机器学习在预测正统牙拔牙的有效性:一个多机构研究.

科学领域:

• 牙科 牙科是指牙科的专业.
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• ортодонтика治疗规划通常涉及牙提取的复杂决策.
• 预测需要提取与非提取治疗的需要可以显著影响治疗结果和持续时间.
• 利用机器学习为客观和数据驱动的治疗规划提供了一个潜在的途径.

研究的目的:

• 评估机器学习模型在预测提取与非提取 ортодонтика治疗的必要性方面的有效性.
• 为了比较在两个不同的大学机构的数据上训练的模型的性能.
• 确定影响提取决策的关键临床和脑表学特征.

主要方法:

• 利用了来自两个大学的数据集,包括1135名正牙患者.
• 开发并应用随机森林 (RF) 模型,使用20个输入特征 (9个临床特征,11个脑测量特征).
• 使用灵敏度,特异性,准确性和特征排名评估模型性能;在数据集之间进行交叉预测.

主要成果:

• 综合数据集模型实现了最高的性能:50%的灵敏度,97%的特异性和85%的准确性.
• 大学1和大学2模型之间的交叉预测导致性能下降0%-20%.
• 大和下的拥挤被确定为提取决策中最有影响力的特征.

结论:

• 机器学习,特别是射频模型,显示出有很大的潜力,有助于为提取决策制定 ортодонтика治疗计划.
• 在综合数据上训练的模型显示出强大的预测能力,尽管跨机构应用需要仔细验证.
• 大和下拥挤是人工智能模型可以有效利用的预测治疗途径的关键因素.