机器学习模型用于再生性内牙科手术的预后预测.

科学领域:

• 牙周内科医院 牙周内科医院 牙周内科医院
• 生物医学工程 生物医学工程
• 医疗保健中的机器学习

背景情况:

• 再生性内牙术程序 (REP) 的目的是恢复不成熟的牙与肉皮缩.
• 预测REP的成功对于临床决策和避免治疗失败至关重要.
• 机器学习 (ML) 为开发内牙科预测模型提供了潜力.

研究的目的:

• 建立和验证ML模型来预测REPs的临床预后.
• 帮助临床医生做出明智的决策,改善治疗结果.
• 确定影响REP成功的关键因素.

主要方法:

• 对198名患者的268颗牙进行了放射性检查和测量.
• 实施了五种ML模型:RF,GBM,XGB,logR和SVM.
• 使用分层的五倍方法进行交叉验证,训练/测试分为8:2.
• 功能重要性分析和计算七个性能指标 (AUC,准确性,F1分数等). ) 的情况.

主要成果:

• 射频和GBM模型在预测1年和2年REP结果方面表现优异 (例如,射频精度=0.91,AUC=0.94为1年).
• 确定的关键预测因素包括年龄,性别,病因,根管数,创伤类型,周周病变大小和根部发育阶段.
• 功能重要性排名提供了对影响治疗成功的因素的见解.

结论:

• 射频和GBM模型显示出预测REP预后的巨大潜力,优于其他经过测试的ML模型.
• 识别的特征重要性排名可以为REP预后的评分系统做出贡献.
• 这些ML模型可以帮助临床医生在再生性内牙科的决策中.