在双手术后,使用机器学习预测斜下巴点复发

科学领域:

• ортодонтика和牙面部外科手术
• 生物医学工程 生物医学工程
• 在医疗保健中的数据科学.

背景情况:

• 在双整形手术 (2J-OGS) 后,pogonion (Pog) 的手术稳定性对长期结果至关重要.
• 预测复发对于优化治疗计划和患者满意度至关重要.
• 机器学习 (ML) 提供了识别复杂预测因素的潜力.

研究的目的:

• 为了确定与2J-OGS之后的pogonion稳定性相关的关键因素.
• 应用机器学习模型来预测pogonion复发.
• 为了确定特定的外科手术运动值,表明复发风险.

主要方法:

• 利用227名患者 (T0,T1,T2,T3) 的侧向脑图进行分析.
• 测量了55个与手术运动相关的骨和牙参数 (T2-T1).
• 使用机器学习算法:分类和回归树 (CART),条件推理树 (CTREE) 和随机森林 (RF).

主要成果:

• 随机森林识别了拉姆斯倾向 (RI) 作为pogonion复发的最重要的预测因素.
• CTREE和CART表明,RI > 3.7度的顺时针旋转预测了高度显著的复发 (HS).
• 卡特确定RI>1.8度的时针旋转是显著复发 (S) 的风险因素.

结论:

• 机器学习模型 (RF,CTREE,CART) 是预测2J-OGS后手术稳定的有效工具.
• 在手术期间以时针向的拉姆斯倾斜度超过1.8度是显著pogonion复发的关键风险因素.
• 这些发现可以为手术决策提供信息,以改善长期pogonion稳定性.