Un equipo da Universidade de Santiago de Compostela (USC) e do Instituto de Investigación Sanitaria de Santiago de Compostela (IDIS) demostrou o potencial de combinar a análise do microbioma oral coa 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 investigadora principal do estudo, e conta coa participación de María José Carreira, tamén catedrática da USC e investigadora do Centro Singular de Investigación en Tecnoloxías Intelixentes (CiTIUS), e da investigadora do IDIS Manuela Alonso-Sampedro.
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 as persoas con periodontite daquelas con saúde periodontal.
Os resultados sitúan a saliva como a mostra con maior potencial diagnóstico. O mellor modelo acadou 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 supraxráfica obtivo tamén resultados moi elevados, mentres que a placa subxráfica —tradicionalmente considerada o nicho microbiolóxico de referencia da periodontite— mostrou un rendemento inferior. Ademais, os modelos acadaron estas cifras usando sinaturas moi reducidas, de só 6 a 12 marcadores bacterianos.
«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 microbiolóxicas 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.
O estudo incorpora ademais unha avaliación específica da posible utilidade dos algoritmos na toma de decisións clínicas, e o equipo identificou 48 variantes bacterianas con valor preditivo, entre elas microorganismos 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 precocemente que persoas presentan unha maior probabilidade de enfermidade e necesitan unha avaliación periodontal completa», sinala Tomás, quen destaca que o traballo proporciona unha base científica sólida para desenvolver ferramentas de crivo accesibles, non invasivas e aplicables a gran escala.
O traballo, titulado ‘Comparative Diagnostic Performance of Oral Microbial Hábitats for Periodontitis’, foi publicado no Journal of Dental Research.
Claves
- A investigación foi liderada polo Oral Sciences Research Group (OSRG) da USC, dirixido pola profesora Inmaculada Tomás.
- O mellor modelo acadou unha sensibilidade do 92,4%, unha especificidade do 85,3% e unha AUC de 0,928.
- Os modelos utilizaron sinaturas de só 6 a 12 marcadores bacterianos.
- Analizáronse 2.303 mostras procedentes de 33 bioproxectos.
- O estudo foi publicado no Journal of Dental Research.
- Contou con financiamento do Instituto de Salud Carlos III (PI24/00222), cofinanciado pola Unión Europea, a Xunta de Galicia (ED431B GPC2024/05) e Nova Galimplant S.L.U.
