CC BY
6
Text preparation and editing — critical review of a draft manuscript with the introduction of valuable intellectual content.
Approval of the final version of the paper — acceptance of responsibility for all aspects of the work, the integrity of all parts of the paper and its final version.
СВЕДЕНИЯ ОБ АВТОРАХ / INFORMATION ABOUT THE AUTHORS
Крутикова Марина Сергеевна* — доцент кафедры внутренней медицины № 1 Института «Медицинская академия имени С.И. Георгиевского» федерального государственного автономного образовательного учреждения высшего образования «Крымский федеральный университет имени В.И. Вернадского».
https://orcid.org/0000-0001-6200-8524
Контактная информация: e-mail: marina_ua_22@ mail.ru; тел.: +7 (978) 887-96-04;
бульвар Ленина, д. 5/7, г. Симферополь, 295006, Россия
Вострикова Александра Николаевна — студентка кафедры внутренней медицины № 1 Института «Медицинская академия имени С.И. Георгиевского» федерального государственного автономного образовательного учреждения высшего образования «Крымский федеральный университет имени В.И. Вернадского».
https://orcid.org/0000-0002-5100-1535
Якубова Эльвина Февзиевна — ассистент кафедры внутренней медицины № 1 Института «Медицинская академия имени С.И. Георгиевского» федерального государственного автономного образовательного учреждения высшего образования «Крымский федеральный университет имени
B.И. Вернадского».
https://orcid.org/0000-0002-1622-6069
Польская Людмила Владимировна — доцент кафедры пропедевтики внутренней медицины Института «Медицинская академия имени
C.И. Георгиевского» федерального государственного автономного образовательного учреждения высшего образования «Крымский федеральный университет имени В.И. Вернадского».
https://orcid.org/0000-0002-9594-2695
Крутиков Сергей Николаевич — доктор медицинских наук, профессор кафедры внутренней медицины № 2 Института «Медицинская академия имени С.И. Георгиевского» федерального государственного автономного образовательного учреждения высшего образования «Крымский федеральный университет имени В.И. Вернадского».
https://orcid.org/0000-0002-1354-095Х
Marina S. Krutikova* — Assoc. Prof., Department of Internal Medicine No.1, Georgievsky Medical Academy, Vernadsky Crimean Federal University.
https://orcid.org/0000-0001-6200-8524
Contact information: e-mail: marina_ua_22@mail.ru; tel.: +7 (978)887-96-04;
boulevard Lenina, 5/7, Simferopol, 295006, Russia
Alexandra N. Vostrikova — Student, Department of Internal Medicine No.1, Georgievsky Medical Academy, Vernadsky Crimean Federal University.
https://orcid.org/0000-0002-5100-1535
Elvina F. Yakubova — Assistant, Department of Internal Medicine No. 1, Georgievsky Medical Academy, Vernadsky Crimean Federal University.
https://orcid.org/0000-0002-1622-6069
Lyudmila V. Polskaya — Assoc. Prof., Department of Propaedeutics of Internal Medicine, Georgievsky Medical Academy, Vernadsky Crimean Federal University.
https://orcid.org/0000-0002-9594-2695
Sergey N. Krutikov — Dr.
Department of Internal Medicine Medical Academy, Vernadsky University.
Sci. (Med.), Prof., No. 2, Georgievsky Crimean Federal
https://orcid.org/0000-0002-1354-095Х
* Автор, ответственный за переписку / Corresponding author
https://doi.org/10.25207/1608-6228-2022-29-5-44-62 © Коллектив авторов, 2022
0*1
определение относительного риска прогрессирования пародонтита с помощью нейросетевого моделирования: когортное ретроспективное исследование
М.Д. Перова1*, Д.Д. Самохвалова1, А.А. Халафян2, В.А. Акиньшина2
1 Федеральное государственное бюджетное образовательное учреждение высшего образования «Кубанский государственный медицинский университет» Министерства здравоохранения Российской Федерации ул. им. Митрофана Седина, д. 4, г. Краснодар, 350063, Россия
2Федеральное государственное бюджетное образовательное учреждение высшего образования «Кубанский государственный университет» ул. Ставропольская, д. 149, г. Краснодар, 350040, Россия
АННОТАЦИЯ
Введение. Общепринятыми оценками риска прогрессирования пародонтита в настоящее время являются детерминанты косвенной стабильности: пародонтальные карманы, персистирующая кровоточивость десен, подвижность зубов, локальные факторы риска. В эпоху персонализированной медицины актуальным решением было бы основывать выбор пародонтальной терапии не на широких клинических рекомендациях, а на единовременном рассмотрении максимально доступного спектра индивидуальных показателей с учетом факторов риска.
Цель исследования — определить относительный риск прогрессирования пародонтита после активной базовой терапии у пациентов с помощью нейросетевого моделирования.
Методы. Когортное ретроспективное исследование проведено по данным медицинских карт 109 пациентов обоего пола, в возрасте от 30 до 70 лет, после базового па-родонтального лечения хронического пародонтита (легкой, средней и тяжелой степени) в период с 1999 по 2016 год и находившихся на поддерживающей пародонтальной терапии (ППТ) от 5 до 20 лет. В работе учитывались данные объективного обследования опорного аппарата зубов и категориальные показатели (всего 24), оцененные до лечения, через 4-6 месяцев после базового (активного) лечения и в сроки 5 лет < ППТ < 20 лет. По итогам анализа описательных статистик определены целевые количественные показатели для прогностического моделирования исходов лечения пациентов пародонтитом и определения остаточного риска прогрессирования болезни. Статистическая обработка полученных данных проведена посредством пакета Sta-tistica 13.3 (Tibco, USA). Сравнение средних значений показателей в различные сроки проводили с помощью критериев знаков и Вилкоксона; для оценки связей между предикторами и целевыми показателями использовали коэффициент ранговой корреляции Спирмена. Во всех случаях анализа принят уровень статистической значимости р = 0,05. В качестве инструментария построения нейросетевых моделей использовали автоматизированные нейронные сети DataMining программы Statistica. Решение задачи классификации уровня риска прогрессирования болезни достигнуто проведением ROC AUC анализа. Предсказательную силу модели оценивали при помощи показателей чувствительности и специфичности.
