Бажутова Ирина Владимировна, кандидат медицинских наук, доцент кафедры стоматологии ИПО
443099, ул. Чапаевская, д. 89, г. Самара
Irina V. Bazhutova, DMD, PhD, Associate Professor, Department of the Dentistry, Post-Graduate Education Institute
89 Chapaevskaya Str., Samara, Russian Federation, 443099
Лямин Артем Викторович, доктор медицинских наук, доцент, директор Научно-образовательного профессионального центра генетических и лабораторных технологий
Самара
Artem V. Lyamin, MD, PhD, DSc, Docent, Director of Professional Center for Education and Research in Genetic and Laboratory Technologies
Samara
Трунин Дмитрий Александрович, доктор медицинских наук, профессор, заведующий кафедрой стоматологии ИПО
Самара
Dmitry A. Trunin, DMD, PhD, DSc, Professor, Head of the Department of Dentistry, Post-Graduate Education Institute
Samara
Алексеев Дмитрий Владимирович, специалист лаборатории культуромных и протеомных исследований в микробиологии Научно-образовательного профессионального центра генетических и лабораторных технологий
Самара
Dmitriy V. Alekseev, Specialist, Laboratory of the Culturomic and Proteomic Research in Microbiology, Professional Center for Education and Research in Genetic and Laboratory Technologies
Samara
Пономарев Артем Евгеньевич, биолог лаборатории иммунологических методов исследования Научно-образовательного профессионального центра генетических и лабораторных технологий
Самара
Artem E. Ponomarev, Biologist, Laboratory of the Immunological Research Methods, Professional Center for Education and Research in Genetic and Laboratory Technologies
Samara
Заров Евгений Владимирович, специалист лаборатории иммунологических методов исследования Научно-образовательного профессионального центра генетических и лабораторных технологий
Самара
Evgenii V. Zarov, Specialist, Laboratory of the Immunological Research Methods, Professional Center for Education and Research in Genetic and Laboratory Technologies
Samara
Ерохин Алексей Иванович, кандидат медицинских наук, доцент, врач стоматолог-хирург
Москва
Alexey I. Erokhin, DDS, PhD, Docent
Moscow
Актуальность. В наши дни наиболее эффективным методом решения восстановления целостности зубных рядов является дентальная имплантация. При этом у пациентов с хроническим пародонтитом в анамнезе значительно более высокий риск воспалительных осложнений, а именно мукозита и периимплантита. Разработка эффективных стратегий профилактики и лечения требует точной и своевременной оценки риска развития заболевания.
Цель исследования – разработать модель классификации риска развития периимплантита у пациентов с хроническим пародонтитом на основе клинико-микробиологических маркеров, используя метод построения дерева решений.
Материалы и методы. В исследовании были проанализированы 177 пациентов с хроническим пародонтитом, разделенных на три группы: без дентальных имплантатов, с имплантатами без признаков периимплантита и с имплантатами и диагностированным периимплантитом (по 59 человек в каждой из групп). С помощью обследования полости рта, микробиологического исследования и ПЦР-исследования содержимого пародонтальных карманов был проведен анализ клинических и микробиологических показателей, позволивший выявить клинико-микробиологические маркеры риска развития периимплантита. На основе выявленных комбинаций построена модель машинного обучения на базе алгоритма CART с включением индекса Джини.
Результаты. Наиболее характерными симптомами в группе пациентов с периимплантитом оказались гиперестезия дентина, неприятный запах изо рта, экссудат и нависание гингивального края. Из выделенных микроорганизмов наиболее значимыми для прогнозирования оказались R. mucilaginosa, S. mitis, R. dentocariosa, A. odontolyticus, S. australis, P. gingivalis, F. nucleatum, A. actinomycetemcomitans. Модель показала высокую дискриминативную способность (общая корректность – 0,75, согласованность – 0,7243, ROC–AUC – 0,74).
Заключение. Комплексный клинический и микробиологический анализ пациентов с периимплантитом, включающий статистическую обработку данных и применение методов машинного обучения, позволяет прогнозировать риск развития периимплантита у пациентов с хроническим пародонтитом. Результаты подчеркивают важность включения микробиологического исследования в стандартные протоколы обследования, позволяющие заблаговременно идентифицировать пациентов группы риска и персонализировать лечебные и превентивные мероприятия.
Relevance. Dental implantation is currently regarded as the most effective approach to restoring the continuity of the dentition. However, individuals with a history of chronic periodontitis face a significantly increased risk of inflammatory complications, particularly peri-implant mucositis and peri-implantitis. Developing effective prevention and treatment strategies requires accurate, timely risk assessment to identify at-risk patients.
Objective. To develop a risk classification model for peri-implantitis in patients with chronic periodontitis based on clinical and microbiological markers, using a decision tree algorithm.
Materials and methods. The study included 177 patients with chronic periodontitis, evenly divided into three groups (n = 59 each): without dental implants, with implants and no clinical signs of peri-implantitis, and with implants and diagnosed peri-implantitis. Clinical examination, microbiological analysis, and PCR testing of subgingival plaque from periodontal pockets were conducted to identify clinical and microbiological markers associated with peri-implantitis risk. Based on these parameters, a machine learning model was developed using the CART (Classification and Regression Tree) algorithm with the Gini index as the splitting criterion.
Results. The most prominent clinical signs observed in patients with peri-implantitis were dentin hypersensitivity, halitosis, exudate, and gingival margin overgrowth. Among the identified microorganisms, the most predictive for peri-implantitis risk were R. mucilaginosa, S. mitis, R. dentocariosa, A. odontolyticus, S. australis, P. gingivalis, F. nucleatum and A. actinomycetemcomitans. The classification model demonstrated high discriminative ability, with an accuracy of 0.75, F1–score of 0.7243, and a ROC–AUC of 0.74.
Conclusion. A comprehensive clinical and microbiological evaluation, supported by statistical analysis and machine learning methods, provides an effective approach for predicting the risk of peri-implantitis in patients with chronic periodontitis. The findings highlight the importance of integrating microbiological diagnostics into standard clinical protocols to enable early identification of high-risk individuals and to guide personalized preventive and therapeutic strategies.
The authors declare that there are no conflicts of interest present.