. מצב זה מחזק את חשיבותם של שירותי טיפול ראשוני בארגון גישה והצעת טיפול מקיף למתבגרים, במיוחד לבעלי עששת לא מטופלת. הצורך בטיפול במצבים כגון עששת וכאב, הוא אחת הסיבות העיקריות לשימוש בשירותים הדנטליים בקרב מתבגרים. יתרה מכך, בשנת 2010 ה-DMFT בברזיל בקרב בני 12 היה 2.1, כאשר עששת לא מטופלת ייצגה 53 אחוזים מהמדד. יתרה מכך, המחלה מתרכזת בבני האדם הפגיעים והמקופחים ביותר מבחינה חברתית. לדברי המחבר, גישה של למידת מכונה תעזור לחזות את המתבגרים הנמצאים בסיכון גבוה יותר לחלות בעששת ותעזור בקביעת ביקורים במרפאת השיניים וביסוס בריאות פה טובה יותר, וכתוצאה מכך איכות חיים טובה יותר. גישה זו לא נבדקה באמצעות המודל התיאורטי של Sisson המתאר את השפעת אי השוויון החברתי בבריאות הפה, על מנת לבחור משתנים הקשורים לעששת, תוך התחשבות במנבאים של קשר והתנהגות אינדיבידואליים. עם זאת, עובדי שירותי בריאות ראשוניים (PHC) באסטרטגיית בריאות המשפחה (FHS), יכולים לחזות את אותם מתבגרים עם עששת לא מטופלת בעזרת קלט פשוט של משתנים שנאספו על ידי עובדי בריאות בקהילה. ארגון סדר היום של רפואת השיניים וקביעת סדרי עדיפויות הינם בעלי חשיבות לבריאות הפה הקשורה לבריאות הכללית והעולמית.
מטרה
המחקר הנוכחי בא לחזות מתבגרים עם עששת לא מטופלת באמצעות המודל התיאורטי של Sisson. ההשערה שנבדקה היא, שהמשתנים הנבחרים המכילים משתני התנהגות אינדיבידואליים, קונטקסטואליים ובריאותיים יהיו בעלי ביצועים טובים, כלומר, יאפשרו לחזות נכון מעל ל-70 אחוזים מהמתבגרים עם עששת לא מטופלת. החוקר השתמש בנתונים אשר הגיעו מסקר אפידמיולוגי בחמש הערים הגדולות במאטו גרוסו דו סול, ברזיל. נתונים על מאפיינים סוציו-דמוגרפיים, צריכה של מזונות לא בריאים והתנהגויות (שימוש בחוט דנטלי וצחצוח שיניים) נאספו מ-615 מתבגרים באמצעות המודל התיאורטי של Sisson.
עבור למידת מכונה, נעשה שימוש בשלושה אלגוריתמים שונים: (1) XGboost (אלגוריתם Extreme Gradient Boost – ספריית תוכנה בקוד פתוח המספקת מסגרת לרגולציה של הגברת שיפוע), (2) עץ החלטות (מודל היררכי תומך החלטות המשתמש במודל דמוי עץ של החלטות והשלכותיהן האפשריות, כולל תוצאות אירוע מקרי, עלויות, משאבים ושימושיות) ו-(3) רגרסיה לוגיסטית. קו הבסיס האפידמיולוגי שימש לאימון ולבדיקת ניבויים לאיתור משתתפים עם עששת לא מטופלת, באמצעות שמונה משתנים מנבאים עיקריים. עבור 615 המתבגרים, xgboost פעל טוב יותר עם שטח מתחת לעקומה (AUC) של 84 אחוזים לעומת 81 אחוזים עבור אלגוריתם עץ ההחלטות. המשתנים החשובים ביותר היו שימוש בחוט דנטלי, צריכת מזון לא בריא, גזע, וחשיפה למים מופלרים.
מסקנות
לדעת החוקר, צוותי בריאות המשפחה יכולים לשפר את תהליך העבודה ולהשתמש במנגנוני בינה מלאכותית על מנת לחזות מתבגרים עם עששת לא מטופלת, ובדרך זו לקבוע פגישות במרפאת השיניים לשם טיפול מוקדם יותר במתבגרים.
Aiello Bomfim R. Machine learning to predict untreated dental caries in adolescents. BMC Oral Health 2024; doi.org/10.1186/s12903-024-04073-4