Результаты. В когорте определена неоднородная динамика предикторных переменных, характеризующих состояние опорного аппарата зубов. Исходы регенеративной хирургии пародонта, независимо от пола, возраста пациентов и сопутствующих общих
заболеваний, существенно превзошли таковые при иных подходах за счет формирования нового зубодесневого прикрепления, хотя и в разном объеме. Дополнительный положительный функциональный исход отмечен при восстановлении целостности зубных рядов дентальными имплантатами, без взаимоповреждающих эффектов. Поскольку обнаружение взаимосвязей между показателями не предполагает знака равенства с прогностической ценностью, были построены прогностические модели для целевых показателей и стратификации относительного риска прогрессирования пародонтита с помощью автоматизированных нейронных сетей. Из 1000 автоматически построенных и обученных нейросетей — двухслойных персептронов выбраны сети с наилучшими прогностическими свойствами. Чувствительность модели прогнозирования относительного риска на обучающей, контрольной и тестовой выборках соответствовала 90, 67, 80%; специфичность модели соответствовала 81,481, 85,714, 100%. В целом в исследовательской когорте чувствительность и специфичность составили 85,937 и 86,666%. Площадь под кривой ROC AUC равна 0,859.
Заключение. Использование алгоритма искусственного интеллекта — построения нейронных сетей для целевых предикторов и стратификации относительного риска прогрессирования пародонтита — имеет преимущества перед классическими методами: позволяет решать задачи классификации и регрессии с категориальными и количественными предикторными переменными, используя данные произвольной природы большого и малого объема. Практическая реализация результатов исследования нашла отражение в разработке калькулятора относительного риска на основании написанной программы для ЭВМ.
Ключевые слова: пародонтит, относительный риск, прогностические модели, искусственная нейронная сеть, поддерживающая пародонтальная терапия
Конфликт интересов: авторы заявляют об отсутствии конфликта интересов.
Для цитирования: Перова М.Д., Самохвалова Д.Д., Халафян А.А., Акиньшина В.А. Определение относительного риска прогрессирования пародонтита с помощью нейросетевого моделирования: когортное ретроспективное исследование. Кубанский научный медицинский вестник. 2022; 29(5): 44-62. https://doi.org/10.25207/1608-6228-2022-29-5-44-62
Поступила 12.05.2022
Принята после доработки 17.08.2022
Опубликована 28.10.2022
ASSESSMENT OF RELATIVE RISK FOR PERIODONTITIS PROGRESSION USING NEURAL NETWORK MODELING: COHORT RETROSPECTIVE STUDY
Marina D. Perova1*, Dina D. Samochvalova1, Aleksan A. Khalafyan2, Vera A. Akinshina2
1Kuban State Medical University
Mitrofanа Sedina str., 4, Krasnodar, 350063, Russia
2Kuban State University
Stavropolskaya str., 149, Krasnodar, 350040, Russia ABSTRACT
Background. Currently accepted risk assessments of periodontitis progression are determinants of indirect stability: periodontal pockets, persistent bleeding of the gums, tooth mobility,
local risk factors. In the era of case-oriented medicine, a relevant solution would be to choose periodontal therapy according to one-time consideration of the maximum available range of individual risk factors rather than on general clinical guidelines.
Objectives. The study was aimed at determining the relative risk of periodontitis progression after active basic therapy using neural network modeling.
Methods. A cohort retrospective study was performed on 109 patients of both sexes, aged 30 to 70 years, after basic treatment of chronic periodontitis (mild, moderate and severe) in the period from 1999 to 2016, who were on supportive periodontal therapy (SPT) for 5 years <SPT< 20 years. The authors considered data from objective examination of the periodontium and categorical indices (24 in total) assessed before treatment, 4-6 months after basic (active) treatment and 5 years <SPT< 20 years. Following the analysis of descriptive statistics, target quantitative indices were determined for prognostic modeling of treatment outcomes in periodontitis patients and calculating the residual risk of disease progression. Statistical processing of obtained data was carried out using the Statistica 13.3 package (Tibco, USA). Mean values of the indicators at different time points were compared by means of Wilcoxon's and Signs criteria; Spearman's rank correlation coefficient was used to evaluate relevance between predictors and target indicators. The level of statistical significance p = 0.05 was accepted in all cases of analysis. DataMining, an automated neural network of Statistica software, was used as a tool to build neural network models. The task of classifying the level of risk of disease progression was solved by means of ROC analysis. The prognostic potential of the model was assessed using sensitivity and specificity measures.
Results. The heterogeneous dynamics of predictor variables describing the state of the periodontium was determined. The outcomes of regenerative periodontal surgery, regardless of gender, age of patients and comorbidities, significantly outperformed those of other approaches, due to the formation of a new dentogingival attachment, although to different extent. Another positive functional outcome was recorded in restoring the dentition integrity by implantation, without any mutually damaging effects. Since revealing the interrelationships between indicators is not equivalent to the predictive value, prognostic models were built for target indicators and stratification of the relative risk of periodontitis progression using automated neural networks. The networks with the best prognostic properties were selected out of 1000 automatically built and trained neural networks — double-layer perceptrons. The sensitivity of the relative risk prognostic model on the training, control and test samples made up 90%, 67%, 80%; the specificity of the model made up 81.481%, 85.714%, 100%. Overall, in the cohort, the sensitivity and specificity accounted for 85.937% and 86.666%. The area under the curve (ROC AUC) is 0.859.
Conclusion. The use of an artificial intelligence algorithm for the construction of neural networks for target predictors and stratification of the relative risk of periodontitis progression has advantages over classical methods — it is instrumental in solving classification and regression problems with categorical and quantitative predictor variables using data of arbitrary nature of large and small volumes. The practical implementation of the study results is reflected in the development of a relative risk calculator based on a written computer program.
Keywords: periodontitis, relative risk, prognostic models, artificial neural network, supportive periodontal therapy
Conflicts of Interest: The authors declare no conflict of interest.
