Modelos de estratificación de riesgo basados en aprendizaje automático que incorporan factores de salud sistémica para la identificación de periodontitis clínicamente significativa

Resumen

El presente estudio tuvo como objetivo desarrollar y validar internamente modelos de estratificación de riesgo basados en aprendizaje automático que integraran variables periodontales y sistémicas para identificar pacientes con periodontitis moderada a severa clínicamente significativa, así como evaluar su discriminación, calibración e interpretabilidad clínica. Se realizó un estudio analítico observacional utilizando datos clínicos, radiográficos y sistémicos obtenidos de 268 pacientes sistémicamente comprometidos. Se desarrollaron algoritmos supervisados de aprendizaje automático, incluidos regresión logística, bosque aleatorio y gradient boosting, para clasificar el estado periodontal como un resultado diagnóstico binario. La validación interna se realizó mediante validación cruzada repetida y un conjunto de prueba independiente. El rendimiento de los modelos se evaluó utilizando el área bajo la curva ROC (AUC-ROC), exactitud, sensibilidad, especificidad y puntuación de Brier. Además, se realizaron análisis de calibración y curva de decisión para valorar la confiabilidad y utilidad clínica potencial de los modelos. La interpretabilidad se exploró mediante Shapley Additive Explanations (SHAP). La periodontitis moderada a severa se identificó en el 49.3% de la población estudiada. Entre los modelos evaluados, el clasificador de gradient boosting mostró el mejor rendimiento diagnóstico, con un AUC-ROC de 0.89, exactitud de 83.5%, sensibilidad de 82.4%, especificidad de 84.7% y puntuación de Brier de 0.13. La inclusión de variables sistémicas mejoró la discriminación diagnóstica en comparación con modelos basados únicamente en parámetros periodontales. El análisis SHAP identificó la pérdida de inserción clínica, la profundidad de sondaje periodontal y la duración de la diabetes mellitus como los predictores más influyentes. Los modelos basados en aprendizaje automático demostraron buena discriminación y calibración aceptable para identificar periodontitis moderada a severa en pacientes sistémicamente comprometidos. Estos hallazgos sugieren su posible utilidad como herramientas complementarias de apoyo clínico; sin embargo, se requieren validación externa y estudios prospectivos multicéntricos antes de su aplicación rutinaria.