Clin Oral Investig：决策算法对当前牙周病分类诊断准确性的影响

2018年发布的当前牙周和种植体周围疾病和病症分类代表了牙周病学的重大变化，与1999年的分类相比显示出许多差异。虽然之前的分类系统区分不同类型的牙周炎(慢性、侵袭性)，假设不同的实体，但2018年的分类考虑了过去三十年的科学成就，最终无法证明不同牙周炎条件下不同的病因或发病机制。目前的分类进一步构成了一个复杂的系统，在这个系统中，不同的严重程度被表示出来，包括口袋探测深度和分叉受累等复杂性因素以及预测因素，这些因素在牙周炎的个体预后和风险概况评估中起着至关重要的作用。

此外，该分类将牙周和牙龈健康与疾病区分开来，并区分牙周炎患者不同的牙周状况。为了以简单而经济的方式将新分类及其各种诊断工具应用到临床实践和教育中，Tonetti和Sanz发表了相应的经验决策算法，指导临床医生完成诊断过程，并支持他们确定正确的诊断。这种决策树具有类似流程图的结构，可以理解为基于经验数据的归纳方法，不仅在医学中，而且在机器学习和数据挖掘中都是非常流行的工具。它们通常由根节点和表示对属性的测试的内部节点、描述测试结果的分支以及表示可能的最终决策的叶节点组成。为了评估Tonetti和Sanz发表的决策算法是否能够促进当前分类的实施，作者在随机对照试验中研究了它们对两组不同临床经验(临床第一年或最后一年)的学生的诊断准确性的影响。

材料与方法：将83名不同临床经验水平的学生随机分为对照组和研究组，接受分期和分级矩阵，分为4个亚组。所有病例均通过相应的牙周图、全景X线片和口内照片进行诊断。两人都表现出严重的牙周病(III期，C级)，但根据目前牙周病的分类，在复杂性和表型上有很大差异。对照组获得分类中公布的分期和分级矩阵，而研究组额外获得Tonetti和Sanz公布的决策树。所得资料采用卡方检验、Spearman秩相关及logistic回归进行分析。

表1研究组设计

表2 牙周炎分期(表基于Tonetti[5])病例1用斜体表示，病例2用粗体表示，同一类别用粗体表示

表5 Spearman等级相关系数ρ (p值)统计分析结果(组:A =对照组，B =研究组;(1) =经验不足，(2)=经验丰富

表6 正确诊断的双变量logistic回归分析结果

图1 学生问卷总人数及百分比评估结果

结果：无论临床经验如何，应用该算法均显著提高了分期(p = 0.001*， OR = 4.425)和分级(p < 0.001**， OR = 30.303)的诊断准确率。此外，即使与经验丰富的对照组相比，经验不足的学生使用算法的评分准确率也明显更高(p = 0.020*)。与对照组相比，研究组未观察到对标准程度的影响。

结论：采用现有牙周病分类，该决策算法可提高牙科学生的诊断准确率。所研究的决策算法显著提高了不同经验的牙科学生的诊断准确性，可能对牙周教育有益。

原始出处：

Bumm CV,  Wölfle UC,  Keßler A, Influence of decision-making algorithms on the diagnostic accuracy using the current classification of periodontal diseases-a randomized controlled trial.Clin Oral Investig 2023 Sep 27;