For citation: Perova M.D., Samochvalova D.D., Khalafyan A.A., Akinshina V.A. Assessment of Relative Risk for Periodontitis Progression Using Neural Network Modeling: Cohort Retrospective Study. Kuban Scientific Medical Bulletin. 2022; 29(5): 44-62. https://doi.org/10.25207/1608-6228-2022-29-5-44-62
Received 12.05.2022 Adopted after revision 17.08.2022 Published 28.10.2022
ВВЕДЕНИЕ
Для определения возможного прогрессирования болезни известны различные методы оценки остаточного риска с профилированием параметров как на уровне зубов (функционально ориентированные группы зубов, витальные зубы или пролеченные эндодонтически, вовлечение фуркационного пространства, наличие периапи-кальных процессов, степень утраты костной опоры, подвижность зубов, количество утраченных зубов), так и на уровне пациента (пол, возраст, статус курения, коморбидные состояния, уровень приверженности к лечению — интервалы между сессиями ППТ) [1-5]. Проведены исследования в поддержку того, в какой степени предопределенная частота сессий ППТ может обеспечить стабильное состояние тканей пародонта в отдаленные сроки; выявлены факторы, влияющие на временную дистанцию и манипуляционную наполненность сессий ППТ [6, 7]. Вместе с тем не устранены разногласия по поводу оптимальных подходов к ППТ из-за трудностей точной диагностики активности заболевания и возможностей прогнозировать разрушительный процесс в опорном аппарате зубов в отдаленные сроки наблюдений за пациентами. При этом важность контроля факторов риска, например путем удаления бактериального налета, над- и поддесневых зубных отложений, широко признана. Поэтому вмешательства сосредоточились в основном на стратегиях улучшения индивидуального гигиенического ухода за деснами и зубами, контроле уровня мотивации и приверженности пациентов к лечению, устранения условий для микробных скоплений и управления рецидивирующими или сохраняющими свою активность очагами заболевания.
К настоящему моменту не определены диагностические параметры адекватности прогноза результатов лечения заболеваний пародонта [8]. В отечественных научных исследованиях мы не встретили расчетов относительного риска прогрессирования пародонтита или возникновения рецидивов после активного пародонталь-ного лечения (АПЛ), что устанавливало бы взаимосвязи рисковых факторов с оптимизацией подходов к ППТ в среднесрочной и долгосрочной перспективе. Анализ иностранной литературы обнаружил неоднородность данных в отношении планирования ППТ, включая определенный набор количественных и качественных показателей на уровне зубов, зубного ряда и уровне пациента в оценках остаточного риска прогрессирования разрушительного процесса в пародонте после АПЛ [9-11].
Другой стороной выявленной проблемы в отношении трактовки результатов АПЛ с по-
мощью нестандартизированных подходов является поиск взаимосвязей между определенными клиническими и (или) иными параметрами с установлением их прогностической ценности для возможности стратификации риска про-грессирования или рецидива пародонтита. При этом не следует недооценивать тот факт, что при постановке задач исследователь всегда имеет определенную степень предвзятости, опираясь на ранее запрограммированные инструкции при оптимизации прогнозов. В этой связи представляется актуальным использование возможностей искусственного интеллекта, который поможет обеспечить процесс автоматизированного обнаружения закономерностей при взаимодействии разнородных данных с непрозрачным алгоритмом.
Цель исследования — определить относительный риск прогрессирования хронического генерализованного пародонтита или рецидива после активной пародонтальной терапии путем построения и анализа прогностических нейросе-тевых моделей.
МЕТОДЫ
Дизайн исследования
Реализация поставленной цели была достигнута на основании данных продольного ретроспективного когортного исследования.
Условия проведения исследования
Отбор первичного материала для исследования проведен на базах государственного бюджетного учреждения здравоохранения «Краевая клиническая стоматологическая поликлиника» Министерства здравоохранения Краснодарского края, государственного бюджетного учреждения здравоохранения «Стоматологическая поликлиника № 3» Министерства здравоохранения Краснодарского края и «Стоматология» ООО «Каста» (г. Таганрог). Исследователи были предварительно обучены методике сбора информации: оценке дневниковых записей в медкартах пациентов, анализу данных рентгенограмм, изучению уровня комплаентности пациентов в ходе ППТ и сведению полученных данных в единую таблицу для статистической обработки. В ходе исследования была изучена деперсонализированная медицинская документация (медицинские карты амбулаторного пациента, рентгенограммы зубов и челюстно-лицевой области) в соответствии с протоколом исследования у прошедших базовое АПЛ в период с 1999 по 2016 год и находящихся на поддерживающей пародонтальной терапии в сроки 5 лет < ППТ < 20 лет.
Критерии соответствия Критерии включения
Взрослые пациенты обоего пола, возраст от 30 до 70 лет, независимо от статуса курения и наличия коморбидной патологии, после АПЛ разными известными методами по поводу хронического генерализованного пародонтита легкой, средней и тяжелой степени (К05.3 — классификация МКБ-10), зубопротезирование которым осуществлено съемными и несъемными конструкциями, включая применение дентальных имплантатов, и находившихся на поддерживающей терапии в течение 5 лет < ППТ < 20 лет.
Критерии невключения
Агрессивный пародонтит. Пациенты, в медицинских картах которых отсутствует необходимая для анализа информация.
Критерии исключения
На протяжении исследования не было случаев исключения информации медкарт из анализа.
Описание критериев соответствия
Первичный материал в виде единой базы данных для исследования был структурирован на категориальные и количественные переменные (предикторы). Категориальные показатели включали пол, возрастную группу, наличие ко-морбидных состояний, статус курения, диагноз, вид АПЛ. Количественные переменные: данные объективного клинического состояния полости рта включали показатели, зафиксированные в медицинской документации, для проведения сравнительной оценки в отдаленные сроки исследования.
Подбор участников в группы
Предварительный анализ данных 236 медицинских карт пациентов хроническим генерализованным пародонтитом после проведенного базового АПЛ показал, что только 46,2% просмотренных медкарт — 109 пациентов — соответствуют критериям включения и могут быть использованы в итоговом анализе исследовательской когорты.
Целевые показатели исследования Основной показатель исследования
Основной конечной точкой исследования явилось определение уровня относительного риска прогрессирования пародонтита или рецидива патологического процесса в опорном аппарате зубов со стратификацией на низкий и высокий у пациентов в отдаленном периоде наблюдений.
Дополнительные показатели исследования
Целевыми для построения прогностических моделей были выбраны клинические показатели у пациентов, находящихся на ППТ в сроки от 5 до 20 лет. Это индекс налета (ИН**), число сохраненных в полости рта зубов (ЧСЗ**), число зубов, имеющих глубину поддесневого зондирования менее 4 мм (ГЗ1**), и процент зубов с симптомом кровоточивости десен (% Крзубы**).
Методы измерения целевых показателей
Каждому пациенту определен индекс налета, ИН (Green — Vermillion, OHI-S); число сохраненных зубов, ЧСЗ (расчет от 28 зубов, третьи моляры не учитывались); количество зубов с глубиной поддесневого зондирования менее 4 мм, ГЗ1 (градуированный пародонтальный зонд использовали без давления на инструмент); процент зубов, имеющих симптом кровоточивости десен, %Крзубы (в группе моляров измерения проводили в 6 точках; в остальных группах зубов — в 4 точках; оценка появления крови через 30'' после удаления зонда).
