Guerreiro, M. Y. R., Belladonna, F. G., Monteiro, L. P. B., Lima, C. ., Silva, E. J. N. ., & Brandão, J. M. . (2020). The influence of the addition of surfactants to sodium hypochlorite on the removal of hard tissue debris. International Endodontic Journal.

doi:10.1111/iej.13307 

Badanie skupiające się na wpływie dodawanych środków powierzchniowo czynnych (surfaktantów) do podchlorynu sodu na oczyszczanie resztek tkanek twardych. Resztki te powstają podczas oczyszczania mechanicznego kanałów i kumulują się w przewężeniach, nierównościach i odgałęzieniach kanałów. Są niepożądanym efektem ubocznym, szczególnie, że mogą zawierać w sobie bakterie. Z kolei kompresja tych resztek znacząco utrudnia penetrację środków płuczących, co może skutkować długofalowym niepowodzeniem leczenia.

Jednym z najbardziej powszechnych i skutecznych preparatów do płukania jest podchloryn sodu – ma świetne właściwości do rozpuszczania tkanek oraz silne właściwości przeciwbakteryjne. Dodawanie do niego surfaktantów jeszcze dalej polepszają jego właściwości, a dzięki zmniejszeniu napięcia powierzchniowego, podchloryn efektywniej penetruje w mniejsze kanaliki. Jako ostatnie płukanie zalecane jest płukanie podchlorynem sodu, po którym następuje płukanie EDTA 17%.

W badaniu porównuje się skuteczność stosowania chlorków benzalkoniowych i polisorbatu 80 jako surfaktantów w oczyszczeniu resztek tkanek twardych (RTT) w kanałach mezjalnych trzonowców w żuchwie. Zakłada się, że usunięcie RTT z kanałów jest bardziej istotne niż pozbycie się warstwy mazistej, ponieważ stanowią barierę dla efektywności środków do irygacji kanałów.

Wyniki badania pokazują, że wszystkie preparaty były podobnie skuteczne w usuwaniu RTT. Jednocześnie nie stwierdzono różnicy w skuteczności usunięcia warstwy mazistej w poszczególnych próbach, wbrew wynikom wcześniejszych badań. Jako powód doszukuje się niewłaściwie dobraną metodologię do poprzednich badań.

Przypomina się, że według badań skuteczność usuwania RTT jest zależna od umiejscowienia końcówki igły w kanale. Najlepszy efekt osiąga się przy około 1mm od długości roboczej, z istotną różnicą w porównaniu dla 5mm od długości roboczej. Ważny jest też sposób przepływu. Przepływ ciągły, laminarny, pozwala na lepszą penetrację środka płuczącego, z kolei przepływ nierównomierny, o zmieniającym się ciśnieniu, lepiej usuwa resztki.

Końcowe przepłukanie EDTA 17% znacząco zmniejszyło resztki tkanek twardych we wszystkich próbach, podobnie korzystny efekt uzyskano pod kątem eliminacji warstwy mazistej.

Abstrakt – https://onlinelibrary.wiley.com/doi/abs/10.1111/iej.13307

Lee, J.-H., Kim, D.-H., Jeong, S.-N., & Choi, S.-H. (2018). Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm. Journal of Dentistry.

doi:10.1016/j.jdent.2018.07.015 

Ostatnie dzisiejsze badanie to coś zupełnie nowego i trochę oderwanego od codzienności w gabinecie stomatologicznym. Jednocześnie pokazuje, jak ogromne możliwości wsparcia medycyny (a w tym przypadku – stomatologii) drzemią w nowoczesnych technologiach.

Mianowicie, chodzi o wykrywanie i diagnostykę próchnicy za pomocą samouczącej się konwolucyjnej sieci neuronowej. Sama próchnica jest czymś, co jest bardzo powszechne – w Polsce blisko 98% osób ma problem z próchnicą. Pomimo tego, diagnostyka próchnicy nie zmieniła się w znacząco w ostatnich latach, może poza lepszą rozdzielczością zdjęć RTG. Szczególne trudności diagnostyczne są w przypadku głębokich bruzd, ciasnych stycznych oraz próchnicy wtórnej – zwykle są one wykrywane dopiero na bardziej zaawansowanym etapie.

Dodatkowo w większości przypadków, skuteczność wykorzystania obecnie dostępnych narzędzi diagnostycznych jest zależna głównie od doświadczenia operatora.

W tym badaniu zastosowano konwolucyjne sieci neuronowe, które są wykorzystywane i świetnie sprawdzają się m.in. w rozpoznawaniu twarzy, obiektów i aktywności, w śledzeniu, trójwymiarowym mapowaniu oraz lokalizacji. W innych działkach medycyny są wykorzystywane m.in. w wykrywaniu retinopatii cukrzycowej, raka skóry czy gruźlicy płuc z bardzo dobrymi efektami.

W badaniu wybrano 3000 zdjęć punktowych różnych zębów, które najpierw były oceniane przez 4 doświadczonych stomatologów pod kątem obecności próchnicy. W przypadku trzonowców początkowa dokładność wynosiła 88%, czułość 92,3%, a w miarę uczenia się algorytmu dokładność osiągnęła 91%. Dla przedtrzonowców były to odpowiednio 89% dokładność, 84% czułość, a pod koniec uczenia się algorytmu dokładność wyniosła 92%.

Dla porównania, z badań czułość wykrywania próchnicy przez stomatologów waha się między 19 a 92% dla powierzchni okluzyjnych i 38 do 94% dla powierzchni stycznych, w zależności od lekarza. Dodatkowo, szacuje się, że w około 20% przypadków błędnie kwalifikuje się zdrowy ząb jako zaatakowany przez próchnicę.

Jest to bardzo obiecująca metoda, która może być w przyszłości wykorzystana do jeszcze lepszej i dokładniejszej diagnostyki wczesnych zmian próchnicowych.

Od siebie dodam, że autorzy podkreślają bardzo małą próbę zdjęć do nauki algorytmu (im większa próba, tym dokładniejsze wyniki). Dodatkowo, próbą kontrolną była ocena tych samych zdjęć przez stomatologów, co też nie jest w 100% dokładną metodą. W przypadku wykorzystania sieci neuronowej przystosowanej do tego typu celu, np. do rutynowego analizowania i opisywania/oznaczania wszystkich wykonywanych zdjęć RTG, może znacząco polepszyć wczesne wykrywanie próchnicy. Może to być zarówno wdrożone na poziomie oprogramowania do wykonywania zdjęć RTG, jak i programów CRM do obsługi gabinetów.

Abstrakt – https://www.sciencedirect.com/science/article/pii/S0300571218302252?via%3Dihub