Amaç: Periodontal hastalıkların güncel sınıflamasına göre periodontitisin evrelendirme ve derecelendirilmesinde belirli öznitelikler kullanılmaktadır. Derecelendirmede bazı biyobelirteçlerin ve eşik değerlerinin belirlenmesi ve sınıflamaya eklenmesiyle periodontitisin sistemik sağlığa etkisi vurgulanabilir. Bu çalışmada bu biyobelirteçlerin yapay zekâ modelleri kullanılarak sınıflandırma, evrelendirme ve derecelendirmedeki başarısını belirlemek amaçlanmıştır. Gereç ve yöntem: Çalışmada 240 bireye ait klinik, radyolojik ve biyokimyasal (tam kan, salya ve serum interlökin (IL)-1β ve matriksmetalloproteinaz (MMP)-8 öznitelikler ile Python programlama dili kullanılarak yapay zekâ modelleri oluşturulmuş, periodontitisli bireylerde (n=120) evrelendirme ve derecelendirme otomatik olarak gerçekleştirilmiştir. Klinik öznitelikler arasında gingival indeks, plak indeksi, sondlamada kanama yüzdesi, cep derinliği, klinik ataçman kaybı; radyografik öznitelikler arasında kemik kaybı paterni, kemik kaybı yüzdesi, furkasyon tutulumu derecesi, hastalık dağılımı ve kemik kaybı%/yaş bulunmaktadır. Çalışmaya katılan bireylerden elde edilen tam kanda C-reaktif protein, beyaz kan hücresi (WBC), nötrofil, lenfosit, trombosit ve eritrosit sayısı, ortalama trombosit hacmi, HbA1c, trigliserid, yüksek, düşük ve çok düşük densiteli lipoprotein (HDL, LDL, VLDL) ve total kolesterol düzeylerinin yanı sıra, serum ve salya örneklerinde IL-1β ve MMP-8 düzeyleri de ELISA (Enzime Bağlı İmmünosorbent Testi) yöntemi ile belirlenmiştir. Bulgular: Kullanılan 46 öznitelikten 23 tanesinin periodontal durum sınıflamasında 0,967 doğruluk değeri, 9 tanesinin ise derecelendirmede 0,858 doğruluk değeri gösterdiği belirlenmiştir. Sınıflandırmadaki öznitelikler arasında WBC, serum IL-1β, trigliserid/HDL oranı, nötrofil/lenfosit oranı ve HDL bulunurken, derecelendirmedeki 9 öznitelik arasında HDL, LDL, nötrofil/lenfosit oranı, total kolesterol ve salya IL-1β' nın olduğu belirlenmiştir. Sonuç: Çalışmamızda kullanılan yapay zekâ modellerinin sınıflandırma ve periodontitis derecelendirmesini yüksek başarı ile yapabileceği gösterilmiştir. Sınıflandırma ve özellikle de derecelendirmede serum ve salya IL-1β ve bahsedilen diğer kan parametrelerinin yüksek başarı göstermesiyle, çalışmamız periodontal durumun sınıflaması ve periodontitisin derecelendirilmesinde mevcutlara ek olarak kullanılabilecek salya ve serum içeriğinde bulunan özniteliklerin belirlenmesi, ya da bir başka deyişle periodontitisin sistemik etkisinin vurgulanabilmesi anlamında öncül bulgular sunmaktadır. Anahtar Kelimeler : Yapay zekâ, öznitelik seçimi, sınıflama, IL-1β, MMP-8.
Aim: According to the current classification of periodontal diseases, certain features are used in the staging/grading of periodontitis. The effect of periodontitis on systemic health can be emphasized by determining some biomarkers and threshold values and adding them to the classification. This study aims to determine the success of these biomarkers in classification, staging and grading using artificial intelligence (AI) models. Materials and methods: In the study, AI models were created, classification was performed using Python with clinical, radiological, biochemical (whole blood, salivary and serum interleukin (IL)-1β and matrixmetalloproteinase (MMP)-8 features, staging and grading of periodontitis patients were performed automatically (n=120). Clinical features include gingival index, plaque index, bleeding on probing percentage, pocket depth, clinical attachment loss; radiographic features include bone loss pattern, percentage bone loss, degree of furcation involvement, disease distribution and bone loss %/age. C-reactive protein, white blood cell (WBC), neutrophil, lymphocyte, platelet and erythrocyte counts, mean platelet volume, HbA1c, triglyceride, high, low and very low density lipoprotein (HDL, LDL, VLDL), total cholesterol levels were determined in whole blood; IL-1β and MMP-8 levels were also determined by ELISA (Enzyme Linked Immunosorbent Assay) method in serum and salivary samples. Result: Of the 46 features used, 23 features' accuracy of classification (AC) was 0.967 in classification, and 9 features' AC was 0,858 in grading. While WBC, serum IL-1β, triglyceride/HDL ratio, neutrophil/lymphocyte and HDL were among the features in classification; HDL, LDL, neutrophil/lymphocyte, total cholesterol, salivary IL-1β and MMP-8 were among the 9 features in grading. Conclusion: The used AI models were shown to perform classification and grading with high success. With the high success of serum and salivary IL-1β and other blood parameters in classification and especially grading, our study provides preliminary findings determining the features in saliva and serum content that can be used in addition to the existing ones, in other words, emphasizing periodontitis' systemic effect. Keywords : Artificial intelligence, feature selection, classification, IL-1β, MMP-8.
Tez (Doktora-PhD) - Süleyman Demirel Üniversitesi, Sağlık Bilimleri Enstitüsü, Periodontoloji Anabilim Dalı, 2023.