Исходы лечения стандартизированно оценивали в среднесрочной и долгосрочной перспективе — 5 лет < ППТ < 20 лет на момент зафиксированной в медкарте последней сессии ППТ.
Переменные (предикторы, конфаундеры, модификаторы эффекта)
Категориальные предикторные показатели
Пол (муж., жен.); возрастные группы: 1) 3054 года, 2) 55-70 лет; принадлежность к курению (да, нет); наличие общих соматических заболеваний, ОСЗ (да, нет); направленность АПЛ (консервативная терапия, резекционное хирургическое лечение и регенеративное хирургическое лечение); диагноз хронического генерализованного пародонтита в градациях — легкой, средней и тяжелой степени; степени стратификации риска на низкий и высокий.
Количественные предикторные показатели
Клинические показатели, используемые в структуре прогностических нейросетевых моделей: ИН — индекс налета; ЧСЗ — число сохраненных зубов; ГЗ1 (<4 мм) — глубина поддесневого зондирования; ГЗ2 (4-6 мм); ГЗ3 (>6 мм); %Крзубы — процент зубов, имеющих симптом кровоточивости десен; i — количество дентальных имплантатов в полости рта; га., — количество дентальных имплантатов с глубиной зондирования околоимплантатной десневой манжетки
< 3 мм; ГЗ12 — количество дентальных имплан-татов с глубиной зондирования околоимплантат-ной десневой манжетки > 3 мм; Kpi — число дентальных имплантатов, имеющих кровоточивость околоимплантатной десневой манжетки.
Статистические процедуры Принципы расчета размера выборки
Размер выборки предварительно не рассчитывали.
Статистические методы
Статистическая обработка полученных данных проведена посредством статистического пакета Statistica 13.3 (Tibco, USA): для количественных показателей вычислены центральная тенденция (медиана), вариационные статистики (квартили, стандартное отклонение), статистики диапазона (минимальное, максимальное значения). Поскольку анализ количественных показателей установил несоответствие их распределения нормальному закону, для их сравнения были применены непараметрические критерии. Сравнение средних значений показателей в различные периоды наблюдений проводили с помощью критерия Вилкоксона и критерия знаков; для оценки наличия и силы взаимосвязей между предикторными и целевыми показателями использовали коэффициент ранговой корреляции Спирмена. Во всех случаях статистического анализа принят уровень статистической значимости р = 0,05.
В качестве инструментария построения ней-росетевых моделей использовали автоматизированные нейронные сети DATAMINING программы STATISTICA1 (Tibco, USA) [12]. Согласно алгоритму построения прогностических нейросе-тевых моделей датчиком случайных чисел сформированную когорту делили на обучающую, контрольную и тестовую выборки. Для оценки качества нейросетей по их способности к прогнозированию количественных целевых показателей использовали производительность сети как значение коэффициента корреляции между исходными и прогнозными значениями показателей, дополнительно определяли средний абсолютный остаток как среднюю абсолютную разницу между целевыми показателями и значениями, предсказанными сетью. Для оценки качества ней-росетей по их способности к прогнозированию категориального целевого показателя — степени риска прогрессирования пародонтита и (или) появления рецидива патологического процесса применили производительность сети как долю
правильно классифицированных сетью случаев высокого и низкого риска.
Ключевой метрикой оценки предиктивной силы итоговой модели для решения задачи классификации остаточного риска является ROC AUC анализ. Метрика AUC — это площадь покрытия пространства под ROC-кривой, представляющей график взаимодействия двух параметров: истинно положительных и ложноположительных результатов классификации. Задача бинарной классификации решается максимизированием этой метрики. Предсказательную силу модели также оценивали при помощи показателей чувствительности и специфичности.
РЕЗУЛЬТАТЫ
Формирование выборки исследования
Формирование когорты, представленное на рисунке 1, проведено согласно критериям включения и невключения в ретроспективное когорт-ное исследование, медицинских карт пациентов хроническим генерализованным пародонтитом после базового (активного) лечения и находившихся на поддерживающей пародонтальной терапии 5 лет < ППТ < 20 лет.
Характеристики выборки (групп) исследования
Когорта для исследования включала медицинскую документацию 109 пациентов, результаты лечения которых были оценены в возрастных группах: 30-54 года — 66 чел. (60,5%) и 55-70 лет — 43 чел. (39,5%); лечение пациентов хроническим генерализованным пародон-титом было проведено 26 чел. (23,8%) с легкой степенью процесса, 52 чел. (48%) — со средней степенью и 31 чел. (28,2%) — с тяжелой степенью; у 56 мужчин (51,4%) и 53 женщин (48,6%); наличием ОСЗ (коморбидных состояний) — 45 чел. (41,3%) и у длительно и много курящих — 17 чел. (15,6%). Все пациенты получили базовое активное пародонтальное лечение: 39 пациентам (35,8%) проведено только консервативное (терапевтическое) лечение, 13 пациентам (11,9%) — консервативное лечение, дополненное лоскутной (резекционной) хирургией тканей пародонта, 57 пациентам (52,3%) проведено хирургическое лечение с регенеративной направленностью.
Основные результаты исследования
Описательные статистики динамики количественных показателей, отражающих состояние тканей пародонта в когорте при первичном
1 Халафян А.А. Методы машинного обучения в DataMining пакета STATISTICA: учебное пособие для вузов. М: Научно-техническое издательство «Горячая линия — Телеком», 2022. 260 с.
Рис. 1. Дизайн ретроспективного когортного продольного исследования.
Примечание: МК — медицинская карта амбулаторного пациента; АПЛ — активное пародонтальное лечение; ППТ — поддерживающая пародонтальная терапия. Fig. 1. Design of retrospective cohort longitudinal study.
Note: MK — Outpatient Medical Record (OMR); АПЛ — Active Periodontal Treatment (APT); ППТ — Supportive Periodontal Therapy (SPT)
обращении, через 4-6 месяцев после базового АПЛ и в отдаленном периоде — 5 лет < ППТ < 20 лет, сведены в таблицы 1 и 2. Основные изменения в опорном аппарате зубов в сроки наблюдений обсуждены в следующем разделе.
