Resumen

Objetivo: Desarrollar dos algoritmos informáticos automatizados para extraer información de notas clínicas y generar tres cohortes de pacientes (mejoría de la enfermedad, progresión de la enfermedad y sin cambios en la enfermedad) para rastrear el cambio de la enfermedad periodontal (EP) a lo largo del tiempo utilizando registros dentales electrónicos longitudinales ( EDR). Métodos: Realizamos un estudio retrospectivo de 28.908 pacientes que recibieron una evaluación oral completa entre el 1 de enero de 2009 y el 31 de diciembre de 2014, en las clínicas de la Facultad de Odontología de la Universidad de Indiana (IUSD). Utilizamos varias bibliotecas de Python, como Pandas, TensorFlow y PyTorch, y un kit de herramientas de lenguaje natural para desarrollar y probar algoritmos informáticos. Probamos el rendimiento a través de un proceso de revisión manual generando una matriz de confusión. Calculamos la precisión, el recuerdo, la sensibilidad, la especificidad y la exactitud para evaluar el rendimiento de los algoritmos. Finalmente, evaluamos la densidad de los datos EDR longitudinales para los siguientes tiempos de seguimiento: (1) Ninguno; (2) Hasta 5 años; (3) > 5 y ≤ 10 años; y (4) >10 y ≤ 15 años. Resultados: Treinta y cuatro por ciento (n = 9954) de la cohorte del estudio tuvo hasta cinco años de visitas de seguimiento, con un promedio de 2,78 visitas con información de gráficos periodontales. Para los diagnósticos documentados por el médico a partir de las notas clínicas, el 42 % de los pacientes (n = 5562) tenían al menos dos diagnósticos de EP para determinar el cambio de su enfermedad. En esta cohorte, con diagnósticos documentados por médicos, el 72 % de los pacientes (n = 3919) no tuvo un cambio en el estado de la enfermedad entre la primera y la última visita, el estado de la enfermedad de 669 (13 %) pacientes progresó y 589 (11 % ) la enfermedad de los pacientes mejoró. Conclusiones: este estudio demostró la viabilidad de utilizar datos EDR longitudinales para rastrear los cambios de la enfermedad durante 15 años durante el período de estudio de observación. Proporcionamos pasos detallados y algoritmos informáticos para limpiar y preprocesar los datos de EDR y generamos tres cohortes de pacientes. Esta información ahora se puede utilizar para estudiar cursos clínicos utilizando inteligencia artificial y métodos de aprendizaje automático.

Patel, J.S.; Kumar, K.; Zai, A.; Shin, D.; Willis, L.; Thyvalikakath, T.P. Developing Automated Computer Algorithms to Track Periodontal Disease Change from Longitudinal Electronic Dental Records. Diagnostics2023, 13, 1028. https://doi.org/10.3390/diagnostics13061028