Árvores de decisão como técnica para classificar a resposta quanto à atividade celular in vitro para diferentes tratamentos superficiais em titânio

Diversos artigos têm sido publicados a fim de avaliar a influência de diferentes tratamentos de superfície de TiO2/Ti sobre atividade celular de osteoblastos, tentando estabelecer dessa forma a relação entre as propriedades de superfície e o processo de ossointegração. No entanto, ainda existem lacunas críticas na avaliação e compreensão do efeito das propriedades de superfície sobre atividade celular. Como muitos fatores podem influenciar na resposta celular, a avaliação da influência combinada dos diferentes parâmetros empregados dificulta a compreensão do efeito das propriedades superficiais no processo de osseointegração, bem como a comparação do desempenho de diferentes tratamentos de superfícies. Além disso, uma avaliação comparativa entre estudos realizados por diferentes autores é muito difícil pelo fato de que não seja adotada uma padronização dos experimentos, por exemplo quanto ao tipo de célula empregada no estudo, dentre outros. Nesse contexto, o presente trabalho propõe o uso de um método computacional objetivando classificar e prever a resposta da atividade celular in vitro sobre superfícies de TiO2/Ti. A partir de resultados obtidos em artigos publicados por diferentes autores, foi construído um dataset relacionando a influência das propriedades de superfície TiO2/Ti (rugosidade e molhabilidade) sobre atividade celular e viabilidade pelo ensaio 3-(4,5-dimetiltiazol-2-il)-2,5-difenil tetrazólio bromide (MTT), empregando-se células osteoblásticas MC3TE-E1 e os mesmos critérios de monitoramento. Posteriormente foram aplicados os algoritmos de árvores de decisão J48 e SimpleCart para obter regras capazes de classificar e prever resultados da atividade celular em função das propriedades superficiais. A ferramenta empregada para gerar a árvore de decisão foi Weka. Dentre os algoritmos testados, o algoritmo SimpleCart apresentou uma melhor classificação, resultando em um coeficiente de Kappa de 40,45% contra o J48 o qual obteve um coeficiente de Kappa de 26,51%. Esse coeficiente é uma métrica utilizada para avaliar a qualidade da classificação da árvore de decisão. Nesse sentido, a árvore de decisão gerada permitiu identificar regras de decisão que podem ser empregados como um modelo preditivo e de classificação para o dataset construído, relacionando o efeito das propriedades superficiais (rugosidade e molhabilidade) de TiO2/Ti com a atividade celular.Several articles have been published to evaluate the influence of different TiO2/Ti surface treatments on the cellular activity of osteoblasts, trying to establish the relationship between surface properties and the osseointegration process. However, there are still critical gaps in the assessment and understanding of the effect of these surface properties on the cellular activity. As many factors can influence on the cellular response, the combined influence evaluation of the different parameters applied makes it difficult to understand the effect of the surface properties on the osseointegration process, and the performance comparison of different surface treatments. In addition, a comparative evaluation between studies of different authors is very difficult to conduct because there is no pattering of experiments, for instance the cell type used in the study, among others. In this context, this paper proposes the use of a computational method aimed to classify and predict the cellular activity response in vitro on TiO2/Ti surfaces. From the results gotten in published articles of different authors, a dataset was built in order to relate the influence of TiO2/Ti surface properties (roughness and wettability) on the cellular activity and viability assay by 3-(4,5-dimethylthiazol-2-yl)-2,5- diphenyl tetrazolium bromide (MTT), using MC3TE-E1 osteoblastic cells, and the same monitoring criteria. Later the algorithms J48 and SimpleCart decision trees were applied to get rules able to classify and predict cellular activity results depending on the surface properties. Weka was the tool used to generate the decision tree. Among the tested algorithms, the SimpleCart algorithm presented the best classification, resulting in a Kappa coefficient of 40.45% compared to J48, which resulted in a Kappa coefficient of 26.51%. This coefficient is a metric used to evaluate the quality of the decision tree classification. In this way, the decision tree generated allowed the identification of decision rules that can be used as a predictive model for the dataset built related to the Ti/TiO2 surface properties (roughness and wettability) with the cellular activity