До построения прогностических нейросете-вых моделей предварительно исследовали наличие и силу взаимосвязи целевых показателей с категориальными и количественными предикторами. Как видно из таблицы 3, целевой показатель ЧСЗ** имеет статистически значимую сильную корреляционную связь с количеством оставшихся в полости рта зубов, в области которых произошло существенное уменьшение пародонтальных карманов после базового активного лечения. Обратная корреляционная зависимость умеренной силы выявлена между ЧСЗ** и остаточными пародонтальными карманами, что отражают показатели ГЗ2 и ГЗ3. Активность воспалительно-деструктивного процесса в пародонте (%Крзубы**) оказалась умеренно зависимой от возраста и наличия у пациентов коморбидных состояний. Неожиданным было отсутствие статистически значимой связи целевых и предикторных переменных с курением и полом.
Таким образом, выявление взаимосвязей клинических переменных, иногда неявных, но с возможным влиянием на прогрессирование патологического процесса в пародонте, обусловило перспективность построения прогностических моделей с помощью искусственных нейронных сетей, поскольку наличие указанных взаимосвязей не ставит знака равенства с прогностической ценностью.
Датчиком случайных чисел когорта была разделена на обучающую выборку — 77 пациентов, контрольную и тестовую выборку по 16 пациентов. Обучающая выборка использовалась для обучения сети, контрольная — для проверки ее производительности во время обучения, тестовая — для выполнения финальных проверочных тестов, чтобы определить, насколько хорошо сеть прогнозирует «новые» данные, которые не использовались ни для обучения модели, ни для проверки ее производительности при обучении. Из 1000 автоматически построенных и обученных нейронных сетей — двухслойных персептронов для целевых показателей ИН**, ЧСЗ**, ГЗ1** были выбраны однотипные сети MLP 24-5-1 с наилучшими прогностическими свойствами, определяемыми их производи-
Таблица 1. Описательные статистики показателей до и после АПЛ Table 1. Comparison of average values of indicators before and after APT
Предик-торные переменные Среднее значение Медиана Минимальное значение Макси-маль- ное значение Нижняя квартиль Верхняя квартиль Среднее квадратиче-ское отклонение р-уровень
по критерию знаков по Вилкоксону
ИН 1,968 1,940 0,340 2,850 1,720 2,350 0,524 0,000 0,000
ИН* 0,723 0,520 0,230 2,360 0,410 0,980 0,511
ЧСЗ 26,248 24,000 20,000 27,000 23,000 26,000 2,396 0,000 0,000
ЧСЗ* 22,128 24,000 19,000 27,000 22,500 26,000 2,805
ГЗ1 16,398 19,000 16,000 27,000 10,000 23,000 7,417 0,004 0,003
ГЗ1* 18,750 21,000 0,000 23,000 15,000 24,000 7,331
ГЗ2 5,370 4,000 0,000 19,000 3,000 6,500 4,240 0,000 0,000
ГЗ2* 2,639 2,000 0,000 13,000 0,000 5,000 2,969
ГЗ3 2,491 1,000 0,000 8,000 0,000 5,500 2,719 0,000 0,000
ГЗз* 1,056 0,000 0,000 7,000 0,000 2,000 1,707
%Крзубы 27,752 24,145 7,640 54,630 21,050 34,730 10,574 0,000 0,000
%Кр б * "зубы 11,264 8,195 4,220 48,050 7,070 11,810 8,515
i 0,593 0,000 0,000 6,000 0,000 1,000 1,168 0,000 0,000
i* 2,380 2,000 0,000 7,000 0,000 4,000 2,258
r3i1 0,296 0,000 0,000 6,000 0,000 0,000 0,899 0,000 0,000
r3i1* 2,287 2,000 0,000 6,000 0,000 4,000 2,179
r3i2 0,278 0,000 0,000 3,000 0,000 0,000 0,695 0,153 0,026
r3i2* 0,111 0,000 0,000 3,000 0,000 0,000 0,418
Kpi 0,259 0,000 0,000 2,000 0,000 0,000 0,617 0,006 0,001
Kpi* 0,037 0,000 0,000 1,000 0,000 0,000 0,190
Примечание: значения показателей, помеченные звездочкой, соответствуют клиническому состоянию после проведенной активной пародонтальной терапии в сроки от 4 до 6 месяцев.
Note: the values of the indicators marked with an asterisk correspond to the clinical condition after active periodontal therapy, in the interval from 4 months to 6 months.
Таблица 2. Описательные статистики показателей после АПЛ и в отдаленные сроки Table 2. Comparison of average values of indicators after APT and in the SPT period
Предик-торные переменные Среднее значение Медиана Мини-маль- ное значение Максимальное значение Нижняя квартиль Верхняя квартиль Среднее квадра-тическое отклонение р-уровень
по критерию знаков по Вилкоксону
ИН* 0,723 0,520 0,230 2,360 0,410 0,980 0,511 0,002 0,030
ИН** 0,805 0,511 0,250 1,604 0,410 0,960 0,409
ЧСЗ* 24,128 24,000 20,000 26,000 22,500 26,000 2,805 0,006 0,011
ЧСЗ** 21,596 23,000 18,000 25,000 20,000 24,000 3,266
ГЗ 1* 18,750 21,000 16,000 27,000 15,000 24,000 7,331 0,000 0,000
ГЗ1** 18,743 21,000 16,000 27,000 15,000 24,000 7,297
ГЗ 2* 2,639 2,000 0,000 13,000 0,000 5,000 2,969 0,396 0,372
ГЗ 2** 2,661 2,000 0,000 13,000 0,000 5,000 2,963
ГЗ 3* 1,056 0,000 0,000 7,000 0,000 2,000 1,707 0,009 0,003
ГЗ 3** 1,046 0,000 0,000 7,000 0,000 2,000 1,702
%КРзубы* 11,264 8,195 4,220 48,050 7,070 11,810 8,515 0,000 0,000
%КРзубы** 11,311 8,230 4,220 48,050 7,110 11,810 8,489
i* 2,380 2,000 0,000 7,000 0,000 4,000 2,258 0,002 0,005
i** 2,358 2,000 0,000 7,000 0,000 4,000 2,259
Продолжение табл. 2 Table 2 continuation
Предик-торные переменные Среднее значение Медиана Мини-маль- ное значение Максимальное значение Нижняя квартиль Верхняя квартиль Среднее квадра-тическое отклонение р-уровень
по критерию знаков по Вилкок-сону
ГЗ1 1* 2,287 2,000 0,000 6,000 0,000 4,000 2,179 0,014 0,026
ГЗ| i** 2,266 2,000 0,000 6,000 0,000 4,000 2,180
r3i 2* 0,111 0,000 0,000 3,000 0,000 0,000 0,418 0,149 0,077
Гз i 2** 0,110 0,000 0,000 3,000 0,000 0,000 0,416
Kpi* 0,037 0,000 0,000 1,000 0,000 0,000 0,190 1,000 0,767
Kpi** 0,044 0,000 0,000 1,000 0,000 0,000 0,189
Примечание: * — клинические показатели после АПЛ; ** — клинические показатели в сроки 5 лет < ППТ < 20 лет. Уровни значимости р округлены до 3-го знака после запятой. Различия значимы при p < 0,05. Note: * — after APT; ** — clinical indicators within 5 years < SPT < 20 years. The significance levels of p are round to the nearest three decimal places. The differences are significant at p < 0.05.
