机器学习和人工智能:为临床医生提供基于Web的植入物失败和周植入炎预测模型

科学领域:

• 生物医学工程 生物医学工程
• 牙科中的数据科学.
• 口腔和牙面部外科手术

背景情况:

• 牙科植入物成功率很高,但可能会出现诸如失败和围部植入炎等并发症.
• 需要预测工具来识别有风险的患者并优化治疗结果.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于预测牙植入物失败.
• 开发和验证一个ML模型来预测周植入炎.
• 通过预测分析来提高整体牙科植入成功率.

主要方法:

• 对来自398名患者的942个牙科植入物的回顾性分析 (2006-2013).
• 使用了包括后勤回归,随机森林,支持矢量机器和合体技术在内的监督学习模型.
• 模型的性能被评估使用接收机在曲线下的操作特征面积 (ROC AUC).

主要成果:

• 随机森林模型实现了最高的预测准确度.
• 对于植入物失败预测的ROC AUC为0.872.2.
• 周植入炎预测的ROC AUC为0.840.
• 植入失败的主要预测因素:局部麻醉剂量,植入物长度/直径,手术前的抗生素,卫生频率.
• 围植入炎的主要预测因素:植入物长度/直径,手术前的抗生素,卫生频率,糖尿病.

结论:

• 机器学习模型可以有效地预测牙植入物失败和牙周植入炎.
• 人口统计,病史和手术因素显著影响植入物结果.
• 开发的ML模型可以作为一个有价值的临床资源,以改善牙科植入物治疗的规划和成功.