עדכן רפואת שיניים גיליון 205 ספטמבר-אוקטובר Update no.205 September-October 2026

.3 בינה מלאכותית בפריודונטיה ובמחלות סביב שתלים - מזיהוי אובדן עצם להערכת סיכון יישומי הבינה המלאכותית בפריודונטיה מתמקדים כיום בשלוש משימות עיקריות - זיהוי ומדידה של אובדן עצם בצילומי רנטגן, סיווג חומרת המחלה וחיזוי הסיכון להתקדמותה. סביב שתלים, עיקר המחקר עוסק בזיהוי אובדן עצם שולית ובמעקב אחר שינויים לאורך זמן. תוצאות המחקרים הראשונים נראות מבטיחות, אך הפער בין מדידה רדיוגרפית מוצלחת לבין אבחנה פריודונטלית מלאה עדיין משמעותי. אובדן עצם אלוואולרית הוא מטרה מתאימה לניתוח אוטומטי משום שניתן לזהות בצילום את השן, ציר השורש, נקודת החיבור בין האמייל לצמנט ואת גובה הרכס האלוואולרי. האלגוריתם יכול לחשב את המרחק או את שיעור אובדן העצם ביחס לאורך השורש, לסמן אזורים חשודים ולהציג את התוצאה לכל שן בנפרד. סביב שתלים ניתן לבצע חישוב דומה ביחס לצוואר השתל, לאורכו או להברגותיו. היתרון האפשרי הוא מדידה אחידה, מהירה ופחות תלויה בשונות בין בודקים. וחב׳ פותחה מערכת ששילבה למידה עמוקה עם עיבוד תמונה מסורתי לצורך זיהוי גובה העצם וסיווג שלבי Chang במחקר של פריודונטיטיס בצילומים פנורמיים. ההתאמה בין הסיווג האוטומטי לבין הערכת הרדיולוגים הייתה טובה, עם מקדם מתאם של ). מחקר נוסף הדגים זיהוי אוטומטי של השיניים ומדידה של אובדן 1( לכלל המשנן 0.91 ומקדם מתאם תוך-אשכולי של 0.73 ). מערכות כאלה עשויות להפוך את התרשים הרדיוגרפי ממסמך תיאורי למפה כמותית, 2( העצם בצילומים פנורמיים ופריאפיקליים שאפשר להשוות בין בדיקות עוקבות. . ארבעה הוגדרו כבעלי חוזק AI כללה שבעה מחקרים שבחנו זיהוי רדיוגרפי של אובדן עצם באמצעות 2023 סקירה שיטתית משנת ראיות גבוה יחסית ושלושה כבעלי חוזק בינוני. הביצועים הטובים ביותר שדווחו במחקרים הבודדים הגיעו לשטח מתחת לעקומה ). אולם אלה היו ערכי השיא ולא תוצאה מאוגמת. המחקרים 3( 0.91 של F 1 ולציון 98.1% , לסגוליות של 94% , לרגישות של 0.94 של נבדלו בסוגי הצילומים, בהגדרת אובדן העצם, בהרכב המדגמים ובשיטות האימות, ולכן אין לפרש את הנתונים כהוכחה לביצועים דומים בכל מרפאה. חשוב במיוחד להבחין בין גילוי אובדן עצם לבין אבחון פריודונטיטיס. צילום מלמד על הנזק המצטבר לרקמות התמיכה, אך אינו קובע אם המחלה פעילה בזמן הבדיקה. האבחנה הקלינית נשענת גם על עומק כיסים, אובדן תאחיזה קלינית, דימום במישוש, ניידות, מעורבות פורקציות, שיניים שאבדו מסיבות פריודונטליות וגורמי סיכון כגון עישון וסוכרת. גם קביעת השלב והדירוג אינה פעולה רדיוגרפית בלבד. אלגוריתם המעריך את אחוז אובדן העצם עשוי לסייע בסיווג, אך אינו יכול להשלים באופן אמין את התמונה ללא הנתונים הקליניים וההיסטוריה של המטופל. השלב הבא במחקר הוא שילוב נתונים. מודלים ניסיוניים משתמשים בגיל, עישון, מצב גליקמי, היגיינת הפה, ממצאים קליניים, צילומים ולעיתים גם נתוני מיקרוביום וסמנים ביולוגיים כדי לחזות הופעת פריודונטיטיס, אובדן שיניים או התקדמות מחלה. סקירה .)4( מצאה פוטנציאל למודלים כאלה, אך גם שונות גדולה בין מקורות הנתונים, האלגוריתמים והיעדים שנחזו 2024 שיטתית משנת בחלק מן המחקרים התקבלו תוצאות טובות במאגר הפיתוח, אך הביצועים נחלשו בתיקוף חיצוני. יתרה מזאת, חיזוי סטטיסטי של סיכון אינו מוכיח כי שימוש במודל משפר את בחירת הטיפול או מונע אובדן שיניים. 2025 בתחום המחלות סביב שתלים, המטרה הרדיוגרפית העיקרית היא זיהוי וכימות של אובדן עצם שולית. בסקירה שיטתית משנת ). הטווח הרחב 5( 100%- ל 87% והסגוליות בין 94.44%- ל 67% , הרגישות בין 94.74%- ל 61% נעו ערכי הדיוק של המודלים בין מעיד כי התוצאה תלויה מאוד במאגר, באיכות הצילום ובאופן הגדרת מחלת הייחוס. מטא-אנליזה עדכנית נוספת תמכה ביכולת של .)6( מודלים לזהות אובדן עצם סביב שתלים בצילומים, אך הדגישה את מיעוט המחקרים ואת ההטרוגניות ביניהם גם כאן, אובדן עצם בצילום אינו שווה בהכרח לפרי-אימפלנטיטיס. האבחנה מחייבת סימני דלקת קליניים, עלייה בעומק הכיס ואובדן עצם מעבר לשינויים הצפויים לאחר השיקום הראשוני. בהיעדר צילום בסיס שנעשה לאחר מסירת השיקום, קשה להבחין בין רמודלינג מוקדם, מיקום ראשוני של השתל ואובדן עצם פתולוגי. צילום דו-ממדי מושפע גם מזווית ההקרנה, חפיפה של המבנה הפרותטי והבדלים בהגדלה. מערכת המתעלמת מגורמים אלה עלולה להציג שינוי מדומה או להחמיץ פגם הממוקם בוקלית או לינגואלית. סיכום הערך הקליני המשמעותי ביותר עשוי להיות דווקא במעקב סדרתי. מערכת שתבצע התאמה בין צילומים מתקופות שונות, תמדוד שינוי באותה נקודת ייחוס ותתריע על קצב אובדן עצם חריג עשויה לסייע בזיהוי הידרדרות מוקדמת. בשילוב נתוני כיסים, דימום,

20