„Der Einsatz von KI bietet eine bahnbrechende Chance für die Überwachung der öffentlichen Gesundheit und die Risikostratifizierung, insbesondere im Hinblick auf die Bekämpfung der weltweiten Kariesbelastung“, sagte Hauptautor Fernando Neves Hugo, Leiter des Fachbereichs Epidemiologie und Gesundheitsförderung am NYU College of Dentistry.
„Es handelt sich dabei um leistungsstarke Instrumente, die hilfreich sein können, um Ressourcen gezielt einzusetzen und präventive Maßnahmen für die Gruppen anzubieten, die am meisten davon profitieren.“
Hugo und seine Kollegen wandten verschiedene KI-Modelle auf bestehende Daten einer reprässentativen Studie aus Brasilien an. Insgesamt 23.726 Personen hatten an der Studie im Jahr 2023 teilgenommen, darunter Kinder, Jugendliche und Erwachsene.
Die Studie erfasst auch demografische Daten wie Alter, Geschlecht und ethnische Zugehörigkeit sowie soziale Determinanten, die mit der Mundgesundheit zusammenhängen, wie Wohlstand, Haushaltsdichte, private Zahnversicherung und Wasserquelle sowie Verhaltensweisen, etwa die Zeit seit dem letzten Zahnarztbesuch. Die Teilnehmenden wurden außerdem klinisch untersucht, um die Häufigkeit und den Schweregrad von Karies zu bestimmen.
Mithilfe traditioneller Analysemethoden stellten die Forschenden fest, dass die Mundgesundheit der Bevölkerung ein komplexes Zusammenspiel sozioökonomischer, struktureller und verhaltensbezogener Faktoren widerspiegelt. Wohlstand und Haushaltsdichte erwiesen sich als die stärksten Prädiktoren für das Kariesrisiko.
So besaßen nicht-weiße Bevölkerungsgruppen in allen Altersgruppen ein höheres Kariesrisiko, während eine private Zahnversicherung und kürzlich erfolgte Zahnarztbesuche vor Karies schützten. Auch die Wasserquelle spielte eine entscheidende Rolle: In einer Analyse hatten 62,5 Prozent der 12-Jährigen ohne Zugang zu fluoridiertem Wasser Karies – fast doppelt so viele wie die 35,5 Prozent bei Kindern mit Zugang zu fluoridiertem Wasser.
Anschließend wandten die Wissenschaftler verschiedene Algorithmen des maschinellen Lernens auf den Datensatz an und stellten fest, dass die KI-Modelle das Kariesrisiko und den Schweregrad nach Altersgruppen genau vorhersagen konnten, indem sie die relativen Beiträge der verschiedenen Faktoren auswerteten.
„Die Integration von maschinellem Lernen in dieses System geht weit über die reine Vorhersage des Kariesrisikos hinaus. Sie berücksichtigt die Komplexität und die vielschichtigen Wechselwirkungen zwischen sozialen Determinanten, die traditionelle Messmethoden oft verschleiern“, erklärte Hugo.
„Unser Ansatz des maschinellen Lernens fungiert als hochauflösender Sensor, der Personen identifiziert, deren Profile ein erhöhtes Risiko signalisieren, das in den Durchschnittswerten der Bevölkerung sonst nicht erkennbar wäre.“
Hugo und seine Kollegen bereiten derzeit eine ähnliche Analyse mit US-Daten der National Health and Nutrition Examination Survey vor.
„Wenn wir über öffentliche Gesundheit und Präventionsmaßnahmen nachdenken, müssen wir uns gegenüber der Gesellschaft verantwortlich fühlen und die uns zur Verfügung stehenden Ressourcen bestmöglich nutzen. Ein gezielterer Ansatz hilft uns dabei, die Ressourcen optimal einzusetzen – im Wesentlichen also mehr für unser Geld zu bekommen“, sagte der Studienleiter.