До идејата дојдовме од еден реален и многу чувствителен проблем во стоматолошката практика. Пациентите со посебни здравствени потреби, како и лицата со изразена дентофобија, односно силен страв од стоматолошки интервенции, често имаат тешкотии при добивањето навремена и соодветна стоматолошка грижа. Кај дел од нив постои намалена можност за соработка, зголемена чувствителност на звуци, допир или други надразнувања, како и претходни негативни искуства од стоматолошки третмани. Поради тоа, лекувањето кај овие лица често се одложува, стоматолошките проблеми се натрупуваат, а подоцнежниот третман станува посложен. Во одредени случаи е потребно интервенциите да се изведуваат и под општа анестезија, што дополнително бара прецизно планирање на стоматолошкиот тим, времето, опремата и другите ресурси.

Истражувањето не е насочено кон заменување на стоматолозите, туку кон развој на алатка што ќе им помогне навреме да ги препознаат пациентите кај кои може да биде потребен посложен пристап. Беа анализирани анонимизирани податоци за 303 пациенти третирани во специјализираниот Универзитетски стоматолошки клинички центар „Св. Пантелејмон“ - Скопје. За секој пациент беа разгледани 23 различни карактеристики, меѓу кои возраста, здравствената состојба, присуството на невроразвојни нарушувања, претходните негативни стоматолошки искуства, стравот кај пациентот и родителот, навиките поврзани со оралното здравје, социо-економските услови и видот и обемот на стоматолошките интервенции.

Новитетот на трудот е во тоа што на едно место ги обединува предикцијата, објаснувањето на резултатите, проверката на правичноста на моделот и практичната поделба на пациентите според ризикот. Предложивме едноставен систем со зелена, жолта и црвена зона. Зелената зона означува понизок ризик, жолтата - среден или недоволно сигурен ризик, а црвената - висок ризик од сложен стоматолошки третман. Во анализираниот пример, 122 пациенти беа распоредени во зелената, 49 во жолтата и 132 во црвената зона.

Испитавме три пристапи на машинско учење: логистичка регресија, случајна шума и XGBoost. Сите модели покажаа добра способност за препознавање на посложените случаи, но како конечен модел ја избравме логистичката регресија. Таа постигна висока предикциска вредност, со ROC-AUC од приближно 0,88, а истовремено беше многу полесна за објаснување од покомплексните модели. Моделот препозна повеќе од 92 проценти од пациентите што спаѓаа во групата со повисока сложеност на третманот. Значајно е што не создадовме таканаречена „црна кутија“, која дава резултат без да објасни како дошла до него. Со примена на методи за објаснива вештачка интелигенција, како SHAP и анализата на важноста на карактеристиките, утврдивме кои фактори најмногу влијаат врз процената. Меѓу најзначајните беа бројот на екстракции на млечни и трајни заби, реставративните интервенции, возраста, присуството на невроразвојни нарушувања и честотата на консумирање јаглехидрати.

По соодветна дополнителна клиничка проверка, ваквиот систем би можел да помогне уште во почетната фаза да се препознаат пациентите кај кои веројатно ќе биде потребен подолг, посложен или третман што бара поголема организација на тимовите и ресурсите. Тоа би овозможило подобро планирање на термините, ангажирање соодветен медицински тим, обезбедување потребна опрема и навремена процена дали е потребна општа анестезија или друг вид специјализирана поддршка. За пациентите и нивните семејства, придобивката би била во подобрата подготовка, пократкото чекање и намалувањето на можноста третманот да биде прекинат или одложен затоа што сложеноста не била навреме препознаена. За здравствените установи, тоа може да значи порационално користење на ресурсите и поефикасна организација на грижата за ранливите категории пациенти. На научен план, трудот покажува дека релативно едноставен и разбирлив модел може да постигне резултати споредливи со посложените алгоритми.

Темата предизвика интерес поради нејзината јасна поврзаност со реалните потреби на пациентите и здравствените установи. Посебно внимание привлече фактот што моделот не дава само процена на ризикот, туку овозможува да се види кои фактори придонеле за конкретниот резултат. Истовремено, беше нагласена потребата ваквите решенија внимателно да се проверуваат во реални клинички услови пред да станат дел од редовната практика.

Истражувањето е дел од активностите на истражувачката група на ФИКТ посветена на примената на вештачката интелигенција во медицината и здравството, чија цел е развивање решенија што истовремено се научно засновани, разбирливи за здравствените професионалци и применливи во реалната клиничка практика. Автори на трудот се Анита Петреска, Јулијана Николовска, Ефка Жабокова Билбилова, Влатко Коколански, Благој Ристевски и Никола Рендевски. Истражувачкиот тим обединува експерти од ФИКТ при УКЛО и од Стоматолошкиот факултет при УКИМ, што е суштински важно бидејќи квалитетните медицински решенија засновани на вештачка интелигенција бараат тесна соработка меѓу информатичарите и здравствените професионалци.

Следните чекори се изработка на регистар/платформа за специјализирани стоматолошки интервенции, со што ќе се прошири истражувањето со поголем број пациенти и податоци од повеќе здравствени установи, развој на модел што ќе користи исклучиво информации достапни пред третманот и споредување на неговите процени со процените на искусни стоматолози и со реалните клинички исходи. Долгорочната цел е да се развие прототип на клинички систем за поддршка при одлучувањето, кој најпрво би бил пилот-тестиран во контролирани услови. Само по успешна надворешна валидација, како и по исполнување на етичките барања и стандардите за заштита на личните податоци, би можело да се размислува за негова поширока практична примена.