用机器学习模型进行非手术根管治疗预后的第二意见

科学领域:

• 牙科 牙科是指牙科的专业.
• 生物医学工程 生物医学工程
• 人工智能在医学中的应用

背景情况:

• 非手术根管治疗 (NSRCT) 失败预测严重依赖临床经验,这可能容易出现错误.
• 目前用于预测NSRCT结果的方法发展不足,需要更客观的方法.
• 了解与NSRCT失败相关的风险因素对于改善治疗成功率至关重要.

研究的目的:

• 研究机器学习 (ML) 模型作为预测非手术根管治疗 (NSRCT) 结果的决策支持工具的潜力.
• 评估ML模型是否可以作为可靠的第二意见来帮助牙医在治疗预后.
• 评估ML模型在预测NSRCT的成功或失败方面的准确性和灵敏度.

主要方法:

• 一项回顾性研究,涉及119例未经治疗的牙周线性牙周炎病例,由单一专家进行NSRCT.
• 使用新型模板收集数据,将治疗成功 (损伤清除) 或失败定义为二进制结果.
• 四个ML算法逻辑回归 (LR),随机森林 (RF),天真贝叶斯 (NB) 和K近邻 (KNN) 被训练并使用选择的变量进行测试.

主要成果:

• 随机森林 (RF) 和K近邻 (KNN) 算法显示,治疗预后的灵敏度和准确性在统计学上显著改善 (p <0.05).
• 分析确定了与NSRCT结果相关的关键变量,作为ML模型的输入.
• 这项研究为ML在提高NSRCT预后能力方面的实用性提供了概念证明.

结论:

• 机器学习模型在提高非手术根管治疗预后的准确度和灵敏度方面表现有前途.
• ML模型可以作为一个有价值的第二意见工具,支持牙医的临床决策.
• 通过随机临床试验进行进一步的研究是有必要的,以验证ML在NSRCT预后中的临床实用性.