До питання трендів цифровізації у пародонтологічній практиці: аналіз сучасних концепцій та особливостей практичної імплементації

Оксана Шекера; Анатолій Пальчиков; Мирослав Гончарук-Хомин

doi:10.33295/1992-576X-2026-2-CTDN-1

Автор(и)

Оксана Шекера Ужгородський національний університет https://orcid.org/0000-0002-3584-1024
Анатолій Пальчиков Ужгородський національний університет https://orcid.org/0000-0001-5565-6224
Мирослав Гончарук-Хомин Ужгородський національний університет https://orcid.org/0000-0002-7482-3881

DOI:

https://doi.org/10.33295/1992-576X-2026-2-CTDN-1

Ключові слова:

пародонтологія, цифрова стоматологія, цифровізація, клінічна практика, штучний інтелект, пацієнт-орієнтоване лікування, доказова база

Анотація

Актуальність. Можливості сучасних обчислювальних алгоритмів, оформлені у канву цільового програмного забезпечення, асоційованого чи не асоційованого із певним видом апаратної складової (інтраоральний сканер, конусно-променевий комп’ютерний томограф, системи автоматизованої пародонтологічної діагностики), змінюють патерни розвитку та впровадження цифрових технологій в пародонтологічній практиці.

Мета. Проаналізувати наявні тренди цифровізації в пародонтологічній практиці з урахуванням сучасних концепцій обробки великих масивів даних та індивідуалізації комплексних діагностично-лікувальних підходів.

Матеріали та методи. Пошук релевантних публікацій здійснювали у базах даних PubMed/MEDLINE та Scopus, а також із використанням пошукової системи Google Scholar із застосуванням булевих операторів (AND, OR, NOT) та набору ключових слів варіантів їх комбінацій. Внаслідок структуризації та групування результатів на основі проведеного контент-аналізу всі відібрані джерела були згруповані у такі аналітичні домени: рівень фактичної клінічної інтеграції цифрових технологій; роль алгоритмів штучного інтелекту у діагностиці та прогнозуванні; мультимодальна інтеграція даних як ключовий тренд цифровізації; бар’єри імплементації, перспективи розвитку та трансляції цифровізації у клінічну пародонтологічну практику.

Результати дослідження. Сучасний стан цифровізації пародонтологічної практики характеризується дисбалансом між стрімким розвитком технологічних можливостей та обмеженим рівнем їх клінічної імплементації. Незважаючи на доведений потенціал алгоритмів штучного інтелекту в обробці мультимодальних даних, підвищенні точності діагностики, стратифікації ризиків та прогнозуванні результатів лікування, їх широке впровадження обмежується недостатньою зовнішньою валідацією, гетерогенністю та обмеженим обсягом доступних датасетів, варіабельністю ефективності моделей залежно від модальності вхідних даних, а також відсутністю уніфікованих протоколів інтеграції у клінічну практику.

Висновки. Цифровізація в структурі пародонтологічної практики характеризується кластерним патерном впровадження із покриттям в першу чергу саме діагностичної складової та вихідною класифікацією клінічних випадків, що пов’язано як з відповідною статистичною «зрілістю» цільових верифікаційних алгоритмів, так і з досвідом їх впровадження в структуру відповідного апаратного та програмного забезпечення. Водночас прогностична складова, представлена алгоритмами для опрацювання масивів первинно-цифрових або ж оцифрованих даних, отриманих в ході діагностики пацієнта, досі залишається предметом валідаційних досліджень, кількість яких прогресивно зростає.

Завантаження

Дані завантаження ще не доступні.

Посилання

Revilla-León, M., Gómez-Polo, M., Barmak, A. B., et al. (2023). Artificial intelligence models for diagnosing gingivitis and periodontal disease: A systematic review. J Prosthet Dent, 130(6), 816–824. DOI: https://doi.org/10.1016/j.prosdent.2022.01.026.

Polizzi, A., Quinzi, V., Lo Giudice, A., et al. (2024). Accuracy of artificial intelligence models in the prediction of periodontitis: a systematic review. JDR Clin Trans Res, 9(4), 312–324. DOI: https://doi.org/10.1177/23800844241232318.