Kaynakça var.
Amaç: Periodontal hastalıkların güncel sınıflamasına göre periodontitisin evrelendirme ve derecelendirilmesinde belirli öznitelikler kullanılmaktadır. Derecelendirmede bazı biyobelirteçlerin ve eşik değerlerinin belirlenmesi ve sınıflamaya eklenmesiyle periodontitisin sistemik sağlığa etkisi vurgulanabilir. Bu çalışmada bu biyobelirteçlerin yapay zekâ modelleri kullanılarak sınıflandırma, evrelendirme ve derecelendirmedeki başarısını belirlemek amaçlanmıştır. Gereç ve yöntem: Çalışmada 240 bireye ait klinik, radyolojik ve biyokimyasal (tam kan, salya ve serum interlökin (IL)-1β ve matriksmetalloproteinaz (MMP)-8 öznitelikler ile Python programlama dili kullanılarak yapay zekâ modelleri oluşturulmuş, periodontitisli bireylerde (n=120) evrelendirme ve derecelendirme otomatik olarak gerçekleştirilmiştir. Klinik öznitelikler arasında gingival indeks, plak indeksi, sondlamada kanama yüzdesi, cep derinliği, klinik ataçman kaybı; radyografik öznitelikler arasında kemik kaybı paterni, kemik kaybı yüzdesi, furkasyon tutulumu derecesi, hastalık dağılımı ve kemik kaybı%/yaş bulunmaktadır. Çalışmaya katılan bireylerden elde edilen tam kanda C-reaktif protein, beyaz kan hücresi (WBC), nötrofil, lenfosit, trombosit ve eritrosit sayısı, ortalama trombosit hacmi, HbA1c, trigliserid, yüksek, düşük ve çok düşük densiteli lipoprotein (HDL, LDL, VLDL) ve total kolesterol düzeylerinin yanı sıra, serum ve salya örneklerinde IL-1β ve MMP-8 düzeyleri de ELISA (Enzime Bağlı İmmünosorbent Testi) yöntemi ile belirlenmiştir. Bulgular: Kullanılan 46 öznitelikten 23 tanesinin periodontal durum sınıflamasında 0,967 doğruluk değeri, 9 tanesinin ise derecelendirmede 0,858 doğruluk değeri gösterdiği belirlenmiştir. Sınıflandırmadaki öznitelikler arasında WBC, serum IL-1β, trigliserid/HDL oranı, nötrofil/lenfosit oranı ve HDL bulunurken, derecelendirmedeki 9 öznitelik arasında HDL, LDL, nötrofil/lenfosit oranı, total kolesterol ve salya IL-1β' nın olduğu belirlenmiştir. Sonuç: Çalışmamızda kullanılan yapay zekâ modellerinin sınıflandırma ve periodontitis derecelendirmesini yüksek başarı ile yapabileceği gösterilmiştir. Sınıflandırma ve özellikle de derecelendirmede serum ve salya IL-1β ve bahsedilen diğer kan parametrelerinin yüksek başarı göstermesiyle, çalışmamız periodontal durumun sınıflaması ve periodontitisin derecelendirilmesinde mevcutlara ek olarak kullanılabilecek salya ve serum içeriğinde bulunan özniteliklerin belirlenmesi, ya da bir başka deyişle periodontitisin sistemik etkisinin vurgulanabilmesi anlamında öncül bulgular sunmaktadır. Anahtar Kelimeler : Yapay zekâ, öznitelik seçimi, sınıflama, IL-1β, MMP-8.
Aim: According to the current classification of periodontal diseases, certain features are used in the staging/grading of periodontitis. The effect of periodontitis on systemic health can be emphasized by determining some biomarkers and threshold values and adding them to the classification. This study aims to determine the success of these biomarkers in classification, staging and grading using artificial intelligence (AI) models. Materials and methods: In the study, AI models were created, classification was performed using Python with clinical, radiological, biochemical (whole blood, salivary and serum interleukin (IL)-1β and matrixmetalloproteinase (MMP)-8 features, staging and grading of periodontitis patients were performed automatically (n=120). Clinical features include gingival index, plaque index, bleeding on probing percentage, pocket depth, clinical attachment loss; radiographic features include bone loss pattern, percentage bone loss, degree of furcation involvement, disease distribution and bone loss %/age. C-reactive protein, white blood cell (WBC), neutrophil, lymphocyte, platelet and erythrocyte counts, mean platelet volume, HbA1c, triglyceride, high, low and very low density lipoprotein (HDL, LDL, VLDL), total cholesterol levels were determined in whole blood; IL-1β and MMP-8 levels were also determined by ELISA (Enzyme Linked Immunosorbent Assay) method in serum and salivary samples. Result: Of the 46 features used, 23 features' accuracy of classification (AC) was 0.967 in classification, and 9 features' AC was 0,858 in grading. While WBC, serum IL-1β, triglyceride/HDL ratio, neutrophil/lymphocyte and HDL were among the features in classification; HDL, LDL, neutrophil/lymphocyte, total cholesterol, salivary IL-1β and MMP-8 were among the 9 features in grading. Conclusion: The used AI models were shown to perform classification and grading with high success. With the high success of serum and salivary IL-1β and other blood parameters in classification and especially grading, our study provides preliminary findings determining the features in saliva and serum content that can be used in addition to the existing ones, in other words, emphasizing periodontitis' systemic effect. Keywords : Artificial intelligence, feature selection, classification, IL-1β, MMP-8.