相关实验视频
Updated: Jul 16, 2025
08:47
Oral Health Assessment by Lay Personnel for Older Adults
Published on: February 2, 2020
12.8K
基于非临床参数和唾液生物标志物的牙周健康状况的机器学习多类查工具的开发
Ke Deng1, Francesco Zonta2,3, Huan Yang3
1Shanghai PerioImplant Innovation Center, Department of Oral and Maxillofacial Implantology, National Clinical Research Center of Stomatology, Ninth People's Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
Journal of clinical periodontology
|September 12, 2023
概括
使用机器学习的新型非临床查工具准确区分牙周健康,牙炎和牙周炎的阶段. 这种工具在识别不同程度的牙疾病时,在没有侵入性临床检查的情况下显示出高准确度.
科学领域:
- 口腔健康 口腔健康
- 牙周病学 牙周病学
- 生物标志物 生物标志物
- 机器学习 机器学习
背景情况:
- 牙周病的范围从牙炎到晚期牙周炎,需要准确的诊断工具.
- 当前的诊断方法往往依赖于临床检查,这可能不适用于所有环境.
- 需要非临床查工具来促进牙周病的早期检测和管理.
研究的目的:
- 开发和评估一种多类的牙周病非临床查工具.
- 评估该工具在区分牙周健康,牙周炎和牙周炎各个阶段的准确性.
主要方法:
- 一项横截面研究涉及408名受试者.
- 非临床测试包括问卷,激活矩阵金属蛋白酶-8 (aMMP-8) 临床点检测 (POCT) 和刷牙时的牙出血 (GBoB).
- 随机森林 (RF) 分析被用来根据临床数据和非临床测试结果预测牙周病诊断.
主要成果:
- 射频分类器在区分三种 (健康,牙炎,牙周炎) 和六种 (健康,牙炎,牙周炎I-IV阶段) 类别方面实现了高精度 (AUC>0.94).
- 对牙周炎病例的错误分类率为健康或牙炎的错误分类率很低 (<1-2%).
- 九个预测因素,包括问卷答复和aMMP-8 POCT,是分类器表现的关键.
结论:
- 机器学习分类器,特别是射频分析,对牙周健康和疾病的非临床多类评估有希望.
- 开发的工具在查牙周状况方面表现出高准确度.
- 建议对独立样本进行外部验证,以确认这些发现.
