پیش بینی ابتلا به دیابت براساس سلامت وبهداشت دهان ودندان با استفاده از ابزارهای هوش مصنوعی

سابق و هدف: بیماری دیابت به دلیل ایجاد خشکی دهان و افزایش میزان قندخون می تواند باعث افزایش شیوع پوسیدگی دندان شود. لذا شناسایی عوامل تاثیرگذار بر رفتارهای بهداشت دهان در بیماران دیابتی گامی مهم در ارتقای سلامت دهان و دندان است. از این رو هدف از این مطالعه پیش بینی سلامت بهداشت دهان و دندان در افراد مبتلا به دیابت و مقایسه آن ها با افراد سالم است. مواد و روش ها: این مطالعه در بازه زمانی سال های 1399-1400  به روش نمونه گیری در دسترس انجام شد. گروه مورد مطالعه شامل 261 (مرد و زن) که 131 نفر سالم و130 نفردیابتی بودند  و جمع آوری اطلاعات با استفاده از پرسشنامه، پرونده پزشکی و معاینه صورت گرفت. 6 متغیر سن، جنسیت، دندان های پوسیده، دندان های کشیده شده، دندان های ترمیم  شده و شاخص سلامت دهانی در این افراد بررسی شد. از دو الگوریتم درخت تصمیم گیری و ماشین بردار پشتیبان  با استفاده از نرم افزار spss modeler  استفاده شد.یافته ها: مهمترین یافته های تحلیل درخت تصمیم گیری عبارت بود از: 1- اگر سن فرد کمتر و مساوی 37 سال باشد، آنگاه فرد 100 درصد سالم است. 2- اگر سن بالاتر از 37 سال باشد و تعداد دندان‌های پوسیده‌شده کمتر از میانگین 7 باشد و دندان کشیده شده هم نداشته باشیم، با احتمال 82 درصد فرد دیابتی است. اگر سن بالاتر از 37 سال باشد و تعداد دندان‌های پوسیده‌شده کمتر از میانگین 7 باشد و دندان کشیده شده بیشتر از 1 داشته باشیم آنگاه افراد کمتر از 49 سال، با شاخص بهداشت دهانی بیشتر از 0/9 ، 100 درصد دیابتی هستند. همچنین دقت کل ماشین بردار پشتیبان خطی 70/73درصد بوده  و نشان دهنده این است که دندان پوسیده‌شده با کمترین مقدار وزن تاثیر کمی در پیش بینی دیابتی و یا سالم بودن افراد دارد.نتیجه گیری: به نظر می رسد استفاده از الگوریتم های درخت تصمیم گیری و ماشین بردار پشتیبان می تواند پیش بینی کننده ابتلا به دیابت بر اساس سلامت و بهداشت دهان و دندان در بیماران مبتلا به دیابت باشد.

oral health prediction in patients with diabetes using artificial intelligence tools

background and aim:  diabetes may increase the incidence of tooth decay due to dry mouth and high blood sugar levels. identifying the factors influencing oral health behaviours in diabetic patients is thus an essential step toward promoting oral and dental health. as a result, this study aimed to predict oral health in people with diabetes and compare them to healthy people. material and methods: the available sampling method was used to conduct this study from  2021 to 2022. the study group consisted of 261 persons (men and women), 131 of whom were healthy and 130 of whom were unhealthy (diabetic), and information was gathered through a questionnaire, medical records, and an examination. these people looked at six variables: age, gender, decayed teeth, extracted teeth, filled teeth, and oral health index. using the spss modeler program, two decision tree methods and a support vector machine and spss modeler soft ware were used. results: the most important findings of decision tree analysis are 1- if the person’s age is less than or equal to 37 years, then the person is 100% healthy. 2- if the age is over 37 years and the number of decayed teeth is less than the average of 7, and we do not have any extracted teeth, there is an 82% chance of diabetes. if the age is over 37 and the number of decayed teeth is less than the average of 7, and the number of extracted teeth is more than 1, then people under the age of 49 with an ohi index greater than 0.9 are 100% diabetic. also, the total accuracy of the linear support vector machine is 70.73%, which indicates that decayed teeth with the least amount of weight have little effect on diabetes or health. conclusion: decision tree algorithms and support vector machines could predict oral and dental health in diabetic patients.