בהתבסס על מספר השתלים החדשים הניתנים בכל שנה לפי האקדמיה האמריקאית לרפואת שיניים של שתלים 2020 (כ-3 מיליון), ושיעור הכישלון הכולל (כ-5 אחוזים), מעריכים המחברים שמדי שנה מתרחשים כשלים בכ-150,000 שתלים בארצות הברית, מה שמוביל לעלות נוספת ונטל רב של ניתוחים משניים. זיהוי הסיכון לאובדן שתל לפני ניתוח ההשתלה עשוי לסייע לרופאי השיניים בהתאמת תוכנית הטיפול ושיפור הפרוגנוזה. עם זאת, קשה לחזות את גורל ההשתלה, מאחר שגורמי הסיכון הם מסובכים וכוללים את איכות העצם המכתשית, סוג השתל, התוכנית האופרטיבית ומאפיינים ביו-חברתיים של המתרפא. באופן קונבנציונלי, מעריכים רופאי שיניים את ההסתברות לאובדן השתל
בהתבסס על הניסיון הקליני והידע האישי שלהם. המחברים טוענים כי דרושות בדחיפות שיטות יעילות לחזות את הסיכון לאובדן שתלים לפני הניתוח, אך פיתוח שיטות אלה נותר מאתגר.
למידה עמוקה (DL) הינה אחת מטכניקות בינת המכונות הידועות בתחום זיהוי התמונות, שיטה זו מהווה כלי רב עוצמה עבור שיפור הביצועים של ניתוח תמונות במימד גבוה. בתחום הרפואי, הגיע שטח הלמידה העמוקה להישגים מפתיעים בדיוק של התחזית לרטינופתיה סוכרתית לגילוי סרטן וניתוח הישרדות של סרקומה של רקמות רכות. בתחום רפואת השיניים, יושמה הלמידה העמוקה בזיהוי נגעים אפיקליים, חיזוי של אובדן עצם החניכיים ועששת דנטלית והסיווג של מותגי שתלים ושלבי הטיפול. יתרה מכך, ניתן להשתמש בשיטות למידה עמוקה חדשות לשם סיווג או חיזוי ועל מנת לגלות אזורי נגעים, מצב המאפשר אבחון פתולוגי וטיפול ממוקד. אי לכך, שיטות הלמידה העמוקה עשויות לשפר את יכולת הניתוח של תמונות טומוגרפיה ממוחשבת של קרן קונוס דנטליות. המחברים פיתחו מודל של למידה עמוקה המבוסס על תמונות של טומוגרפיה ממוחשבת של קרן קונוס טרום ניתוח (ללא שתלים), על מנת לחזות את הסיכון לאובדן שתלים דנטליים ודמיינו את התוצאות החזויות באמצעות מפות מבליטות (saliency maps) תוך שימוש במאפיינים הקליניים שהופקו מרשומות רפואיות אלקטרוניות. הם פיתחו מודל רגרסיה לוגיסטית רב-משתנים, כמודל בקרה לניבוי הסיכון לאובדן השתלים תוך 5 שנים. לבסוף, התכונות הקליניות נוספו לפיתוח למידה עמוקה על מנת ליצור מודל משולב. השערת החוקרים הייתה שהמודלים שפיתחו מתפקדים טוב יותר מאשר ניחוש קליני אקראי.
מטרה
המחקר הנוכחי נערך על מנת לחקור את ההיתכנות של חיזוי הסיכון לאובדן של שתלים דנטליים באמצעות למידה עמוקה על בסיס טומוגרפיה ממוחשבת של קרן קונוס לפני הניתוח. השתתפו במחקר 603 מתרפאים שעברו ניתוחי שתלים (279 מתרפאים בסיכון גבוה אשר חוו אובדן שתלים תוך חמש שנים ו-324 מתרפאים בסיכון נמוך שלא חוו אובדן שתלים תוך חמש שנים) בין ינואר 2012 לינואר 2020. החוקרים השתמשו בשלושה מודלים: מודל קליני של רגרסיה לוגיסטיתCM) ) המבוסס על מאפיינים קליניים, מודל למידה עמוקה המבוסס על ממצאים רדיוגרפיים ומודל משולב (IM) שפותח על ידי שילוב המודל הקליני עם למידה עמוקה אשר פותחו על מנת לחזות את הסיכון לאובדן שתלים במשך 5 שנים. הזמן עד לאובדן השתל נשקל עבור שתי הקבוצות, אשר הושוו באמצעות עקומות קפלן-מאייר. המודל המשולב הציג את הביצועים הטובים ביותר בחיזוי הסיכון לאובדן שתלים, ואחריו המודל המבוסס על הממצאים הרדיוגרפיים והמודל המבוסס על המאפיינים הקליניים .
מסקנות
לטענת מחברי המאמר, המחקר מציע ראיות ראשוניות לכך שגם המודל המבוסס על הממצאים הרדיוגרפיים וגם המודל המשולב אשר פיתחו פעלו היטב בחיזוי גורל השתלים תוך חמש שנים, ולכן עשויים להקל מאוד על רופאי השיניים המבצעים שתלים בהערכת סיכונים טרום ניתוחיים.
Huang N, Liu P, Yan Y, et al. Predicting the risk of dental implant loss using deep learning. J Clin Periodontol 2022; 49: 872-883