围部植入物骨矿物质密度与初级植入物稳定性之间的相关性基于人工智能分类

科学领域:

• 生物材料科学 生物材料科学
• 牙科植入物学 牙科植入物学
• 人工智能在医学中的应用

背景情况:

• 目前用于牙科植入物的骨矿物质密度 (BMD) 分类通常过于广泛,忽视局部变化.
• 准确评估周植入物BMD对于预测初级植入物稳定性至关重要.
• 现有的方法可能无法充分捕捉植入部位周围细微的BMD分布.

研究的目的:

• 研究植入周围骨矿物质密度 (BMD) 与初级牙植入物稳定性之间的相关性.
• 评估一种基于人工智能 (AI) 的新型BMD分级系统,用于评估植入物周围局部化的BMD.
• 确定AI衍生的骨矿物密度系数 (BMDC) 是否可以预测植入物稳定率 (ISQ) 和插入扭矩值 (ITV).

主要方法:

• 利用基于人工智能的新分级系统,分析了49名患者的植入部位中的BMD分布.
• 用模型和图像重叠技术计算冠状,中间和顶部区域的骨矿物密度系数 (BMDC).
• 植入后记录的植入器稳定率 (ISQ) 和插入扭矩值 (ITV).

主要成果:

• 在冠状,中间和总植入区域 (P <0.05) 中,BMDC和ISQ之间发现了显著的正相关性.
• 在顶部区域的BMDC和ISQ之间没有观察到显著的相关性 (P > 0.05).
• 在插入扭矩值 (ITV) 较高的植入部位 (P < 0.05) 中,BMDC值显著更高.

结论:

• 基于AI的BMD分级系统准确地反映了牙植入物周围的BMD分布.
• 由人工智能衍生的BMDC为预测初级植入物稳定性提供了可靠的基准,特别是在冠状和中间区域.
• 这种AI方法提高了骨质的评估,提高了牙科植入物成功率.