Zhang, J., Deng, S., Zou, T., et al (2025). Artificial intelligence models for periodontitis classification: A systematic review. J Dent, 156, 105690. DOI: https://doi.org/10.1016/j.jdent.2025.105690.

Patil, S., Joda, T., Soffe, B., et al. (2023). Efficacy of artificial intelligence in the detection of periodontal bone loss and classification of periodontal diseases: a systematic review. J Am Dent Assoc, 154(9), 795–804. DOI: https://doi.org/10.1016/j.adaj.2023.05.010.

Reddy, M. S. (2026). The future of periodontology: Emerging technologies and conceptual shifts. J Periodontol, online ahead of print. DOI: https://doi.org/10.1002/jper.70079.

Di Spirito, F., Giordano, F., Di Palo, M. P., et al. (2025). Sustainable dental and periodontal practice: A narrative review on the 4R-Framework—Reduce, Reuse, Rethink, Recycle—And waste management rationalization. Dent J, 13(9), 392. DOI: https://doi.org/10.3390/dj13090392.

Herrera, D., Tonetti, M. S., Chapple, I., et al. (2025). Consensus report of the 20th European workshop on periodontology: contemporary and emerging technologies in periodontal diagnosis. J Clin Periodontol, 52, 4–33. DOI: https://doi.org/10.1111/jcpe.14152.

Hashim, N. T., Ahmed, A., Abushama, A. A., et al. (2026). Next-Generation S3-Level Clinical Practice Guidelines in Periodontology: Methodology, Current Evidence, and Future Directions. Dent J, 14(1), 58. DOI: https://doi.org/10.3390/dj14010058.

Youssef, M., Tatakis, D. N., Demko, C., & Schincaglia, G. P. (2025). Knowledge and use of digital technologies in periodontal practices in the United States: A survey study. J Periodontol, 96(8), 944-952. DOI: https://doi.org/10.1002/JPER.24-0306.

Bhandary, R., Simha, U., Bhat, A. R., et al. (2025). Digital Innovations in Periodontics: Transforming Periodontal and Implant Health With Advanced Dentistry Technologies. J Health Allied Sci NU, 15(4), 439–443. DOI: https://doi.org/10.25259/JHS-2024-5-32-(1315).

Dipalma, G., Inchingolo, A. M., Inchingolo, F., et al.(2025). The precision paradigm in periodontology: a multilevel framework for tailored diagnosis, treatment, and prevention. J Pers Med, 15(9), 440. DOI: https://doi.org/10.3390/jpm15090440.

Pitchika, V., Büttner, M., & Schwendicke, F. (2024). Artificial intelligence and personalized diagnostics in periodontology: A narrative review. Periodontol 2000, 95(1), 220–231. DOI: https://doi.org/10.1111/prd.12586.

Farina, R., Simonelli, A., Trombelli, L., et al. (2025). Emerging applications of digital technologies for periodontal screening, diagnosis and prognosis in the dental setting. J Clin Periodontol, 52, 211–245. DOI: https://doi.org/10.1111/jcpe.14156.

Peikert, S. A., Mittelhamm, F., Frisch, E., et al. (2020). Use of digital periodontal data to compare periodontal treatment outcomes in a practice-based research network (PBRN): a proof of concept. BMC Oral Health, 20(1), 297. DOI: https://doi.org/10.1186/s12903-020-01284-3.

Tan, M., Cui, Z., Li, Y., et al. (2025). PerioAI: A digital system for periodontal disease diagnosis from an intra-oral scan and cone-beam CT image. Cell Rep Med, 6(6). DOI: https://doi.org/10.1016/j.xcrm.2025.102186.

Chung, H. M., Park, J. Y., Ko, K. A., et al. (2022). Periodontal probing on digital images compared to clinical measurements in periodontitis patients. Sci Rep, 12(1), 1616. DOI: https://doi.org/ 10.1038/s41598-021-04695-6.

Laugisch, O., Auschill, T. M., Heumann, C., et al. (2021). Clinical evaluation of a new electronic periodontal probe: a randomized controlled clinical trial. Diagnostics, 12(1), 42. DOI: https://doi.org/10.3390/diagnostics12010042.