Таблица 3. Результаты корреляционного анализа взаимосвязи категориальных значений, целевых и предикторных переменных
Table 3. Results of correlation analysis of the interrelation between categorical values, target and predictor variables
Предикторные переменные Ранговые корреляции Спирмена (г)
Целевые показатели
ИН** ЧСЗ** ГЗ** % Кр (зубы)** Риск
Пол -0,062 0,152 0,092 -0,112 -0,004
Возрастная группа 0,065 -0,433 -0,402 0,127 0,410
Курение -0,072 -0,028 -0,025 -0,029 0,050
ОСЗ -0,226 0,440 0,421 -0,189 -0,363
АПЛ -0,371 0,075 0,302 -0,492 -0,425
Диагноз 0,185 -0,697 -0,621 0,187 0,461
ИН 0,434 -0,367 -0,490 0,416 0,411
ЧСЗ -0,243 0,880 0,709 -0,269 -0,388
ГЗ1 -0,331 0,877 0,816 -0,362 -0,524
ГЗ2 0,292 -0,561 -0,642 0,384 0,520
ГЗЗ 0,346 -0,654 -0,591 0,179 0,345
% Кр (зубы) 0,306 -0,313 -0,437 0,531 0,413
i -0,322 -0,028 0,150 -0,188 -0,198
^¡1 -0,333 -0,018 0,164 -0,193 -0,243
-0,001 -0,013 -0,022 -0,026 0,236
-0,068 0,115 0,123 -0,030 0,144
Примечание: 1. Отмеченные жирным коэффициенты корреляции значимы на уровне p < 0,05. 2. Если коэффициент корреляции вычислен для количественных показателей, то знак (+) означает, что увеличение одного показателя ведет к увеличению другого, знак (-) означает, что увеличение одного показателя ведет к уменьшению другого. Если один из показателей (или оба) категориальный, то знаки не следует интерпретировать. Note: 1. Bolded correlation coefficients are significant at p < 0.05. 2. If the correlation coefficient is calculated for quantitative indicators, then the sign (+) means that an increase in one indicator leads to an increase in the other one, the sign (-) means that an increase in one indicator leads to a decrease in the other one. If one of the indicators (or both) is categorical, the signs should not be interpreted.
тельностями: коэффициентом корреляции (г) исходных значений показателя с предсказанными сетью значениями на обучающей, контрольной и тестовой выборках. Первое число в обозначении сети указывает на количество входных нейронов, которое определяется суммой количества непрерывных показателей — 10 и суммарным
количеством значений, которые принимают категориальные показатели: пол (2), возрастная группа (2), курение (2), ОСЗ (2), АПЛ (3), диагноз (3) — 14, в сумме получаем 10 + 14 = 24. Второе и третье — число скрытых и выходных нейронов в модели, которое соответствует количеству прогнозируемых значений количественного показа-
Рис. 2. Архитектура нейронной сети для MLP 24-5-1.
Примечание:1 Нейронная сеть MLP 24-5-1 содержит 3 слоя: промежуточный слой Yj содержит 5 скрытых нейронов; первый слой Xi состоит из 24 нейронов, соответствующих входным количественным показателям и категориальным значениям, третий слой включает 1 нейрон, прогнозирующий значение ИН**. 2 Первое число в обозначении сети указывает на число входных нейронов, которое определяется суммой предикторных показателей — 10 и количеством значений, которые принимают категориальные показатели: пол (2), возрастная группа (2), курение (2), коморбидные состояния, ОСЗ (2), АПЛ (3), диагноз (3) — 14: получается 10 + 14 = 24. Второе и третье число — количество скрытых и выходных нейронов, соответствующее количеству прогнозируемых значений предикторов, в данном случае для ИН**.
Fig. 2. Neural Network Architecture for MLP 24-5-1.
Notes:1 The MLP neural network 24-5-1 contains 3 layers: the intermediate layer Yj contains 5 hidden neurons; the first layer Xi consists of 24 neurons corresponding to the input quantitative indicators and categorical values, the third layer includes 1 neuron predicting the value ИН**.2 The first number in the network designation indicates the number of input neurons, which is determined by the sum of predicted indicators — 10 and the number of values that categorical indicators take: gender (2), age group (2), smoking (2), comorbid conditions, general somatic diseases, ОСЗ (2), Active Periodontal Treatment, АПЛ (3), diagnosis (3) — 14: therefore, 10+14=24. The second and third number is the number of hidden and output neurons corresponding to the number of prognostic predictor values, in this case for ИН**.
теля для каждого больного — 1. Для прогнозирования %Крзубы** выбрана сеть MLP 24-14-1.
На рисунке 2 изображена архитектура нейро-сети MLP 24-5-1 для целевого показателя ИН* * Соответствия между предсказанными сетью и исходными значениями целевой переменной ИН** наглядно представлены на диаграммах рассеяния для каждой выборки (рис. 3). Координаты точек (значения показателей) по горизонтальной и вертикальной осям соответствуют исходному и предсказанному значениям целевой переменной. Чем выше корреляционная связь, тем ближе точки расположены к линии регрессии.
На графиках видно, что точки, соответствующие исходным и прогнозным значениям ИН**, расположены наиболее плотно к линии регрессии в обучающей выборке (г = 0,986), несколько дальше расположены точки для контрольной выборки (г = 0,794) и чуть плотнее для тестовой выборки (г = 0,872). Аналогичным образом ведут себя средние значения абсолютных разностей исходных и прогнозных значений (ДЬРеэ), которые для обучающей, контрольной и тестовой выборок приняли соответственно значения 0,121; 0,438; 0,283. Показатели адекватности построенных прогностических моделей для количественных
Выборка: Тестовая
Выборка: Обучающая, Контрольная, Тестовая
&
«
c>
о
° n
о
В
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9' 1,0 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 ИН** исходное
2.8
1,6
0
О s*f
§
ГЖ о
о
0 e О 0 о
0
0,0
0,2 0,4 0,6 0,8 1,0 1,2 1,4 1г6 1,8 2,0 2,2 2,4 2,6 ИН" исходное
Рис. 3. А-Г: диаграммы рассеяния исходных и предсказанных значений ИН** для обучающей, контрольной и тестовой выборок и в когорте.
