基于相关特征分析和临床验证的牙周病数据驱动预测模型
Woosun Beak1,2, Jihun Park3, Suk Ji1,4
1Department of Dental Public Health, Ajou University Graduate School of Clinical Dentistry, Suwon, Republic of Korea.
Heliyon
|June 24, 2024
概括
数据驱动型号使用16个风险因素准确预测牙周病. 这些模型在内部和外部验证中显示出可靠的性能,有助于疾病的预测和管理.
科学领域:
- 牙周病学 牙周病学
- 数据科学数据科学数据科学
- 机器学习 机器学习
背景情况:
- 牙周病是一个重大的公共卫生挑战.
- 准确的预测模型对于早期干预和管理至关重要.
- 现有的预测方法可能缺乏全面的风险因素整合.
研究的目的:
- 开发和验证数据驱动的模型来预测牙周病.
- 用相关性分析来确定牙周炎的关键风险因素.
- 评估各种机器学习算法在牙周预测中的性能.
主要方法:
- 用第七届韩国国家健康和营养检查调查 (n=10,654) 的数据来确定风险因素.
- 开发并验证了使用后勤回归,SVM,随机森林,XGBoost和神经网络的预测模型.
- 通过5倍交叉验证和与临床数据 (n=120) 的外部验证进行了内部验证.
主要成果:
- 从1000多个潜在因素中,确定了16个牙周炎的重大风险因素.
- 该XGBoost模型实现了接受器操作特征曲线 (AUC) 下的面积为0.823 (内部) 和0.796 (外部).
- 模型准确地预测了严重的骨损失 (AUC=0.813),牙出血 (AUC=0.694) 和牙损失 (AUC=0.734).
结论:
- 结合16个风险因素的数据驱动模型在预测牙周病方面表现强.
- 这些模型在内部和外部验证数据集中提供了增强的预测准确性和可重复性.
- 这些发现支持使用数据驱动方法来改善牙周健康评估和患者咨询.