Icen, M., Orhan, K., Şeker, Ç., et al. (2020). Comparison of CBCT with different voxel sizes and intraoral scanner for detection of periodontal defects: an in vitro study. Dentomaxillofac Radiol, 49(5), 20190197. DOI: https://doi.org/10.1259/dmfr.20190197.

Elashiry, M., Meghil, M. M., Arce, R. M., & Cutler, C. W. (2019). From manual periodontal probing to digital 3‐D imaging to endoscopic capillaroscopy: Recent advances in periodontal disease diagnosis. J Periodontal Res, 54(1), 1–9. DOI: https://doi.org/10.1111/jre.12585.

Li, W., Xu, T., Zhang, H., Lü, Y., et al. (2025). Digital analysis of periodontal phenotype in the maxillary anterior region. Clin Adv Periodontics, online ahead of print. DOI: https://doi.org/10.1002/cap.10353.

Kaya, S., & Alkan, M. (2025). Diagnostic accuracy of a novel non-invasive digital technique for assessing gingival phenotype: an area under the curve analysis. BMC Oral Health, 25(1), 1024. https://doi.org/10.1186/s12903-025-06390-8.

Li, W., Li, L., Xu, W., et al. (2025). Identification of gingival inflammation surface image features using intraoral scanning and Deep learning. Int Dent J, 75(3), 2104–2114. DOI: https://doi.org/10.1016/j.identj.2025.01.002.

Hassan, M. A., Silva do Amaral, G. C. L., Saraiva, L., et al. (2025). Colorimetric analysis of intraoral scans: A novel approach for detecting gingival inflammation. J Periodontol, 96(8), 848–857. DOI: https://doi.org/10.1002/JPER.24-0389.

Jung, K., Ganss, C., Korbmacher-Steiner, H., & Jablonski-Momeni, A. (2026). Planimetric quantification of plaque in patients with multibracket appliances using an intraoral scanner–proof-of-concept. Clin Oral Investig, 30(4), 130. DOI: https://doi.org/10.1007/s00784-026-06809-8.

Jung, K., Giese-Kraft, K., Fischer, M., et al. (2022). Visualization of dental plaque with a 3D-intraoral-scanner—A tool for whole mouth planimetry. PLoS One, 17(10), e0276686. DOI: https://doi.org/10.1371/journal.pone.0276686.

Doi, K., Yoshiga, C., Oue, H., et al. (2024). Comparison of plaque control record measurements obtained using intraoral scanner and direct visualization. Clin Exp Dent Res, 10(1), e852. DOI: https://doi.org/10.1002/cre2.852.

Zhang, J., Huang, Z., Cai, Y., & Luan, Q. (2021). Digital assessment of gingiva morphological changes and related factors after initial periodontal therapy. J Oral Sci, 63(1), 59-64. DOI: https://doi.org/10.2334/josnusd.20-0157.

Fons‐Badal, C., Alonso Pérez‐Barquero, J., Martínez‐Martínez, N., et al. (2020). A novel, fully digital approach to quantifying volume gain after soft tissue graft surgery. A pilot study. J Clin Periodontol, 47(5), 614–620. DOI: https://doi.org/10.2334/10.1111/jcpe.13235.

Goncharuk-Khomyn, M., Krasnokutskyy, O., Boichuk, M., et al. (2023). Spontaneous recession repair after orthodontic treatment: case report with the use of digital approach for quantification of soft tissue changes. Case Rep Dent, 2023(1), 1831125. DOI: https://doi.org/10.1155/2023/1831125.

West, N. E., Wright, M., Daly, S., et al. (2026). Diagnostic accuracy of on-scan assessments compared to clinical assessments using a periodontal probe for detecting gingival recession: A cross-sectional study. J Dent, 106504. DOI: https://doi.org/10.1016/j.jdent.2026.106504.

Kuralt, M., & Fidler, A. (2022). Methods and parameters for digital evaluation of gingival recession: a critical review. J Dent, 118, 103793. DOI: https://doi.org/10.1016/j.jdent.2021.103793.

Caron, T., Decup, F., Grosgogeat, B., & Chacun, D. (2025). The relevance of intraoral scanner (IOS) for periodontal diagnosis: A scoping review. J Dent, 160, 105824. DOI: https://doi.org/10.1016/j.jdent.2025.105824.

