一个个性化的牙周炎风险基于机器学习的非图像电子牙科记录
Laura Swinckels1, Ander de Keijzer2, Bruno G Loos3
1Academic Centre for Dentistry Amsterdam (ACTA), University of Amsterdam and Vrije Universiteit Amsterdam, The Netherlands; Department Oral Hygiene, Faculty of Health, Sports and Welfare, Inholland University of Applied Sciences, Amsterdam, The Netherlands; Centre of Expertise Prevention in Health and Social Care, Inholland University of Applied Sciences, Haarlem, The Netherlands; Medical Technology Research Group, Inholland University of Applied Sciences, The Netherlands; Data Driven Smart Society Research Group, Inholland University of Applied Sciences, Alkmaar, The Netherlands.
Journal of dentistry
|November 21, 2024
概括
机器学习模型可以使用电子牙科记录 (EDR) 预测牙周病 (PD) 风险. 这种方法有助于早期检测和个性化预防策略,以获得更好的患者结果.
科学领域:
- 牙科信息学 牙科信息学
- 医疗保健中的机器学习
- 牙周病研究 牙周病研究
背景情况:
- 牙周病 (PD) 是一个重大的公共卫生挑战.
- 早期检测和预防对于管理PD和改善患者结果至关重要.
- 非图像电子牙科记录 (EDR) 包含用于风险预测的宝贵数据.
研究的目的:
- 开发和评估用于预测牙周病 (PD) 风险的机器学习 (ML) 模型.
- 使用非图像EDR进行PD风险评估.
- 从EDR数据中确定PD的关键预测因素.
主要方法:
- 一个随机森林ML模型使用43331名美国牙科患者的EDR进行了训练.
- 患者根据PD诊断,治疗和入口分类为病例或对照.
- 用准确度,灵敏度,特异性和AUROC来评估模型性能;确定特征的重要性.
主要成果:
- 随机森林模型在开发集上实现了高灵敏度 (81%) 和优秀的AUROC (94%).
- 主要预测因素包括出血比例,年龄,访问频率,先前的预防性护理,吸烟和药物使用.
- 该模型在验证组上显示了强有力的病例检测 (91%),尽管特异性较低 (0.54).
结论:
- ML模型显示了使用一致的EDR早期发现和预防PD的巨大潜力.
- 临床应用可以提供个性化的风险预测,并指导有针对性的干预措施.
- 需要进一步的研究来验证模型和改进EDR文档.
