光梯度增强树分类器预测的尾炎与牙周病从生物化学和临床参数的预测

科学领域:

• 口腔健康和全身疾病
• 医疗信息学和预测建模

背景情况:

• 未经治疗的牙周炎与各种系统性疾病有关,增加了牙损失的风险.
• 有限的研究探讨了牙周病和尾炎之间的关联.
• 这项研究通过调查牙周炎患者的尾炎预测来弥补这一差距.

研究的目的:

• 开发和评估患有牙周病患者尾炎的预测模型.
• 确定风险评估的关键生化和临床参数.
• 利用机器学习来提高诊断能力.

主要方法:

• 来自Saveetha牙科学院研究所的125名患者记录的分析.
• 数据预处理,特征选择和模型开发的应用.
• 使用混矩阵评估随机森林和光梯度增强算法.

主要成果:

• 光梯度提升实现了98%的准确性,超过了随机森林 (94%).
• 年龄,白细胞计数和症状持续时间被确定为关键预测因素.
• 该模型有效地区分了尾炎与牙周炎和健康状态.

结论:

• 开发了一种用于同时发生牙周炎和急性尾炎的新型预测模型.
• 研究结果表明,诊断准确性和临床决策能力有所提高.
• 这项研究为优化双重条件病例患者护理提供了新的策略.