Nalbantoğlu, A. M., & Yanık, D. (2023). Revisiting the measurement of keratinized gingiva: a cross-sectional study comparing an intraoral scanner with clinical parameters. J Periodontal Implant Sci, 53(5), 362. DOI: https://doi.org/10.5051/jpis.2204320216.

Lee, J. S., Jeon, Y. S., Strauss, F. J., et al. (2020). Digital scanning is more accurate than using a periodontal probe to measure the keratinized tissue width. Sci Rep, 10(1), 3665. DOI: https://doi.org/10.1038/s41598-020-60291-0.

Meirelles, L., Siqueira, R., Garaicoa‐Pazmino, C., et al. (2020). Quantitative tooth mobility evaluation based on intraoral scanner measurements. J Periodontol, 91(2), 202–208. DOI: https://doi.org/10.1002/JPER.19-0282.

Palkovics, D., Mangano, F. G., Nagy, K., & Windisch, P. (2020). Digital three-dimensional visualization of intrabony periodontal defects for regenerative surgical treatment planning. BMC Oral Health, 20(1), 351. DOI: https://doi.org/10.1186/s12903-020-01342-w.

Chatzopoulos, G. S., Koidou, V. P., Tsalikis, L., & Kaklamanos, E. G. (2025). Clinical applications of artificial intelligence in periodontology: A scoping review. Medicina, 61(6), 1066. DOI: https://doi.org/10.3390/medicina61061066.

Goncharuk-Khomyn, M. Y., Bohdan, O. M., Boychuk, M. M., Melnyk, L. V. (2024). Algorithms of artificial intelligence for the evaluation of gingival conditions. Intermed J., 2, 15–23. [Гончарук-Хомин М. Ю., Богдан О. М., Бойчук М. М., Мельник Л. В. (2024). Алгоритми штучного інтелекту для оцінки стану ясен. Intermedical journal, (2), 15–23]. DOI: https://doi.org/10.32782/2786-7684/2024-2-3.

Goncharuk-Khomyn, M. Y., Tarasovska, Y. Y., Konko, Y. V., Cherkashyn, O. O. Analysis of artificial intelligence and machine learning models’ effectiveness in regards to bone loss verification as a criterion for assessing the state of periodontal tissues based on orthopantomography data. Intermed J., 2, 37–43. [Гончарук-Хомин М. Ю., Тарасовська У. Є., Конько Ю. В., Черкашин О. О. (2025). Аналіз ефективності моделей штучного інтелекту та машинного навчання для верифікації втрати кісткової тканини як критерію оцінки стану тканин пародонта за даними ортопантомографії. Intermedical journal, (2), 37–43]. DOI: https://doi.org/10.32782/2786-7684/2025-2-7.

Al-Sharqi, A. J., Baban, M. T. A., Imran, N. K., et al. (2025). Comparison of Supervised Machine Learning Models to Logistic Regression Model Using Tooth-Related Factors to Predict the Outcome of Nonsurgical Periodontal Treatment. Diagnostics, 15(18), 2333. DOI: https://doi.org/10.3390/diagnostics15182333.

Montero, E., Sánchez, N., Sanz‐Sánchez, I., et al. (2025). Emerging Technologies and Algorithms for Periodontal Screening and Risk of Disease Progression in Non‐Dental Settings: A Scoping Review. J Clin Periodontol, 52, 246–291. DOI: https://doi.org/10.1111/jcpe.14168.

Tao, L. R., Li, Y., Wu, X. Y., et al. (2026). Deep learning photo processing for periodontitis screening. J Dent Res, 105(2), 226–235. DOI: https://doi.org/10.1177/00220345251347508.

Lee, J. E., Choi, E., & Park, J. B. (2025). Radiographic diagnosis of periodontitis using artificial intelligence: a meta-analysis comparing binary and staging classifications across imaging modalities. BMC Oral Health, 25(1), 1921. DOI: https://doi.org/10.1186/s12903-025-07171-z.

Zhu, Z. X., Furquim, C. P., & Teles, F. (2026). Artificial Intelligence Applications in Periodontology: Enhancing Diagnosis, Monitoring, and Treatment in Clinical Practice. Dent Clin North Am, 70(2): 445–469. DOI: https://doi.org/10.1016/j.cden.2025.11.014.