Fig. 3. A-Г: Scatter graphs of initial and predicted ИН** values for training, control and test samples and in cohort.
Таблица 4. Сравнительные параметры построенных нейронных сетей для целевых показателей Table 4. Comparison of built neural networks for target indicators
1 » Обучающая выборка Контрольная выборка Тестовая выборка мя Функция ошибки (сумма квадратов) Функция активации нейронов скрытого слоя Функция активации выходного слоя
s 5 и H производительность AbRes производитель-ность AbRes производитель-ность AbRes Алгорит обучени
MLP 24-5-1 для ИН *** Ü,9B6 Ü,121 Ü,794 Ü,43B Ü,B72 Ü,2B3 BFGS 45 SOS Tanh Identity
MLP 24-5-1 для ЧСЗ *"* Ü,993 Ü,ÜÜ9 Ü,976 Ü,Ü13 Ü,964 Ü,Ü27 BFGS 44 SOS Exponential Tanh
MLP 24-5-1 для ГЗ1 *** Ü,925 Ü,155 Ü,B5B Ü,Ü9 Ü,976 Ü,Ü72 BFGS 13 SOS Tanh Tanh
MLP 24-14-1 для %КР зубы ^ Ü,935 Ü,2Ü7 Ü,BB5 Ü,295 Ü,94 Ü,2BB BFGS 13 SOS Tanh Logistic
целевых показателей и параметры сетей отображены в таблице 4.
Сравнительная оценка значений критериев адекватности построенных нейросетей позволила распределить сети по убыванию их предсказа-
тельных способностей в следующей последовательности: I. MLP 24-5-1 прогнозирование ЧСЗ**; II. MLP 24-5-1 прогнозирование ГЗ1**; III. MLP 24-
14-1 прогнозирование %Кр, прогнозирование ИН**.
зубы
IV. MLP 24-5-1
Таблица 5. Параметры нейронной сети для прогнозирования степени риска прогрессирования пародонтита
Table 5. Neural network parameters for predicting the risk of periodontitis progression
Топология Обучающая произв. Контрольная произв. Тестовая произв. Алгоритм обучения Функция ошибки Функция активации нейронов скрытого слоя Функция активации выходного слоя
MLP 24-11-2 87,013 75,000 93,75 BFGS 6 SOS Logistic Tanh
Из 1000 автоматически построенных и обученных нейронных сетей — двухслойных персептро-нов для категориального целевого показателя риска прогрессирования пародонтита была выбрана сеть MLP 24-11-2 (табл. 5) с наилучшими прогностическими свойствами, определяемыми их производительностями — долями правильно классифицированных больных по группам риска (низкий, высокий). Доли правильной классификации пациентов в обучающей, контрольной и тестовой выборке достигли соответственно 87,013; 75,000 и 93,750%.
Таблица 6 демонстрирует распределение долей правильной и неправильной классификации пациентов по группам риска — высокий, низкий, в трех выборках. В обучающей выборке из 50 пациентов группы высокого риска 45 (90%) правильно отнесены сетью к данной группе, 5 (10%) ошибочно отнесены к группе низкого риска. Из 27 пациентов группы низкого риска 22 (81,481%) правильно отнесены к данной группе; 5 (18,519%) ошибочно отнесены к группе высокого риска. Общая точность классификации (производительность сети) на обучающей выборке составила 87,013%.
Так как определенный практический интерес представляет прогнозирование принадлежности пациентов к группе высокого риска, то правильную идентификацию больного высокого риска можно считать истинно положительной классификацией, а ошибочную идентификацию пациента низкого риска — считать ложноположи-тельной классификацией. Такое предположение позволяет применить анализ чувствительности и специфичности разработанных нейросете-вых моделей. По таблице 6 легко определить, что чувствительность разработанной нейросе-тевой модели прогнозирования риска на обучающей, контрольной и тестовой выборках равна соответственно 90, 67, 80%. Специфичность модели на обучающей, контрольной и тестовой выборках равна соответственно 81,481, 85,714, 100%. Для всей когорты больных чувствительность и специфичность составили 85,937 и 86,666%.
Таблица 6. Результаты прогнозирования степени риска прогрессирования пародонтита на обучающей, контрольной и тестовой выборках Table 6. Results of prediction of risk for periodontitis progression for training, control and test samples
Обучающая выборка
Высокий Низкий Все
Все 50 27 77
Правильно 45 22 67
Неправильно 5 5 10
Правильно (%) 90 81,481 87,013
Неправильно (%) 10 18,519 12,987
Контрольная выборка
Высокий Низкий Все
Все 9 7 16
Правильно 6 6 12
Неправильно 3 1 4
Правильно (%) 66,666 85,714 75
Неправильно (%) 33,334 14,286 25
Тестовая выборка
Высокий Низкий Все
Все 5 11 16
Правильно 4 11 15
Неправильно 1 0 1
Правильно (%) 80 100 93,75
Неправильно (%) 20 0 6,25
Выборки: Обучающая, Контрольная, Тестовая
г1 j
г
_г
0,0 0,2 0,4 0,6 0,3 1,0
1 -Специфичность Сложно положительные)
Рис. 4. Кривая ROC анализа для всех выборок. Fig. 4. ROC curve for all samples.
На рисунке 4 приведена кривая ROC AUC анализа зависимости чувствительности и специфичности модели для рабочей когорты. Площадь под кривой служит дополнительным критерием качества модели, максимальное значение которой, равное 1, достигается при равенстве чувствительности и специфичности модели 100%. Площадь под кривой равна 0,859.
Дополнительные результаты исследования
По разработанным моделям на языке с# (си шарп) написана программа для определения степени риска прогрессирования воспалительно-деструктивного процесса в опорном аппарате зубов для выбора врачом оптимального подхода к поддерживающему пародонтальному лечению в отдаленном периоде наблюдений (Свидетельство о регистрации программы для ЭВМ № 2022661003, дата государственной регистрации в Реестре программ для ЭВМ — 14 июля 2022 года).
На примере пациента из исследуемой когорты показана возможность реализации программы в клинической практике в виде калькулятора расчета рисков (рис. 5).
