Using the Response Surface Methodology for Periodontitis Diagnosis

Autores

  • Diana Sofia Patrocinio Paty Universidade Federal da Bahia, Post-graduate Program in Dentistry and Health, School of Dentistry. BA, Brazil.
  • Nara Santos Araujo Universidade Federal da Bahia, Northeast Biotechnology Network. BA, Brazil.
  • Guilherme Nunes de Carvalho Universidade Federal da Bahia, Post-graduate Program in Dentistry and Health, School of Dentistry. BA, Brazil.
  • Pedro Yoshito Noritomi Centro de Tecnologia da Informação Renato Archer, Division of Tridimensional Technologies. SP, Brazil.
  • Jorge Vicente Lopes da Silva Centro de Tecnologia da Informação Renato Archer, Division of Tridimensional Technologies. SP, Brazil.
  • Daniel Takanori Kemmoku Centro de Tecnologia da Informação Renato Archer, Division of Tridimensional Technologies. SP, Brazil.
  • Jean Nunes dos Santos Universidade Federal da Bahia, Division of Oral Pathology, School of Dentistry. BA, Brazil.
  • Patricia Ramos Cury Universidade Federal da Bahia, Division of Oral Pathology, School of Dentistry. BA, Brazil.

DOI:

https://doi.org/10.17921/2447-8938.2023v25n3p153-158

Resumo

Abstract
Response surface methodology (RSM) consists of mathematical and statistical techniques to develop models which help to understand the influence of various factors on a dependent variable of interest. The feasibility of RSM use to detect cases of periodontitis and its correlated factors has not yet been evaluated. This study developed mathematical models for periodontitis diagnosis independent of periodontal probing using the RSM. Demographic, socioeconomic, behavioral, systemic, local factors, and periodontitis were assessed in 176 volunteers. Periodontitis case was defined according to three different definitions: 1) ≥3 sites with clinical attachment level (CAL) ≥4 mm; 2) at least one site with CAL ≥4 mm and bleeding on probing; 3) ≥2 proximal sites with CAL ≥3 mm and ≥2 proximal sites with probing depth (PD) ≥4 mm (not on the same tooth) OR 1 site with PD ≥5 mm. 4th-degree polynomial equations showed high coefficients of determination (R²= 1) and were used to represent the mathematical models of periodontitis cases. According to definition 1, the diagnosis of periodontitis was accurate by including in the model: age, sex, education level, plaque index (PI), number of missing teeth, previous hygiene instructions, and body mass index (BMI). According to definition 2, the diagnosis of periodontitis was accurate by including in the model: age, sex, education level, income, PI, previous oral hygiene instructions, frequency of brushing and type of toothbrush, and use of mouthwash in the model. For an accurate diagnosis of periodontitis according to definition 3, the model included: age, education level, IP, number of missing teeth, previous oral hygiene instruction, BMI, and diabetes. The multifactorial mathematical models were able to diagnosis periodontitis according to different periodontitis case definitions using only variables of easy evaluation and non-invasive.

Keywords: Periodontal Diseases. Diagnosis. Theoretical Model. Logistic Models.

Resumo
A metodologia de superfície de resposta (MSR) consiste em técnicas matemáticas e estatísticas para desenvolver modelos que ajudam a entender a influência de vários fatores em uma variável dependente de interesse. A viabilidade do uso da MSR para detectar casos de periodontite e seus fatores correlacionados ainda não foi avaliada. Este estudo desenvolveu modelos matemáticos para diagnóstico de periodontite independente da sondagem periodontal usando a MSR. Fatores demográficos, socioeconômicos, comportamentais, sistêmicos, locais e periodontite foram avaliados em 176 voluntários. O caso de periodontite foi definido de acordo com três definições diferentes: 1) ≥3 locais com nível de inserção clínica (NIC) ≥4 mm; 2) Um local com NIC ≥4 mm e sangramento à sondagem; 3) ≥2 locais proximais com NIC ≥3 mm e ≥2 locais proximais com profundidade de sondagem (PS) ≥4 mm (não no mesmo dente) OU 1 local com PS ≥5 mm. Equações polinomiais de 4º grau apresentaram altos coeficientes de determinação (R²= 1) e foram utilizadas para representar os modelos matemáticos dos casos de periodontite. De acordo com a definição 1, o diagnóstico de periodontite foi preciso ao incluir no modelo: idade, sexo, escolaridade, índice de placa (IP), número de dentes perdidos, instruções de higiene anteriores e índice de massa corporal (IMC). De acordo com a definição 2, o diagnóstico de periodontite foi preciso ao incluir no modelo: idade, sexo, escolaridade, renda, IP, instruções prévias de higiene bucal, frequência de escovação e tipo de escova dental e uso de enxaguatório bucal no modelo. Para um diagnóstico preciso de periodontite de acordo com a definição 3, o modelo incluiu: idade, escolaridade, IP, número de dentes perdidos, instrução prévia de higiene oral, IMC e diabetes. Os modelos matemáticos multifatoriais foram capazes de diagnosticar a periodontite de acordo com diferentes definições de casos de periodontite usando apenas variáveis de fácil avaliação e não invasivas.

Palavras-chave: Doenças Periodontais. Diagnóstico. Modelo Teórico. Modelos Logísticos.

Downloads

Publicado

2023-10-25

Como Citar

1.
Paty DSP, Araujo NS, Carvalho GN de, Noritomi PY, Silva JVL da, Kemmoku DT, et al. Using the Response Surface Methodology for Periodontitis Diagnosis. J. Health Sci. [Internet]. 25º de outubro de 2023 [citado 13º de julho de 2024];25(3):153-8. Disponível em: https://journalhealthscience.pgsscogna.com.br/JHealthSci/article/view/10779

Edição

Seção

Artigos