Un equipo da USC e do Instituto de Investigación Sanitaria de Santiago de Compostela (IDIS) acaba de demostrar o potencial de combinar a análise do microbioma oral e a intelixencia artificial para avanzar cara a novas ferramentas non invasivas de detección da periodontite, unha enfermidade inflamatoria crónica que afecta a máis de 1.000 millóns de persoas no mundo. O traballo está liderado polo Oral Sciences Research Group (OSRG), dirixido pola profesora Inmaculada Tomás, catedrática da USC, e conta coa participación da tamén catedrática da USC e investigadora do Centro Singular de Investigación en Tecnoloxías Intelixentes da USC (CiTIUS) María José Carreira e a investigadora Manuela Alonso-Sampedro do IDIS.
A investigación, desenvolvida integramente desde institucións españolas a partir de bases de datos microbiolóxicas públicas internacionais, analizou 2.303 mostras procedentes de 33 bioproxectos e comparou tres tipos de mostras da cavidade oral: saliva, placa situada sobre os dentes e placa obtida do interior do suco periodontal. Mediante diferentes técnicas de intelixencia artificial, o equipo buscou pequenas combinacións de bacterias capaces de diferenciar ás persoas con periodontite daquelas outras con saúde periodontal.
Os resultados sitúan a saliva como a mostra con maior potencial diagnóstico. O mellor modelo alcanzou unha sensibilidade do 92,4%, unha especificidade do 85,3% e unha Área Baixo a Curva (AUC) de 0,928, unha medida global de capacidade discriminativa. A placa supraxinxival obtivo tamén resultados moi elevados, mentres que a placa subxinxival —tradicionalmente considerada o nicho microbiolóxico de referencia da periodontite— mostrou un rendemento inferior. Ademais, os modelos alcanzaron estas cifras utilizando firmas moi reducidas, formadas por tan só 6 a 12 marcadores bacterianos.
O potencial está na saliva
“Un dos resultados máis relevantes é comprobar que non necesitamos necesariamente acceder ao interior da bolsa periodontal para obter información diagnóstica moi potente. A saliva integra sinais microbiolóxicos procedentes de toda a cavidade oral e os nosos resultados mostran que esa pegada microbiana, interpretada mediante intelixencia artificial, permite discriminar cunha elevada precisión entre saúde e periodontite”, explica Inmaculada Tomás, investigadora principal do traballo.
O estudo vai máis aló de medir unicamente a precisión dos algoritmos, xa que incorpora unha avaliación específica da súa posible utilidade na toma de decisións clínicas. O equipo identificou ademais 48 variantes bacterianas con valor preditivo, entre elas microorganismos ben coñecidos pola súa asociación coa periodontite, como Porphyromonas gingivalis, Filifactor alocis, Fusobacterium nucleatum ou Tannerella forsythia.
“O obxectivo a longo prazo é avanzar cara a unha periodoncia de precisión na que unha mostra sinxela de obter, como a saliva, poida axudarnos a identificar precozmente que persoas presentan unha maior probabilidade de enfermidade e necesitan unha avaliación periodontal completa. Este traballo proporciona unha base científica sólida para avanzar cara ao desenvolvemento de ferramentas de cribado accesibles, non invasivas e aplicables a gran escala”, sinala a profesora Tomás.
Estes resultados representan un paso decisivo cara ao desenvolvemento de futuras ferramentas clínicas de cribado da periodontite baseadas nunha mostra de saliva, unha aproximación especialmente atractiva polo seu carácter sinxelo, non invasivo e potencialmente escalable.
Referencia: Comparative Diagnostic Performance of Oral Microbial Hábitats for Periodontitis (Publicado en Journal of Dental Research)
