Prédiction du risque de carie chez les patients pédiatriques à l’aide de techniques d’apprentissage automatique : une étude rétrospective

Résumé

Introduction : La carie dentaire est une maladie multifactorielle fréquente chez l’enfant souvent influencée par des facteurs comportementaux, environnementaux et génétiques. Les méthodes traditionnelles d’évaluation du risque carieux présentent une précision et une objectivité limitées. Les modèles d’apprentissage automatique (AA) offrent une approche basée sur les données pour prédire le risque carieux, permettant ainsi des interventions ciblées.

Objectifs : L’objectif principal de cette étude est de développer et de valider des modèles d’AA pour prédire le risque carieux chez les patients pédiatriques âgés de 6 à 12 ans en intégrant des facteurs cliniques, comportementaux, alimentaires et socio-économiques.

Méthodes : Cette étude observationnelle rétrospective a porté sur 148 enfants âgés de 6 à 12 ans. Les données, notamment les données démographiques, les scores de traitement des obturations manquantes (TCMM), les habitudes alimentaires, l’exposition au fluorure et les facteurs socio économiques, ont été recueillis à partir de dossiers cliniques et d’entretiens structurés. L’ensemble de données est prétraité par des techniques d’imputation, de normalisation et de sélection de caractéristiques. Cinq modèles ML (régression logistique, forêt aléatoire, SVM, XGBoost et réseaux neuronaux) ont été entraînés et évalués à l’aide de mesures telles que la précision, la sensibilité, la spécificité et l’ASC-ROC. Les patients ont été classés en catégories de risque faible, modéré et élevé en fonction des prédictions.

Résultats : Le modèle XGBoost a obtenu l’ASC-ROC la plus élevée (0,94), suivi des réseaux neuronaux (0,92). Le score DMFT (35,2 %), la consommation d’aliments sucrés (28,7 %) et l’exposition au fluorure (18,3 %) étaient les prédicteurs les plus significatifs du risque de carie. La stratification du risque a classé 21,0 % des patients comme étant à haut risque, soulignant la nécessité de mesures préventives ciblées. Des associations significatives ont été observées entre le risque de carie et l’exposition au fluorure (p < 0,01) et la consommation d’aliments sucrés (p < 0,05).

Conclusions : Les modèles d’apprentissage automatique, en particulier XGBoost, fournissent des prédictions précises et exploitables du risque de carie chez les enfants et surpassent les méthodes d’évaluation traditionnelles. L’intégration des outils d’apprentissage automatique dans la pratique clinique peut améliorer la prévention personnalisée et l’allocation des ressources, améliorant ainsi les résultats en matière de santé bucco-dentaire pédiatrique.