Preview

Медицинский алфавит

Расширенный поиск

Модели машинного обучения при анализе биомаркеров хронического пародонтита

https://doi.org/10.33667/2078-5631-2022-19-55-59

Полный текст:

Аннотация

   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.

Об авторе

В. П. Мудров
Минздрав России; Департамент здравоохранения Москвы
Россия

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



Список литературы

1. Ahmed N., Abbasi M. S., Zuberi F., Qamar W., Halim M. S. B., Maqsood A., Alam M. K. Artificial intelligence techniques: analysis, applicationand outcome in dentistry – A systematic review. Biomed Research International. 2021; 2021: 9751564. DOI: 10.1155/2021/9751564.

2. Khanagar S. B., Al-Ehaideb A., Maganur P. C., Vishwanathaiah S., Patil S., Baeshen H. A., Sarode S. C., Bhandi S. Developments, application, and performance of artificial intelligence in dentistry – A systematic review.Journal of dental sciences. 2021; 16 (1): 508–522. DOI: 10.1016/j.jds.2020.06.019.

3. Бонгард М. М. Проблема узнавания / М. М. Бонгард. – М.: Наука, 1967. – С. 320. – Bongard M. M. The problem of recognition. M. Science. 1967. P. 320.

4. Patil S., Albogami S., Hosmani J., Mujoo S., Kamil M. A., Mansour M. A., Abdul H. N., Bhandi S., Ahmed S. S. S. J. Artificial intelligence in the diagnosis of oral diseases: applications and pitfalls. Diagnostics (Basel). 2022; 12 (5): 1029. DOI: 10.3390/diagnostics12051029.

5. Казаков С. П. Клинико-иммунологическая диагностика и терапия хронического пародонтита / С. П. Казаков [и др.] – Москва: Эко-Пресс, 2022. – С. 136. – Kazakov S. P., Ivanov S. Yu., Mudrov V. P., Muraev A. A., Yamurkova N. F., Skuin L. M., Stepanova E. N., Ryabova V. M., Ibragimova Yu. Sh., Antonov I. I. Clinical and immunological diagnosis and therapy of chronic periodontitis. Moscow, Eco-Press. 2022. P. 136.

6. Rakic M., Pejcic N., Perunovic N., Vojvodic D. A Roadmap towards precision periodontics. Medicina (Kaunas). 2021; 57 (3): 233–244. doi: 10.3390/medicina57030233

7. Kuo T.-R., Chen C.-H. Bone biomarker for the clinical assessment of osteoporosis: recent developments and future perspectives. Biomarker research. 2017; 5 (18): 1–9. DOI: 10.1186/s40364–017–0097–4.

8. Гизатуллин Ш. Х. Синдром костно-минеральных нарушений – начальные проявления остеопороза у больных нейрохирургического профиля (патогенез и иммунопатогенез, клиническая лабораторная диагностика, алгоритм лечения, хирургическая тактика) : Учебное пособие / Ш. Х. Гизатуллин, С. П. Казаков, В. Ю. Курносенко. – М.: Эко-Пресс, 2019. – 94 с. – Gizatullin Sh. Kh. The syndrome of bone and mineral disorders is the initial manifestations of osteoporosis in neurosurgical patients (pathogenesis and immunopathogenesis, clinical laboratory diagnostics, treatment algorithm, surgical tactics). Tutorial. Sh. Kh. Gizatullin, S. P. Kazakov, V. Yu. Kurnosenko. Moscow: Eco-Press. 2019. 94 p.

9. Smets J., Shevroja E., Hügle T., Leslie W. D., Hans D. Machine learning solutions for osteoporosis – A Review. Journal of bone and mineral research. 2021; 36 (5): 833–851. DOI: 10.1002/jbmr.4292.

10. Kinney J. S., Morelli T., Oh M., Braun T. M., Ramseier C. A., Sugai J. V., Giannobile W. V. Crevicular fluid biomarkers and periodontal disease progression. Journal of clinical periodontology. 2014; 41 (2): 113–120. DOI: 10.1111/jcpe.12194.

11. Мудров В. П. Машинное обучение в поиске прогностически значимых тестов для лабораторной диагностики остеопороза. Справочник заведующего КДЛ / В. П. Мудров, М. Йовичич. – 2020. – (1): 44–56. – Mudrov V. P., Jovicic M. Machine learning in the search for prognostically significant tests for laboratory diagnosis of osteoporosis. Directory of the head of the CDL. 2020; (1): 44–56.

12. Казаков С. П. Уровень цитокинов и молекул межклеточной адгезии в плазме крови и их диагностическая эффективность при аутоиммунных и онкологических заболеваниях щитовидной железы / С. П. Казаков. – Медицинская иммунология. – 2010. – 12 (6): 559–564. – Kazakov S. P. The level of cytokines and intercellular adhesion molecules in blood plasma and their diagnostic efficiency in autoimmune and oncological diseases of the thyroid gland. Medical Immunology. 2010; 12 (6): 559–564.

13. Казаков С. П. Соотношения (индексы) цитокинов, молекул межклеточной адгезии в плазме крови, их диагностическая эффективность у больных с аутоиммунными тиреоидитами, аденомами и раком щитовидной железы / С. П. Казаков, Т. Н. Заботина, Н. Е. Кушлинский // Медицинский вестник МВД. – 2010. – 6 (49): 25–29. – Kazakov S. P., Zabotina T. N., Kushlinsky N. E. Ratios (indices) of cytokines, intercellular adhesion molecules in blood plasma, their diagnostic efficiency in patients with autoimmune thyroiditis, adenomas and thyroid cancer. Medical Bulletin of the Ministry of Internal Affairs. 2010; 6 (49): 25–29.


Рецензия

Для цитирования:


Мудров В.П. Модели машинного обучения при анализе биомаркеров хронического пародонтита. Медицинский алфавит. 2022;(19):55-59. https://doi.org/10.33667/2078-5631-2022-19-55-59

For citation:


Mudrov V.P. Machine learning models for analysis of biomarkers of chronic periodontitis. Medical alphabet. 2022;(19):55-59. (In Russ.) https://doi.org/10.33667/2078-5631-2022-19-55-59

Просмотров: 100


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2078-5631 (Print)
ISSN 2949-2807 (Online)