ОБСУЖДЕНИЕ
Резюме основного результата исследования
В настоящем исследовании определена взаимосвязь клинических предикторных переменных,
категориальных значений с исходными целевыми показателями у пациентов с хроническим генерализованным пародонтитом для построения прогностических нейросетевых моделей относительного риска прогрессирования или рецидива патологического процесса в опорном аппарате зубов у пациентов, находящихся на ППТ. Принципиальная возможность определения степени риска с учетом идентифицированных детерминант позволит индивидуализировать лечение пациентов с пародонтитом и адекватно планировать манипуляционную наполненность сессий ППТ.
Ограничения исследования
Мы столкнулись с очевидными трудностями формирования ретроспективной когорты из-за обилия разнородных данных дневниковых записей врачей (отсутствие четких критериев выбора лечения пародонтита, адекватности и полноты проведения лечебных мероприятий, а также оценки полученных результатов). Поскольку ведением пациентов с проблемами опорного аппарата зубов в отсутствие врачебной специальности «врач-пародонтолог» занимаются врачи разных специализаций (стоматологи-терапевты, хирургии, стоматологи общей практики, а также средний медперсонал — гигиенисты стоматологические), не исключено влияние на обобщаемость разработанной прогнозной модели.
Рис. 5. Пример реализации программы для прогнозирования остаточного риска прогрессирования пародонтита.
Fig. 5. Sample program realization for prediction of residual risk for periodontitis progression.
Интерпретация результатов исследования
Выбор ретроспективного дизайна исследования обусловлен известной со времен Гиппократа данностью, что «построение прогнозов требует знаний прошлого и настоящего». Особо сложным для практикующего врача представляется выявление клинических предикторов и связанных с ними воздействий между несколькими потенциальными факторами риска прогрессирования или рецидива патологического процесса в паро-донте в периоде поддерживающей терапии [10, 11]. В работе осуществлена попытка создать прототип оценки остаточного риска, обусловленного отбором клинических количественных переменных, дискретизацией категориальных (качественных) показателей и поведенческих воздействий, а также примененных методов активного пародонтального лечения с целью предотвращения проблем с опорным аппаратом зубов в отдаленные сроки наблюдений — 5 лет < ППТ < 20 лет.
Важным исходом АПЛ явилось увеличение среднего числа зубов, имеющих глубину зондирования менее 4 мм (ГЗ1) — с 16,398 зуба ± 7,417 мм (m ± SD) до 18,750 зуба ± 7,331 мм (m ± SD) при p = 0,004 (по критерию знаков), что указывает на уменьшение глубины пародонтальных карманов за счет формирования структур нового прикрепления и частичной ретракции десневого края (табл. 1 и 2). Отмечено повышение качества ухода за деснами и зубами сразу после АПЛ, однако в отдаленные сроки индекс налета в когорте демонстрировал тенденцию к росту, составив 0,805 ± 0,409 балла (m ± SD) с 0,723 ± 0,511 балла (m ± SD) при p = 0,002. Закономерным эффектом АПЛ явилось редуцирование активности воспаления десны, выраженное снижением процента зубов, имеющих кровоточивость десны при зондировании: с 27,752% (диапазон разброса: min. 7,640%, max. 54,630%) до 11,311% (диапазон разброса: min. 4,220%, max. 48,050%) в отдаленном периоде наблюдений.
В рамках данного исследования была возможность проследить исходы в подгруппах АПЛ пародонтита средней и тяжелой степени после направленной регенерации тканей с разработанной нами совместно с НПО «Экофлон», СПб, отечественной нерезорбируемой ПТФЭ мембраной (20 лет наблюдений). ЧСЗ снизилось в среднем с 24 зубов (диапазон разброса: min. 20 зуб., max. 26 зуб.) до 21 зуба, причем не по причинам, связанным с пародонтитом (диапазон разброса: min. 18 зуб., max. 25 зуб.), в то время как в целом по когорте ЧСЗ** сократилось в среднем с 26 зубов (диапазон разброса: min. 20 зуб., max. 27 зуб.) при р = 0,000 до 21 зуба (диапазон разброса:
min. 18 зуб., max. 25 зуб.) при p = 0,006. Стойкое во времени реконструированное зубодесневое прикрепление обусловило среднее увеличение числа зубов с частично устраненными пародон-тальными карманами (динамика показателя ГЗ1) с 0,1 до 5,3 зуба в сравнении с данными когорты — с 0,3 до 2,3 зуба, тогда как в подгруппах пациентов с консервативным лечением и простой лоскутной хирургией только в 30% случаев наблюдались рецидивы патологического процесса в пародонте в те же сроки. Полученные данные согласуются с общими положениями концепции современной пародонтологии в отношении зависимости периориска от направленности АПЛ [6, 12, 13]. P. Cortelliniatal (2017) также констатировал отсутствие утраты зубов по причинам разрушения пародонта в течение 20 лет наблюдений у пациентов после регенеративных операций [14].
Включением в статистический анализ фактора целостности зубного ряда отмечена взаимосвязь состояния пародонта с присутствием остеоин-тегрированных дентальных имплантатов. Так, количество искусственных опор после лечения в когорте возросло с 0,593 ± 1,168 импл. (m ± SD) до 2,358 ± 2,259 импл. (M ± SD) при p = 0,002 притом, что оценка здорового состояния околоим-плантатной десневой манжетки, определяемая показателем глубины зондирования менее 3 мм (r3i1), демонстрировала высокий уровень функциональности дентальных имплантатов в периоде ППТ: 2,266 ± 2,180 мм (m ± SD), при p = 0,014 (по критерию знаков), при статистически незначимых различиях в оценке кровоточивости (при p = 1,000) и снижении сопротивления зондированию в десне, окружающей искусственные опоры — r3i2 (при p = 0,149). После регенеративного лечения с восстановлением целостности зубных рядов дентальными имплантатами были отмечены положительные эффекты взаимовлияния: в отдаленные сроки число искусственных опорных единиц в среднем на одного пациента составило 5,4 импл. при нормальной глубине зондирования околоимплантатной манжетки (<3 мм) — 5,2 импл., что отражает приемлемую эффективность лечения и полноценность протокола поддерживающей терапии в сроки до 20 лет. Зубы после регенеративного лечения, но в дальнейшем использованные в качестве опорных единиц несъемных и частично съемных зубных протезов, оказались утраченными в долгосрочной перспективе, что отразилось на значениях временных переменных по когорте в целом. Таким образом, появление, но не широкое использование передовых методов лечения болезней пародонта не оправдывает неоптимальный выбор в виде удаления зубов, подходящих
