Bisakah AI Memprediksi Siapa yang Berisiko Gigi Berlubang?
Bisakah AI Memprediksi Siapa yang Berisiko Mengalami Gigi Berlubang?
Gigi berlubang masih menjadi salah satu penyakit paling umum di dunia. Agar program pencegahan lebih tepat sasaran, para peneliti mengembangkan model kecerdasan buatan (AI) yang dapat memprediksi siapa yang berisiko tinggi mengalami gigi berlubang.
Penelitian ini merupakan kolaborasi antara New York University (NYU), Amerika Serikat, dan Federal University of Santa Maria (UFSM), Brasil, dan diterbitkan di jurnal Caries Research pada Oktober 2026.
Bagaimana Penelitian Dilakukan?
Sumber data: Survei kesehatan mulut nasional Brasil tahun 2023.
Jumlah data: hampir 24.000 orang.
Metode: machine learning, yaitu AI yang mempelajari pola dari data dalam jumlah besar dan kompleks, yang sulit ditemukan dengan cara analisis biasa.
Tujuan: memprediksi risiko dan keparahan gigi berlubang berdasarkan kelompok usia, sekaligus menilai seberapa besar peran tiap faktor.
Apa Hasilnya?
1. Faktor risiko terkuat: kondisi ekonomi dan kepadatan rumah
| Faktor | Peran |
|---|---|
| Tingkat kekayaan | Sinyal risiko terkuat |
| Kepadatan penghuni rumah | Sinyal risiko terkuat |
| Kelompok non-kulit putih | Risiko lebih tinggi di semua usia |
| Asuransi gigi swasta | Faktor pelindung |
| Kunjungan ke dokter gigi baru-baru ini | Faktor pelindung |
2. Fluoridasi air sangat berpengaruh
| Anak usia 12 tahun | Persentase yang mengalami gigi berlubang |
|---|---|
| Tanpa air berfluoride | 62,5% |
| Dengan air berfluoride | 35,5% |
Fluoridasi air, yaitu penambahan fluoride ke air minum dalam kadar yang diatur, menjadi salah satu prediktor terkuat.
3. AI mampu memprediksi dengan akurat
Model AI dapat memprediksi risiko dan keparahan gigi berlubang per kelompok usia dengan akurat, dengan menimbang kontribusi masing-masing faktor.
Apa Kata Peneliti?
Fernando Neves Hugo, kepala Departemen Epidemiologi dan Promosi Kesehatan NYU College of Dentistry, menilai kehadiran AI membuka peluang besar bagi surveilans kesehatan masyarakat dan pemetaan risiko, termasuk dalam mengatasi beban gigi berlubang secara global. Menurutnya, alat seperti ini dapat membantu mengarahkan sumber daya dan layanan pencegahan ke kelompok yang paling membutuhkan.
Ia mengibaratkan model ini sebagai “sensor beresolusi tinggi” yang dapat mengenali individu berisiko tinggi yang sebelumnya tidak terlihat bila hanya melihat rata-rata komunitas.
Hugo juga menekankan bahwa program kesehatan masyarakat harus bertanggung jawab kepada masyarakat dan menggunakan sumber daya sebaik mungkin. Pendekatan yang lebih tepat sasaran membantu mengoptimalkan anggaran pencegahan.
Bisakah Diterapkan di Negara Lain?
Peneliti menilai model serupa berpotensi diterapkan di negara berpenghasilan menengah lain. Namun, perbedaan akses layanan kesehatan di tiap negara kemungkinan akan mengubah faktor-faktor yang paling berpengaruh. Tim peneliti juga berencana melakukan penelitian serupa menggunakan data National Health and Nutrition Examination Survey (NHANES) di Amerika Serikat.
Catatan Penting
Model ini memprediksi risiko pada tingkat populasi untuk perencanaan program, bukan alat diagnosis untuk pasien perorangan di klinik.
Data berasal dari satu negara (Brasil), sehingga faktor yang berpengaruh bisa berbeda di negara lain, termasuk Indonesia.
Temuan tentang kekayaan, kepadatan rumah, dan ras menunjukkan kaitan, bukan sebab langsung. Faktor-faktor ini kemungkinan mencerminkan perbedaan akses layanan, pola makan, dan kondisi hidup.
Pelajaran untuk Indonesia
Indonesia, sebagai negara berpenghasilan menengah dengan angka gigi berlubang yang tinggi, dapat memetik pelajaran dari pendekatan ini:
Memanfaatkan data survei kesehatan nasional untuk memetakan kelompok dan wilayah berisiko tinggi.
Memprioritaskan program pencegahan, seperti UKGS dan aplikasi fluoride, di wilayah dengan risiko tertinggi.
Memperhatikan faktor sosial ekonomi dalam perencanaan layanan kesehatan gigi.
Kesimpulan
Peneliti dari NYU dan Federal University of Santa Maria mengembangkan model AI berbasis data hampir 24.000 warga Brasil yang mampu memprediksi risiko dan keparahan gigi berlubang per kelompok usia. Faktor risiko terkuat adalah tingkat kekayaan dan kepadatan rumah, sedangkan asuransi gigi, kunjungan rutin ke dokter gigi, dan fluoridasi air menjadi faktor pelindung. Pada anak usia 12 tahun, gigi berlubang ditemukan pada 62,5% anak tanpa air berfluoride dibandingkan 35,5% dengan air berfluoride. Pendekatan ini berpotensi membantu pemerintah dan penyedia layanan mengarahkan program pencegahan ke kelompok yang paling membutuhkan.
Referensi
Dentistry.co.uk. (2026). Can AI predict which patients will develop caries?
Machine Learning for Predicting Dental Caries. Caries Research. 2026. https://karger.com/cre/article/doi/10.1159/cre/abuag004/956481/Machine-Learning-for-Predicting-Dental-Caries