Валерий Павлович Мудров, к. м. н., ассистент, врач клинической лабораторной диагностики
ФГБОУ ДПО «Российская медицинская академия непрерывного профессионального образования»
Академический образовательный центр фундаментальной и трансляционной медицины
кафедра медицинской биохимии и иммунопатологии
ГБУЗ г. Москвы «Диагностический клинический центр № 1 Департамента здравоохранения Москвы»
лабораторное отделение
Москва
Valery P. Mudrov, PhD Med, assistant, doctor of Clinical Laboratory Diagnostics
Academic Educational Centre for Fundamental and Translational Medicine
Dept of Medical Biochemistry and Immunopathology
Laboratory Dept
Moscow
Пародонтит – многофакторное воспалительное хроническое заболевание, инициированное дисбиозом комменсальной микробиоты полости рта. С появлением мультиомного подхода, создающего наборы данных с многочисленными функциями, важным методом в трансляционных исследованиях стали алгоритмы машинного обучения. Наиболее эффективные методы идентификации высокоспецифических взаимодействий биомаркеров с клиническими параметрами и их реализация в точно интерпретируемые клинические диагнозы – это алгоритмы машинного обучения.
Целью исследования стала оценка значимых для прогноза тяжести пародонтита показателей лабораторной диагностики с помощью моделей машинного обучения.
Обследовано 133 пациента в возрасте от 22 до 73 лет с диагнозом «хронический пародонтит», а также 53 человека без патологии пародонта. После проведения осмотра и оценки состояния пародонта пациентов брали биологическую пробу зубодесневой жидкости. Методом ПЦР в реальном времени оценивалась пародонтопатогенная микрофлора, мРНК провоспалительных цитокинов. В смешанной слюне оценивались клетки врожденного и приобретенного иммунитета. Машинное обучение проводили с помощью алгоритмов логистической регрессии, наивного классификатора Байеса, «случайного леса» с обучением на 25 %. При обучении на 25 % наивный байесовский классификатор показал точность 23 %, логистическая регрессия – 29 %. «Случайный лес» показал точность 100 % и выбрал следующие биомаркеры, связанные с тяжестью пародонтита: Porphyromonas endodontalis; клетки CD 3+, CD 14+, CD 19+5–B 27+; мРНК IL-1β, IL-10, IL-18, GATA3, TNFa, TLR 4. При хроническом пародонтите существует связь между локальными показателями иммуновоспалительного процесса, такими как мРНК провоспалительных цитокинов, клетками иммунной системы и тяжестью патологии. В анализе такого многофакторного заболевания, как хронический пародонтит, следует использовать модель машинного обучения, оптимизированную для большого набора разнородных данных с большим объемом выборки пациентов.
Periodontitis is a multifactorial inflammatory chronic disease initiated by dysbiosis of the commensal microbiota of the oral cavity. With the advent of the multi-ohm approach, which creates datasets with multiple features, machine learning algorithms have become an important technique in translational research. The most effective methods for identifying highly specific interactions of biomarkers with clinical parameters and their implementation in interpretable accurate clinical diagnoses are machine learning algorithms.
The aim of the study was to evaluate laboratory diagnostic indicators that are significant for predicting the severity of periodontitis using machine learning models.
We examined 133 patients aged 22 to 73 years with a diagnosis of chronic periodontitis, as well as 53 people without periodontal pathology. After the examination and assessment of the condition of the periodontium of patients, a biological sample of the periodontal fluid was taken. Real-time PCR was used to evaluate periodontopathogenic microflora and mRNA of pro-inflammatory cytokines. Cells of innate and acquired immunity were evaluated in mixed saliva. Machine learning was performed using logistic regression algorithms, naive Bayes classifier, ‘the Random Forest’ with 25 % training. When trained to 25 %, the naive Bayes classifier showed an accuracy of 23 %, logistic regression – 29 %. ‘The Random Forest’ showed 100 % accuracy and selected the following biomarkers associated with periodontitis severity: Porphyromonas endodontalis; CD 3+, CD 14+, CD 19+5–B 27+ cells; mRNA IL-1β, IL-10, IL-18, GATA3, TNFa, TLR 4. In chronic periodontitis, there is a relationship between local indicators of the immune-inflammatory process, such as mRNA of pro-inflammatory cytokines, cells of the immune system, and the severity of pathology. In the analysis of a multifactorial disease such as chronic periodontitis, a machine learning model optimized for a large heterogeneous data set with a large patient sample should be used.
The authors declare that there are no conflicts of interest present.